首个千亿中文语言模型的使命，不止于规模与刷榜成绩

此前公布超大规模预训练语言模型的开发计划时，我们强调，它是面向产业落地应用的，而非纯粹的学术研究项目。

两者的区别是什么？

首先，为学术研究而生的大规模预训练模型，往往以人工收集构造的相对通用化的数据集作为基准，以较理想化的设定来进行实验（比如类别均衡的多分类问题），这些都跟模型最终的实际落地应用有明显出入。因此，我们必须从开始打造它的第一天起，就考虑大模型将来怎么在企业级应用中落地。

其次，以单纯学术研究为目标的大模型，到了刷新榜单最好成绩这一步，就拿了研究项目的高光时刻，并不需要参与后面漫漫无期的落地应用过程。但对我们而言，只能高兴一天时间。还是同一批人，不是把孩子生出来就行了，还要负责养大，培养孩子做出最大的贡献。

▲余承东发布由循环智能和华为云联合开发的盘古NLP模型

循环智能（Recurrent AI）联合创始人杨植麟是“大模型”的布道者，也是深入业务前线的公司产品负责人，因此非常关注前沿AI技术的落地策略。他认为，“超大规模模型是价值最大化的基础，但刷新CLUE榜单成绩只是模型能力的初步验证，盘古NLP大模型更大的价值是带来AI落地的效率革命和应用场景扩展。”

三大技术创新，专攻大模型落地难题

在盘古NLP大模型研发过程中，循环智能的 NLP Moonshot 团队拆解了GPT-3等大模型很难在商业场景中得到应用的三大原因：1）大模型在应对复杂商用场景的小样本学习能力弱；2）难以结合微调扩展业务场景；3）难以融入不同领域的知识。然后，一一进行击破。

第一，盘古NLP大模型在小样本学习任务上超越GPT-3，解决后者难应对复杂商用场景的少样本学习问题。比如在企业客户的心声分析和员工执行力分析应用场景中，使用盘古NLP大模型生产语义标签时，实测得到目标结果所需的样本量仅为GPT-3模型的十分之一，即AI生产效率可提升十倍。

第二，盘古团队在预训练阶段加入了基于 prompt 的任务，大幅降低微调难度，解决以往大模型难为不同行业场景进行微调的问题。在下游数据充足时，微调难度的降低使得模型可以随着数据变多而持续优化；在下游数据稀缺时，微调难度的降低使得模型的少样本学习效果得到显著提升。比如，在企业借助沟通内容判断客户购买意向，以找出更多目标客户从而提升转化率的场景中，实测盘古NLP大模型相比GPT-3可提升 27% 的成单转化率。

第三，除了能像GPT-3等仅基于端到端生成的方式以外，盘古NLP大模型还可以通过少样本学习对意图进行识别，转化为知识库和数据库查询，解决以往大模型难融入行业知识和数据的问题。比如在金融服务场景中，盘古NLP大模型能更好地为实时沟通辅助系统提供底层能力，帮助服务人员更快掌握专业知识和沟通经，更快提升业务水平。

三种企业应用，增强“人”的能力

在高附加值的产品销售与服务过程中，如保险、房产、教育、财富管理等行业，企业需要借助人与人之间的沟通过程，让销售人员与客户建立更紧密的联结，提供更专业的服务。但由于销售人员的素质和能力提升缓慢，同时企业缺乏对目标客户的了解，导致客户体验不佳，业绩也难获增长。

基于盘古NLP大模型等核心技术，循环智能（Recurrent AI）为企业提供人员产能提升、精准销售和新一代合规质检解决方案，帮助企业更快地提升销售人员能力、更快地找到目标客户以及降低合规风险。

人员产能提升 Expert↑：借助深入业务流程的优秀实践挖掘、沟通实时辅助和执行监督报表产品组合，帮助企业将优秀销售人员的实践经验传递给每一名普通销售。在与客户沟通中实时辅助销售人员，提升他们的表现，将他们为企业创造的价值最大化。

精准销售 Target↑：循环智能开创了基于沟通对话数据与成单结果的意向预测模型，通过算法模型，可筛选存量线索中的高意向线索，或筛选对某产品更感兴趣的客户名单，帮助销售人员更精准地找到目标客户，提升销售和服务效率。

新一代合规质检 Compliance↑：不同于基于“关键词+正则”的传统方案，循环智能提供高准确率和召回率的AI语义质检方案，配合独家的“违规率排序”功能，可助力质检员多找出数倍违规对话，帮助企业大幅降低合规风险，提升服务质量。

截止2021年4月，循环智能（Recurrent AI）已服务了银行、保险、在线教育、房产和消费金融等领域的众多行业标杆客户，包括招商银行、人保财险、太平洋保险、招商信诺、水滴、新东方在线、51Talk、豌豆思维、万科、我爱我家、安居客和捷信等。

欢迎加入我们，一起奔赴前沿NLP技术与落地应用的交汇点，或许困难重重，但我们做好了全力以赴的准备。