在大模型技术发展浪潮中，Scaling Law（尺度定律）曾是业界遵循的重要法则。然而，知名科技媒体《The Information》报道称 OpenAI 下一代旗舰模型Orion训练效果或远不及预期，与 GPT-4 相比，Orion 性能提升也许微乎其微。这引发了业界对大模型技术发展路径的深度思考：Scaling Law是不是大模型的唯一方向？
基于Scaling Law的大模型落地面临重大瓶颈。一方面，大模型成本高昂且技术同质化严重。同时，如何让大模型有效学习客户数据并成为客户业务领域专家，是一个挑战。若将数据提供给大模型服务商进行训练，数据安全难以保障；若企业自行训练，不仅算力和人才成本高，而且微调模式还可能削弱大模型通用能力。另一方面，采用基于向量检索的模式难以保障输出结果的准确性。
11月14日，CSDN全球机器学习技术大会上，传神语联网网络科技股份有限公司董事长何恩培先生发表了《基于双网络架构数推分离大模型的探索与实践》主题演讲，并提出：大模型正在从Scaling Law时代进入“实时学习”时代，回答大模型沿着什么样的技术路径能满足客户应用落地、为技术探索开辟新的思路，引发了与会专家们的热烈讨论。
双网络架构实现数推分离
走出技术沙漠
在Scaling Law指引下，大模型厂商为提升模型能力，不断扩大预训练数据、训练算力并扩大模型参数规模。但其背后争议在于资源需求庞大，如GPT-4已使用约2万多张显卡，未来模型算力需求可能达数十万甚至上百万张显卡，引发对资源消耗的担忧，也带来过高的探索成本。
面对技术路线问题，何恩培认为，Scaling Law曾在过去为人工智能发展立下汗马功劳，但单纯依赖它进行集中式暴力训练已显露诸多弊端。大模型追求的是“聪明”，在实际场景中发挥作用，而非参数越来越大。因此，集中式预训练模式值得重新审视，实时学习和训练模式更具探索价值。
实际上，在大模型的三要素中，算法占主导地位，它决定训练数据规模和训练算力消耗，算法的同质化必然导致数据规模和训练算力的同质化，最终造成输出能力的趋同。
因此大模型在相同参数下，如果模型的算法和架构更先进，则需要的训练算力越小，训练数据也越少，且不影响模型的能力，甚至在部分指标上可以超越常规架构大参数的模型。相比之下这种采用高效算法和架构的小参数模型更适合商业落地，而且也可以满足通用场景的需求。
传神的任度大模型走了一条算法突破之路，以双网络架构实现数推分离，将推理网络与数据学习网络分离，走出了技术沙漠。
企业数据学习网络如同人类左脑，专注于数据的动态管理与迭代训练，持续为模型注入知识养分；推理网络则如同人类右脑，作为经大量数据预训练的基础网络，具备不错的推理和泛化能力。双网络协同工作显著降低了训练算力成本，有效避免微调训练造成的基座模型能力退化和泛化能力减弱等问题。数据学习网络可以让数据不出域，在企业现场学习历史数据和业务运营中的新数据，解除了企业对数据安全的担忧。
何恩培将数据训练过程类比于人类的知识学习，任度采用了数推分离技术架构，在预训练阶段仅需要适量训练数据，正如人类通过阅读几百本书就能获得一定的智慧。
同时，数推分离的双网络架构突破了常规大模型技术架构限制，上下文输入长度不受限，可将1亿字数据压缩到神经网络中实现深度知识理解。任度大模型可以大大降低训练和推理的硬件投入成本，实现极为接近实时的数据学习效果，哪怕企业只有极少量数据更新，也能快速上传并完成数据压缩。
在数推分离模式下，更新数据的网络压缩对推理网络影响微乎其微，能广泛适应各种场景，灵活处理各类数据操作，训练时间可缩短至分钟级。
全栈根原创
实现0开源依赖
任度大模型的数推分离双网络架构，最大的意义在于，从底层算法框架到上层应用都是全技术栈自主研发的成果，未使用任何开源代码和框架。
“我们自主研发了机器学习算法框架和模型架构，这使得我们的任何想法和创新都可以不受限制地去实践，让任度大模型具备实时学习客户数据的能力。在国内外，能做到这一点的企业为数不多。”何恩培强调。
任度大模型目前拥有2.1B和9B两个版本，其中多模态9B参数版本在全球评测中，已跻身全球大模型行业第一梯队。在多项国内外评测中，任度9B模型与百亿千亿参数大模型的对比中脱颖而出，以更少参数实现领先性能。同时，2.1B参数版本在2024年9月的MMLU评估中，综合评分超越了Gemma-7B、LLaMA2-34B等知名大模型，性参比更是超越了包括GPT-4o、Phi-3、Qwen2-7B、Llama3.1等国际顶尖大模型，以小参数实现了与百亿、千亿级别模型相媲美的性能。
任度大模型在训练与推理过程中的算力成本显著降低，仅为同等大型模型的1/5—1/10以及1/2—1/4。在所有评测中，性能参比（大模型能力分数/大模型参数）几乎全部处在前列，大部分是第一。
“双脑”大模型一体机
一小时成为专属业务专家
目前，双网络架构的数推分离大模型已应用在任度“双脑”大模型一体机中，即将投放市场，解决大模型落地痛点。
何恩培表示，数推分离的双脑模式，解决了企业数据离场训练、向量效果有限以及人才投入高等难题，实现本地实时学习，一小时就能成为专属业务专家。企业数据在本地训练，无需上传至公有云，保障了数据隐私安全。根原创和高性参比，解决了企业在应用大模型中的高硬件投入、高能耗以及技术安全和软件漏洞等顾虑。
预训练之后的模型如何实现少量数据实时学习和训练模式，是全球大模型领域都在苦苦探索的课题。任度大模型独辟蹊径，何恩培坦言：“我们侥幸走通了这条路。我们没有从主流大模型发展遇到的问题中寻找突破机会，而是从公司诞生起就走在这条路上，走了20多年，也曾感到孤独和不自信，但看到大家都向这个方向走来，才确信自己走的没错，直到我们大模型评测进入第一梯队，才知道我们的技术路线也不差。”
