专访|中科深智成维忠：一家数字人公司，为什么要做大模型？
撰文|王俞现（元界主理人）
5月10日下午，中科深智在北京举办战略发布会，正式宣布大语言模型『GenSense数智姜尚』上线，这是一款专为企业私有化部署和数字人设计的大语言模型，也是国内商用大模型在轻量化领域内的首次尝试。
中科深智现场演示了『GenSense数智姜尚』在数学运算、逻辑推理、日常对话等领域的互动表现。『GenSense数智姜尚』将填补以往数字人只能“依照”指令进行反馈、而无“自主”互动能力的缺陷，成为虚拟人真正意义上的“大脑”。
@元界（IP：Metabod）了解到，作为生成式AI虚拟人和3D AIGC技术领导者，中科深智在2022年1月发布自主研发的跨多模态深度学习算法——CLAP算法，并在当年3月推出生成式虚拟人实时动作表情驱动业务中台Motionverse。
前者通过持续的不同模态数据的关联和交叉训练，获得了优异的基于语音语义实时生成动作和表情能力，再以自研的重定向算法介导，实现对虚拟人的驱动，完成生成式AI虚拟人的技术闭环。
后者可使音频源、文本源、传感器、语义、脚本等多模态输入方式，通过生成式AI技术方案，实现虚拟人的身体动作、面部表情以及口型的实时驱动，提供SDK和管理后台，解决产品和终端的虚拟人驱动问题。
而基于CLAP算法，『GenSense数智姜尚』能够将虚拟人的“大脑”和形体表现，进一步有机融合，在对外界互动时能做出实时反馈，并直接驱动虚拟人进行生动地表达，复现了一个有“智力”、有良好表现力和表达能力的3D虚拟人。
现场中科深智发布了200亿和20亿两种参数量的大模型，并重点将20亿参数量大模型与ChatGPT及其它知名大厂的大模型进行测试。测试显示，参数量缩小后，效果基本满足企业需要。甚至只需要一块NVIDIA GeForce RTX 3090显卡，系统便能良好运行。
发布『GenSense数智姜尚』后，中科深智实现了包括自有大模型、自主核心算法、系列3D AIGC产品、生成式AI虚拟人解决方案的“全家桶”级服务能力。
发布会前，@元界（IP：Metabod）专访中科深智创始人兼总经理成维忠，此为主要涉及大模型的内容：
元界：公司目前在国内外处于什么发展水平？
成维忠：在生成式AI虚拟人领域，我们肯定处于国内第一阵营。我不知道能不能讲，只有我们一家在做，但国内在做的人肯定极少，我们遥遥领先。放在全球来看，我们也应该是第一阵营这个水平。
元界：你曾表示，ChatGPT突破的大语言模型是大厂必定涉足的战场，中科深智将坚定作为一家创业公司应避其锋芒的自身站位。这次发布大语言模型，是回心转意吗？为什么会有这种转变？
成维忠：所有的大厂要不去优先搞这件事儿，就等于在未来AGI（通用人工智能）这个大盘子中没有立足之地，所以他们必须要搞。政府肯定也会鼓励大厂去搞。搞不定的话，在下一代的国家竞争中，可能就会比较被动。基于这样的认知，我认为大模型就是大厂的“圣杯”。
我们已经看到foundation就是基础的大语言模型，它要投入的资源非常多，对团队要求也非常大。在这种情况下，我们要不要去做，有没有条件去做，为什么去做，从去年12月开始，在过去几个月中，我们团队一直在讨论，一直有纠结。
去年12月ChatGPT在大众层面还没有这么火，但在人工智能圈子里已经被广为讨论。刚开始，我们觉得没条件做，也没必要做，但是后来这个想法发生了改变，这里是两个问题或者说原因：
一是，我们后来发现，开放出来的资源API接口，我们要基于这个去做跨模态训练，要升级原有算法，但如果没有源代码，我们还训练不了。这个事让我觉得很痛苦。
二是，我们是做B端应用的，我们很多客户讲，他们不愿意用foundation的大模型，涉及数据安全问题，还有推理算法投入问题。他们希望用一个相对比较高效的可以私有化部署的甚至定制的模型。在这种情况下，我们就开始问自己，我们有没有能力去做这件事。
在过去两年中，一个比较好的地方就是，我们基于transformer模型做了很多工作，我们去做一个大模型训练的工程，对我们来说相对比较简单。在数据的获取和算力的调配上，我们也有一些方法，像为今天发布大模型，我们临时调剂了2000张左右的A100显卡。这非常不容易，但基于之前一些非常好的合作关系，这个问题就解决了。我们认为自己有条件做这个工作。
元界：2022年1月你们发布了CLAP大模型动作与表情生成算法，3月又发布了虚拟人业务中台Motionverse，公司当时就有先见之明。
成维忠：CLAP模型是我们自研发的一个预训练模型。现在比较火的mid journey、stability fusion，当时还没出来。谷歌也是在2021年才提出后来风靡全球的CLIP（深度学习）算法，这是文生图的一个核心算法。
CLAP模型，是用自然语言输入指令，虚拟人就能在多模态大模型的作用下生成连贯的动作与表情。我们虽借鉴了CLIP，但跟它还不太一样，底层逻辑和技术难度，要更复杂。
当时我们这个算法还比较粗，但我们算是这个领域第一家。因为也没有做完全的调查，如果还有，至少我们肯定是第一批的少数几家公司之一。因为具体多少算大模型，这个概念比较模糊，去年的时候，我们的参数量只有亿1.5亿左右。
跟大语言模型比起来，这是非常小的这个参数量，但借鉴大模型发展史，就当时阶段，我们讲CLAP算法是一个大模型的动作和表情生成算法，这个没有毛病。
有两个东西，对我们来说做算法很关键：第一，对语义的理解就跟现在做文生图是一样的。对我们来说，它不单单是语意的理解，也包括对语速的理解，就是我们的声音是有节奏的。基于此，我们把这个事情看的更加清楚。
我们发现，在这个语速和文本理解上面，文本的理解、语义的理解更重要。所以从2021年开始，我们在算法往前走的时候，越来越把语意的理解作为我们的重心。
CLAP算法发布以后，我们在3月发布了虚拟人业务中台Motionverse，把我们底层的各种各样的算法和一些资源，整合起来放到业务中台，一方面自己在做产品的时候比较方便、高效，另外也可以把这些资源比较好地输出给第三方。如果没有这样一个东西，它就是各种零碎的。
通过这一中台，中科深智可以使用音频源、文本源、传感器、语义、脚本等多模态输入方式，通过生成式AI技术方案，实现虚拟人的身体动作、面部表情以及口型的实时驱动，提供SDK和管理后台，解决产品和终端的虚拟人驱动问题。
元界：5月10日，公司发布GenSense数智姜尚大模型，要跟文心一言等对视吗？
成维忠：当然我们跟文心一言等，不是一个直接竞争关系。我依然认为这个是大厂的菜，就是说这是OpenAI跟百度等之间的竞争，他们要去引领一个行业，望着AGI去逼近，我们要解决的其实更多是垂直领域的应用问题。
我们把大语言模型跟我们的训练放在一起，基于新发布的GenSense数智姜尚大模型，我们就形成了基于生成式AI提供全流程、端到端3D虚拟人服务体系，从语言的解析、3D模型的生成，到3D动作、表情的生成，形成端到端的能力。这也是我们新的战略能力。除了适用于虚拟直播、数字员工等成熟场景外，还可以进一步适用于对私有化部署需求更高的金融、医疗、政企等专业领域。
元界：中科深智大模型的主要看点在哪里？
成维忠：我要思考的不是泛化能力，我不可能跟“千模大战”的参与者去拼解析一道题，或比拼画画，这样会把我们公司搞死掉了。我们这个模型不会像其它大厂去买大语言模型的API。我们解决的是什么？
第一，在推理的时候，它一定要轻，只需一块3090显卡即可驱动，比ChatGPT更轻量级。
文心一言的推理消耗算力是很高的，很多客户可能受不了。所以明天（10日）我们发布了20亿和200亿两个参数的模型，我们优先发布20亿的。为什么发布20亿呢？使用的成本会低很多，大家可以感受一下一千多亿和20亿之间差异到底有多大。这个状态肯定有差异，但没有大家想象的那么大。在很多场景下，我们觉得够用了。我们希望当把算力控制在一张NVIDIA GeForce RTX 3090显卡时，就可以做到推理。这样的话，做私有化部署就OK，这是第一点。
第二点，我们会基于我们的大模型，在上面做一些工具，很方便用户来做定制。比如对我们的电商客户， 我只关心他们在使用这个业务时，这个大语言模型能不能给他提供比较好的业务支撑。
第三点，因为我们主要的客户是在中国。所以我们把对中文的表达和理解，作为我们一个特别重要的重心，也可以说在这一块我们是不输于国内的这些大厂的大模型的。
我们不少客户做电商，所以我们对于外语和中文之间互译这一块，也会看的很重，就是各种各样的语言的使用方面。当然每个模型都有这方面能力，我们就特殊地去加强他们。
元界：你对潜在两三年的市场走向有什么直观判断？井喷的时间节点会在何时出现？取决于什么？
成维忠：对我们来说是一以贯之的，因为我们本身做的就是3D技术，无非就是在渲染输出的时候，是以2D的图形、图像输出，还是3D输出，对公司的底层技术没有任何的影响。
基于这样一个认知，虚拟人到底什么时候会井喷，我觉得今年就会出现一个加速度。曾经有一个VC朋友，今年春季以后跟我说，今年不看虚拟人赛道，只看人工智能。显然他对虚拟人与人工智能的关系，理解有偏差。虚拟人不用人工智能，这个虚拟人将来咋落地？虚拟人本来就是XR+AI，AI的大发展，对虚拟人的落地本身就是一个巨大的助力。VE也抓投资热点，元宇宙火时，大家都做元宇宙。今年AI大热，大家都去做AI。很少有人冷静思考，元宇宙或者虚拟人跟AI之间的关系。
与发布会同步，我们会推一个产品叫虚拟助播。过去做虚拟电商，就是一个虚拟人在那讲，旁边不能有真人。旁边有真人，这个AI就够不着用。真人在讲话的时候，AI听不懂，两者之间无法做交互。今年大模型一出来，这个事情就靠谱了，与AI的多轮对话和实时交互不再是幻想。
我们将把这个作为我们的第一个应用场景，正正经经地让大家看到虚拟人和真人同屏互动，你说这是不是AI对虚拟人的一个推动？中国现在有多少做虚拟直播、电商直播的，对大家来说，只要不贵，用得起来，用一个呗，反正没啥坏处。
类似的例子其实非常多。没场景就无法爆发。如果这样的案例多了，我觉得明年或者后年就会迎来大爆发，一定会井喷。万一没有井喷，不是虚拟人的问题，是大模型出问题了，大家发现大语言模型没有想象的那么牛。当然，现在我觉得这个担忧是多余的。
每个时代都有属意于一个时代的创业家。是创业家用他们的印记，为时代留下生生不息的年轮。
俯仰之间，我们正在迎来一个全新的创业时代。我们坚信，无论元宇宙+，抑或AI+，都将“涌现”生机。
元界正在筹备开辟新栏目『元创家』系列访谈，聚焦新玩家、新势力。敬请关注，访谈沟通：18603851537。