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、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'。
- GPT，就是世界顶级名校培养出来的学生，最聪明，最好用，最高效。
- 国内大模型，就是国内各顶级名校培养出来的学生，在国内最聪明、最好用、最高效。
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—人类知道怎么训练他：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
大模型可以看作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。
大模型在垂直领域的落地，是需要二次学习的，不能拿来就用
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。
针对细分领域、垂直应用，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。
算力、模型，都可以服务形式提供，算力 as a Service, 模型 as a Service
对中小企业而言，成本，是大模型能否用起来的核心考量因素。中小企业不需要自己训练通用的大模型，但需要基于行业数据，在某类大模型上，训练行业专精大（小）模型。
基于垂直应用复杂度的不同，可以有多种模式选择：
-
租用政府或大型事业单位提供的算力和模型平台，进行专用大模型的训练。 已经有多个地市政府在建设这类可对外出租硬件、算力和大模型的平台。要不了多久，为企业提供大模型租用服务，或将成为地方政府招商引资的标配。
-
与中大型 AI 公司合作，训练模型。 对于一些大行业，这类公司会先基于行业训练一个行业通用的大模型。中小公司，可在这类行业大模型上，裁剪训练自己的场景化的小模型，以确保模型应用的最优化。
-
自建算力平台，训练模型。 应用越细分，需要的模型越简单，所需的算力也就越少。在一些很小的行业，或很细分的领域，这种模式是可行的。
大模型能升级吗？
就目前的大模型进展而言，大模型是不能升级的，只能替换。
大模型是基于海量数据训练，对神经网络的'神秘'改造而来。AI 科学家都还弄不清大模型的机制，何谈升级呢？
对于垂直应用而言，基于 1.0 版本大模型训练出来的专用模型 1.1，可以在 1.1 基础上继续训练、调参，获得更优的 1.2, 1.3 等版本。但如果要将可能更好的 2.0 版本大模型用于垂直应用上，以达到更好的效果，则需要在 2.0 版本大模型上，重新训练一遍，获得专用模型 2.1、2.2。
不同代际大模型，不能升级，不能 OTA，只能替换和重新训练，是大模型落地所必须面对的一个挑战。
机器人行业那么卷，具身智能会让机器人行业焕发第二春吗？
什么是具身智能？
像人一样能与环境交互感知，自主规划、决策、行动、执行能力的机器人，可称之为'具身智能机器人'。它的实现包含了人工智能领域内诸多的技术，例如计算机视觉、自然语言处理、机器人学等。用通俗点的话来说，具身智能，就是通用机器人。
机器人和机器视觉，是 2 个交叉的行业，视觉系统为机器人提供基础的感知，机器人大脑基于感知，控制机器人完成各类动作。大模型出现以前的机器人方向，重点放在了运动控制，波士顿动力的机器狗，是其极致代表。但因为对外部世界的感知和处理不够智能和灵活，机器狗的商用落地进展缓慢。机器人行业，主要还是聚焦在各个细分领域，让机器人执行比较单一的任务和动作，可快速商用落地。
大模型出来后，业界看到了机器人具备'通用智能'的可能。机器人拥有一个聪明的大脑，能够听懂人类语言，然后，分解任务，规划子任务，移动中识别物体，与环境交互，最终完成相应任务。国外，有机构用三个大模型（视觉导航模型、大型语言模型、视觉语言模型）教会了机器人在不看地图的情况下按照语言指令到达目的地。
Tesla 和 Agility 的人形机器人，都是具身智能的探索方向—在限定场景下的具身智能，已经有较大希望商用落地。
总结
大模型为机器视觉及机器人行业带来了新的机遇与挑战。虽然短期内受限于成本和算力门槛，但长期来看，其通用性和灵活性将推动行业智能化升级。企业应根据自身规模选择合适的落地模式，如租用算力平台或与大厂合作，同时做好模型二次训练和迭代更新的准备。随着具身智能的发展，大模型有望赋予机器人更强的感知与决策能力，开启通用机器人的商用新篇章。
