大模型在机器视觉行业的落地路径
在大模型火之前，机器视觉是近 5 年来讲 AI、用 AI 最多且最频繁的行业。业内一些公司也靠 AI 赚到了真金白银。2023 年，GPT 横空出世，海量资金疯狂入场大模型赛道。但和 AI 纠缠了 5 年多的机器视觉行业，对大模型似乎没那么热情。
行业现状与挑战
行业很分散，应用很垂直，难通用。中小玩家众多，大模型对中小企业而言，就是奢侈品：一年的利润不够买一台 H100（小几百万）。短期看，大模型对行业的影响有限；但长期看（5-10 年），更聪明、更灵活、更通用的 AI，将给视觉行业带来巨大的变革。
大模型的本质
传统的神经网络 AI，仅参考人类大脑，构造了一个机器大脑，但学习过程没法参考人类的学习模式，仅针对少样本或特定样本进行学习。主要原因，是以前无法高效的输入足够多的有效信息、数据，且运算能力也不够强大。
近 10 年，随着互联网信息的海量爆发，以及硬件算力的持续增长，使高效获得足够多的有效信息，并进行大量运算成为可能。AI 科学家参考人脑的结构和学习过程，设计并训练神经网络，并获得了不错的结果。基于这种神经网络结构和海量数据学习的 AI，就是大模型。
一个婴儿从出生到 3 岁，眼睛从真实世界获取的影像约 3 亿张。人类大脑的学习过程，就是不断从外界摄入信息——视觉、听觉、触觉、味觉、运动感知等，不断学习，不断提高，从而成为一个'通用'的人。经过海量学习的人脑，其实就是一个成功的通用大模型。
大模型既参考人脑结构，还参考了人脑学习过程。大模型就像从大学毕业的学生，经过训练，具备了很多通用的技能，掌握了再学习的技巧，再进入陌生领域，只需要学习陌生领域的知识，即可成为一个合格的'打工人'。
为什么人类会担心大模型诞生出'自我意识'
大模型参考人类大脑结构和学习过程而来。神经网络有输入层、隐藏层和输出层。其中，隐藏层有很多层，这个层就是深度学习里的'深度'。这个隐藏层也是最让人类担忧的地方——人类知道怎么训练它：不断调整参数和试错，从而获得期望的结果。但人类还无法完全理解隐藏层内部的运作机制。
这些模型具有数千亿到上万亿的参数，其复杂性超出了人类直觉的范围。我们只知道 how，不知道 why。大模型的参数类比于人类大脑突触信号。GPT-4 据估计有 1.7 万亿个参数，而人类大脑有 100 万亿个突触。当 GPT-n 也有和大脑突触相同数量级的参数时，人工智能是否会产生自我意识？拭目以待。
作为应用者：你需要知道大模型这些特点
大模型是一种信息压缩工具
大模型是用数学上的高维来处理低维的信息（例如，1 维的文本数据，2 维的图像数据）。低维世界无法解决的海量信息间的关系、逻辑、差异、共性，在更高维度上，可被轻松的提炼、发现、总结和归纳出来。
宏观世界 0 维的点，在微观世界是 3 维的球；宏观世界 1 维的线，在微观世界是 3 维的绳；宏观世界 2 维的面，在微观世界是 3 维的砖。高维能发现更多的信息：提取共同的特征，发现信息间的关系和连接逻辑等。高维对低维世界的理解，可以说是一种透过现象看本质的能力。通过高维的压缩，低维海量的信息，就被'存储'到大模型里。据估计，一些大模型的信息压缩比约为 8:1。
垂直领域的落地需要二次学习
大模型要应用到视觉行业的细分领域、垂直应用，是需要针对该领域进行有针对性的学习和训练（喂应用数据和调参）——就像一个外行的人进入视觉行业，也需要先学习：了解行业的特点、客户的需求、产品的功能等。再好的大模型，没有学过对应的知识，在陌生领域也是小白。男怕干错行，女怕嫁错郎，大模型怕没有二次学习的直接使用。
与传统的也需要样本训练的 AI 相比，大模型有什么优势和不同？简单说来，就是大模型比传统 AI 更高、更快、更强、更灵活。
同样的应用：
- 传统的 AI，需要更多的样本训练，大模型需要较少的样本，甚至零样本（基于大模型是否已具备该应用所需的全部能力）。
- 传统的 AI，训练和部署周期常需要几个月；大模型的训练和部署，可以更快，几周，甚至几天。
- 传统的 AI，泛化能力较弱，当遇到与样本差异较大的数据时，处理结果不是很理想；而大模型的泛化能力较强，对与样本差异较大的数据，处理准确性更高。
细分领域大模型可以小型化、精简化
越通用的大模型，其训练和使用所需要的资源也越多。对于一个垂直应用而言，把一个训练好的大模型不做裁剪拿来就用，会导致超高的成本、效用也很低。幸好，一个训练好的大模型是可以裁剪的。这就是目前行业里所说的大模型小型化，或小的大模型。
以驾驶和做菜技能为例来说明。驾驶和做菜，二者都需要具备对手的控制能力，但驾驶不需要知道什么是鸡蛋，什么是西红柿；做菜不需要识别红绿灯。
- 对手的控制，是驾驶和做菜应用都需要的能力，2 个应用上都保留。
- 识别鸡蛋和西红柿的能力，在做菜应用上保留，在驾驶应用上删除。
- 识别红绿灯的能力，在驾驶应用上保留，在做菜应用上删除。
越细分、越垂直的应用，其大模型越能小型化，低成本化。目前，业界已经有嵌入式的小的大模型方案面世，就是针对机器视觉这类碎片、垂直类应用。
