以下是本次直播實錄“預測大模型”部分——

Genji：剛才提到的“預測大模型”這個詞比較新，請簡單概述一下。

常博士：現(xiàn)有所有的AI都是利用部分數(shù)據(jù)訓練出的特定場景的模型來解決特定問題。我們希望通過預測大型模型可以在世界上所有可獲取的數(shù)據(jù)知識中進行統(tǒng)一學習，然后將AI部署和應用于無限多的場景中。甚至在一些新出現(xiàn)的場景中，我們也可以遷移模型并加以利用。這就是我們的愿景：無限數(shù)據(jù)的學習，無限場景的應用。

Genji：我很好奇在盤古預測大模型中，您是基于什么動機和背景去做的？

常博士：企業(yè)面對有限數(shù)據(jù)構建 AI 分析模型時，既需要突破數(shù)據(jù)量不足的瓶頸，又要解決小樣本場景下模型精度優(yōu)化的技術難題，而現(xiàn)有技術體系尚未形成系統(tǒng)性解決方案。因此，我們對預測大模型的核心期望在于：通過構建具備知識泛化能力的模型架構，使其在完成多源數(shù)據(jù)學習后，能夠無縫遷移至各類新興業(yè)務場景及下游任務。這一需求的底層邏輯源于 To B 業(yè)務的現(xiàn)實約束 —— 當面對海量客戶需求時，傳統(tǒng)定制化解決方案難以規(guī)?；涞?，而挖掘場景共性并實現(xiàn)批量式問題解決，成為破局的關鍵路徑。

Genji：在這么多數(shù)據(jù)的技術架構探索中，您有什么發(fā)現(xiàn)和洞見可以與我們分享嗎？

常博士：在 AI 應用實踐中，視覺與語言領域因數(shù)據(jù)規(guī)模龐大，已通過大模型技術實現(xiàn)系統(tǒng)性突破。但更多垂直場景仍面臨「定制化建模困境」：傳統(tǒng)方案需針對每個場景的數(shù)據(jù)格式、類型設計專屬網(wǎng)絡結構，這種「一事一模型」的模式不僅難以覆蓋海量場景，更導致不同模型間形成「智能孤島」—— 各場景的 AI 能力彼此割裂，無法通過知識共享實現(xiàn)協(xié)同進化。

追根溯源，該問題的本質在于數(shù)據(jù)表征的碎片化。所有數(shù)據(jù)本質上都是對物理世界的離散化建模：

• 圖像數(shù)據(jù)以二維網(wǎng)格為基本單元（像素陣列），無論是手機拍攝的風景照、天文望遠鏡捕捉的星系圖像，還是顯微鏡下的微觀影像，其數(shù)據(jù)結構均遵循格子空間規(guī)律，這也是卷積神經(jīng)網(wǎng)絡（CNN）通過局部特征掃描實現(xiàn)高效建模的底層邏輯；
• 文本數(shù)據(jù)呈現(xiàn)單向序列結構（字符流），與圖像的二維空間截然不同，因此 Transformer 通過自注意力機制捕捉序列依賴關系；
• 工業(yè)傳感器數(shù)據(jù)則更為復雜，不同設備的采樣頻率、空間分布、物理含義差異顯著，導致其數(shù)據(jù)結構缺乏統(tǒng)一范式。

這種數(shù)據(jù)結構的多樣性，使得傳統(tǒng) AI 模型必須針對特定場景設計專屬架構。當石油鉆井傳感器數(shù)據(jù)（時序 + 空間多維信號）、醫(yī)療影像（三維體數(shù)據(jù)）、物流路徑數(shù)據(jù)（圖結構）等并存時，差異化的模型架構導致知識遷移難以實現(xiàn)。因此，突破的關鍵在于建立「數(shù)據(jù)原子級表征體系」—— 通過抽象不同數(shù)據(jù)形態(tài)的底層共性，在表征層面構建統(tǒng)一的數(shù)學語言，為跨場景智能遷移奠定基礎。這一思路既需要解構物理世界的信息編碼規(guī)律，也需重構 AI 模型的底層表征范式，是打破智能孤島的核心技術路徑。

Genji：在我聽起來，我們目前要做的很像是愛因斯坦找尋的大一統(tǒng)理論，所以是這樣嗎？

常博士：是的。我們致力于構建的大一統(tǒng) AI，其本質是通過全量數(shù)據(jù)的統(tǒng)一學習，實現(xiàn)“一次訓練、全域遷移“的智能進化。這一目標的核心在于：讓 AI 在掌握圖像、語言、藥物分子、工業(yè)數(shù)據(jù)等全類型數(shù)據(jù)的底層規(guī)律后，能自主適應從未見過的新場景，從而打破傳統(tǒng) AI“一場景區(qū)分一模型”的碎片化局限。我可以舉個很簡單的例子，我們可以把不同的數(shù)據(jù)嵌入不同的空間，就相當于照片、語言、藥物分子、表格等分別在不同空間，我們可以將這些不同的空間想象成分子結構，人類分子的種類有無窮多個，可以合成非常多種類的分子，但是構成分子的原子數(shù)量并不是很多，也就是我們所謂的原子級表達，這是我們期望做到的，當有了原子級表達之后，所有的數(shù)據(jù)看來都是一樣的，我就可以進行下一步的學習，通過原子級表征發(fā)現(xiàn)數(shù)據(jù)背后的普適規(guī)律。

Genji：在這個過程中有哪些應用的案例？

常博士：在具體應用里面，比如煉鋼這個過程，輸入層是鐵礦石原料配比、燃煤量、氧氣 / 空氣注入量等實時變化的參數(shù)，輸出層是鐵水溫度預測值。在這類復雜工業(yè)場景中，傳感器數(shù)據(jù)量遠少于視覺數(shù)據(jù)，僅靠本場景數(shù)據(jù)難以構建精準模型。而大一統(tǒng) AI 方案通過跨領域數(shù)據(jù)學習，將預訓練模型遷移至煉鋼場景，實現(xiàn)高效適配。國內某大型鋼廠應用后，模型預測準確率遠超傳統(tǒng)方案。此類工業(yè)場景在國內數(shù)量眾多，大一統(tǒng) AI 突破數(shù)據(jù)稀缺瓶頸，以知識遷移實現(xiàn)批量價值創(chuàng)造，為制造業(yè)數(shù)字化提供關鍵支撐。

Genji：既然已經(jīng)做了這么多事情，那么您在這一塊有遇到哪些攻堅克難的細節(jié)可以分享嗎？

常博士：在全球及國內大模型聚焦語言、視覺、視頻或單一行業(yè)（如蛋白質分析）的當下，華為自主研發(fā)的預測大模型走出了差異化路徑。該模型在研發(fā)初期面臨多重挑戰(zhàn)：由于覆蓋場景遠超語言 / 視頻等單一領域，即便投入大量資源仍難以窮舉所有需求；更關鍵的是，業(yè)界缺乏可參考的成熟方案，團隊需從零開始探索技術路線的正確性、效果及價值，甚至一度質疑核心問題的定位。我們逐漸意識到，傳統(tǒng)的定制化模式無法根治問題，必須從底層實現(xiàn)大一統(tǒng)：統(tǒng)一數(shù)據(jù)格式、架構設計及模型體系。這一決策的核心邏輯在于：唯有通過標準化整合，才能突破場景碎片化瓶頸。如今團隊已明確目標，正基于該思路推進技術落地。

Genji：在這個脈絡里，您覺得未來預測大模型有什么發(fā)展趨勢方向？或者您又有什么感興趣的研究領域？

常博士：今年我們推出了基于統(tǒng)一編碼與架構的首個技術版本。這條技術路徑蘊含巨大探索空間，我認為未來學術界會有更多研究者投身于此 —— 唯有錨定「雙統(tǒng)一」核心方向，才能推動技術沿著正確軌跡演進。

接下來我們規(guī)劃了兩條優(yōu)化路線：第一條是延續(xù)現(xiàn)有技術路徑，通過持續(xù)擴充數(shù)據(jù)規(guī)模優(yōu)化模型性能；第二條聚焦 To B 場景落地難點：許多客戶雖持有數(shù)據(jù)，卻缺乏數(shù)據(jù)建模與分析能力；

預測大模型當前仍依賴“先定義問題再解決問題”的模式，需要與 Agent 智能體協(xié)作完成問題構建。這既是預測大模型在 B 端場景的突破方向，也是未來技術迭代的關鍵著力點。

Genji：您提到AGI，我相信AGI會到來，AGI到來也一定是以解決問題為導向的，那么關于AGI的未來，大模型的明天，您認為有哪些趨勢和脈絡？

常博士：AGI 的本質在于具備人類般的「通用智能」—— 如同人類從小學到職場的成長歷程中解決了100件任務，未來面對第 101 件與過往完全不同的新任務，也能通過抽象過往經(jīng)驗的本質規(guī)律實現(xiàn)平滑解決。這種能力的核心特征是：

1、知識遷移的靈活性：不依賴特定場景的訓練數(shù)據(jù)，而是從機械學習、語言理解、圖像識別等跨領域經(jīng)驗中提煉共性邏輯（如因果推斷、模式識別）；

2、問題本質的洞察力：能識別新問題與歷史任務在底層邏輯上的相似性（如將金融風控問題類比為醫(yī)療診斷的概率推理模型）。

上述兩點構成 AGI 的核心進化閉環(huán)：

解決新問題 → 積累新經(jīng)驗 → 豐富知識基底；

發(fā)現(xiàn)新問題 → 定義新任務 → 驅動智能邊界擴展。

這種模式如同人類科學發(fā)現(xiàn)的迭代過程 —— 從牛頓力學解決宏觀運動問題，到愛因斯坦相對論主動發(fā)現(xiàn)時空本質問題。當 AGI 具備該能力時，其發(fā)展將突破人類預設的任務邊界，形成自我驅動的“智能奇點”。

Genji：剛才常博士分享的過程中，引入了從小學到初中學習路徑。這個世界從來不缺好答案，缺一個好問題。去年全國一卷的語文高考題目，也是這個類型的問題，像人工智能一直在探討關于問題與答案之間的關聯(lián)關系，我曾看過一本書叫《第三次教育革命》，在教育里，您剛才提到小學初中這個階段，我們一般學習的東西，包含了知識、信息和經(jīng)驗，其中經(jīng)驗是最難獲取的，知識反而成本沒有那么高，因為它都印在書本上，就像您所說，基于理論推演出大一統(tǒng)，再通過大一統(tǒng)泛化，這個依托的就是經(jīng)驗，這也AGI，這其實是一件事情非常的“帶勁”事情。

常博士：是的。我本科學習數(shù)學時常常做證明題，當時不理解其意義，老師說數(shù)學的本質是當你忘記所有具體證明后剩下的邏輯思維能力，這和 AGI 很相似：AGI 不應局限于記憶具體數(shù)據(jù)，而要從數(shù)據(jù)中抽象出普適規(guī)律，并用這些規(guī)律遷移解決全新場景的問題，這是合格 AGI 的標準；若能在此基礎上自主發(fā)現(xiàn)問題、持續(xù)迭代進化，就能邁向強 AGI，其核心在于讓智能擺脫具體知識的束縛，成為可自主認知和創(chuàng)造的規(guī)律發(fā)現(xiàn)系統(tǒng)。

圍繞預測大模型的工業(yè)化和to B端展開探討，華為云通過業(yè)界首創(chuàng)的triplet transformer統(tǒng)一預訓練架構，將多源數(shù)據(jù)進行統(tǒng)一的三元組編碼，并在同一框架內高效處理和預訓練，不斷強化預測大模型能力，為其跨行業(yè)、跨場景的泛化應用提供助力。