观察者网：物联网能采集到的信息，模态是非常丰富的，有物理上的声、光、热、电信息，还有各种化学、生物、地理信息。因为我们生活的场景本身就是多模态的环境。过去AI只能解决一些标准化的问题，比如人和车的识别。而通过大模型，这些沉睡的多模态数据如果盘活，是否意味着，未来更多复杂业务都有可能落地实现了？能设想几个过去还难以想象的案例吗？

李聪廷：我觉得未来肯定会有一些复杂的业务会被实现。例如，GPT-4举的例子非常典型，它可以理解“VGA端子插入手机充电口的笑话”，这在过去是无法做到的。我们可以通过大量的训练学习，识别VGA端子、识别手机，但我们很难具有“VGA不能插入手机”这样的常识。大模型的理解力非常惊人，意味着过去一些技术难以实现的需求，可能被实现。

多模态，引入更多信息，这些信息的引入，在过去大部分时候是无效的，准确的说，是“无力”。因为过去，AI无法理解视频中的内容，只是对视频中的人和车的检测识别，更不用说多模态的理解应用了。举个例子，跌倒检测，躺在地上的人，和靠墙站的人，在相机画面中，通过人本身是很难区分的。他们都是头朝上，脚朝下。但引入大模型技术后，我们可以通过结合判断周围环境如桌椅的摆放等，区分人是躺在地上还是靠墙站。多模态引入更多信息，意味这将来能实现更复杂的AI需求，精度更高。

观察者网：因为各种安全和隐私保密限制，物联网数据不像互联网数据那样容易公开获取，要唤醒沉睡的行业数据，让越来越多的公司张开怀抱去拥抱人工智能，目前在顶层设计上还要解决哪些问题？

李聪廷：首先，合法合规是所有商业和产品落地的前提。顶层设计上，国家、国际上都出台了相应的数据安全保护法律。

第二，数据隐私是有分级的，像人、车牌等信息是高度涉密的，厂商不能轻易获取、留存。但有一些数据，如行为动作类、物体识别类、缺陷检测了，在经过合规评估后，是可以进行使用和训练学习的。

第三，我们前面提到的梧桐行业大模型，他本身是开放能力的。对于设计安全和隐私的场景，我们会交给客户自己去定义算法，数据在客户自己手上，我们只是提供能力。

观察者网：物联网的另一个特点是边缘的算力有限制，计算放在云端又有时延，这会制约AIoT+多模态大模型吗？最后会撮合出不那么大，但更适合行业的“大模型”吗？

李聪廷：现阶段，云边端都有大量AI落地，分工上，普通的AI任务在边和端落地为主，这样做更经济；一些复杂的AI任务在数据中心侧落地。

AIoT行业目前大多数AI应用的时延在可接受范围内。随着AI算力的提升，时延会越来越小。

AIGC大模型一开始在数据中心侧落地为主，加上本身计算量比较大，一定程度上会加大这个时延。这个时延大部分场景是可接受的，毕竟不是自动驾驶这类对时延极其敏感的场景。

另一方面，行业大模型的参数量没有通用大模型的参数量那么大，在边缘侧的部署应该很快就会到来。时延会比数据中心侧进一步降低一些。

总的来说，时延在AIoT行业应用，绝大多数场景，不是关键问题。

观察者网：您预计一下边侧是要全部升级改造吗？

李聪廷：从长线看，一定会升级，全部换代掉。但周期不是一蹴而就的，因为AIoT行业是比较碎片化的，它的款型都是有几千款甚至上万款，这个周期我觉得会非常像上一个12年到22年这样的10年周期，像深度学习对行业的第一次变革那样。预计10年后，几乎所有的AIoT产品都或多或少用了AIGC行业大模型的能力或技术。

观察者网：现在各家都在宣传模型的参数量，特别是语言模型，从AIoT行业的应用落地看，模型的参数量是越大越好吗？

李聪廷：这需要结合场景和应用来看。传统的人、机、非检测识别，周界类行为分析，小模型已经做的非常成熟了，够用了，短期内使用大模型必要性不大。对于其它长尾AI需求，大模型很有意义。但大模型也不是参数量越大越好，AIoT行业用自己的行业大模型就好了，参数量几十亿规模，不需要通用大模型动辄上千亿参数规模。最终，还是效果为王，不是参数量越大越好。另外，产业落地，成本始终是一个重要因素，要结合成本去定义产品和应用。

观察者网：如果你们去选不同的大模型底座，去接入，那么你们会用什么角度来评判和选择？

李聪廷：结果说话、实验数据说话。现在的“千模大战”，整个环境比较乱，大家很难看清真相。原创的通用大模型主要还是掌握在少量的科技巨头手里，前面也提到，算力、算法和数据的门槛很高，绝大多数企业无法企及。因此，也有不少企业是做行业大模型，构建在通用大模型之上。宇视是AIoT行业最早提出并发布行业大模型的厂商。当然，也有一些可能是基于插件或开源模型做应用的。不管哪种模式，最终都是以谁能提供最优的产品和服务，谁能最先落地为考量项。

观察者网：在AI的应用落地中，容错率是一个关键考量。车辆识别假如说我们做到99%的正确率可以接受，技术上也能成立，那么落地就比较容易。AI帮我们听写一篇文章，再生成大纲，可能80%的正确率用户就比较能接受，而在80%这一档的潜在应用可能不少，许多事情能够替代最繁琐机械的一部分，用户可能会接受20%的错误率，因为检查出这些错误额外投入的精力依然是划算的。而80%在技术上会大大增加可行性。互联网的思维一直是找到更多这样的应用场景，让技术先用起来，在使用中迭代改善体验，但物联网的容错率一直是很严苛的，很难用这种思路落地。AIGC+AIoT产生的新生态，能改变这种局面吗？

李聪廷：很好的问题。精度越高越好，这个没问题。但并不意味着，只有99%甚至更高的精度才能落地、才能商业化。很多场景，AI作为人工的辅助工具、效率的提升工具，也是很有意义，也可以商业变现。特别在我们这个AIoT行业，很多场景对精度的要求没有那么高，不像自动驾驶应用那么的苛刻。当然，精度太低也不行，那就不是效率提升工具，而是一个制造麻烦的工具。

技术提升，一是效率提升，二是创造更多商业机会。回顾车牌识别应用，早期在交通违法上应用，哪怕只有30%的违法捕获率，对交警人工现场执法来说也是巨大的效率提升。后来，园区和商场出入口得到应用，识别率98%，已经很高了，但是仍然离不开人工，因为每100辆车就有2辆车需要人工处理异常。而今天，识别率已经可以做到99.9%，很多出入口场景已经是无人值守了，偶尔几起异常通过远程呼叫可以解决。这是效率提升。从商业机会来说，以前没有出入口产品、解决方案、配套运维、服务等，是因为AI车牌识别这个工具的出现，创造了这个市场。

AIGC大模型技术也不例外，工具的提升，带来效率的提升，进而创造更多的商机。

本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。