彭昭：如果转变为Maas的模式，如何判断各种模型的好坏呢？

梁家恩：其实最终都要从结果来评判的，ChatGPT比较好的一点就在于它其实在隐藏了中间的理解问题，用户不需要关心模型中间的“意图理解”环节，也不需要显式做句法分析、语义理解等动作，只要看看ChatGPT最终给用户的反馈质量如何就可以。就像图灵测试一样，只要人类无法判断是真人还是机器在回应，就是足够智能。如果单独处理“语义理解”任务，过去像BERT这种模型，要比GPT模型做得更好，因为它使用了双向注意力机制，但BERT架构没法直接形成直观的高质量回复，所以让非技术用户感知到。

彭昭：如果以数据为中心的话，掌握大量数据的企业会有很强的竞争优势吗？

梁家恩：不论是过去的传统算法，还是现在的机器学习算法，数据都已经变得非常重要，很多公司本质上也已经变成了数据公司。只要有很多的数据沉淀下来，模型就可以变得足够聪明，只不过此前使用传统的统计学习方法去挖掘这种能力，而现在是用深度学习和大模型的方法去挖掘，精度和能力也就越来越强。

彭昭：相比于其它行业来说，医疗领域对安全的要求更高甚至不容出错，云知声是如何在医疗行业大模型中满足近乎严苛的要求，从而让模型输出的结果更专业、更可信的？

梁家恩：云知声之所以把医疗作为一个主要方向，是因为医疗行业的知识密集程度非常高，如果在医疗领域的问题都能够处理好，相信很多其他行业也都能搞定，这对我们来说是一个技术的制高点，所以需要攻克它。另外，医疗行业的应用场景、应用空间包括社会价值也都很大。

在数据安全性方面，特别是有些涉及到用户的隐私数据，要求都是很高的，最难的就是真实的用户治疗案例，都必须经过数据的脱敏处理。另外，在我们和医院的合作过程中，也会把数据做相应的加密和tokenization，即把数据符号化，只有机器能够知道解码后的含义。在算法方面，现在的联邦学习也可以把各种特征融合后再去计算，使得不接触初始敏感信息的情况下，还可以继续优化模型。

彭昭：OpenAI的CEO也在积极的做一些生态投资的布局，云知声会不会担心OpenAI投资医疗赛道？

梁家恩：我觉得不论是教育还是医疗，这些行业其实都事关国计民生，所以这里面中国一定要有自己独立的解决方案，如果他愿意投资这方面的企业，在国内来看，我相信云知声是很好的标的。过去我们已经有很多行业已经遭受到所谓卡脖子的问题，在这个领域我们肯定不会让它成为一个新的卡脖子问题。

彭昭：云知声是以语音识别技术起家的，从2012年至今积累了大量相关经验，早期的这些技术积累对于云知声推出行业大模型有怎样的帮助？

梁家恩：当时起“云知声”这个名字的时候，我们就不仅仅停留在声音领域了，声音只是我们的一个切入点，我们更希望有一个云端大脑，有强大的认知能力，能够通过声音的交互去解决问题。

2012年时，我们开始布局“三驾马车”，到2016年AlphaGo开始兴起的时候，我们就已经开始布局底层的大规模计算能力，也就是Atlas超算平台。在此之上，我们还拓展了知识图谱和认知技术体系，从而形成一个全栈的技术体系。现在拓展到的大模型对我们来说只是一个算法框架的升级。类似过去用BERT主要是解决判别式问题的，那现在就把它切换成GPT的生成式框架，而BERT实际上是Transformer的编码器部分，GPT则是Transformer的解码器部分，算法改变对我们没有本质的挑战，我们也已经具备训练大模型的基础架构。除了算法和算力支撑，在行业问题认知和数据积累方面，也让我们充满信心。包括物联网和医疗领域，我们理解这些行业业务的核心问题，也有相关的数据积累，我们是非常有信心能把这个大模型做好的。

其实从ChatGPT的算法原理来说，早就已经有了， OpenAI最重要的是率先把产品做了出来，从而形成一个工程闭环。另外，大家对OpenAI的容忍度是远远高于Google的，如果OpenAI之前犯的那些错误Google同样犯的话，我估计后果是完全不一样的，所以不能说OpenAI在技术上是一骑绝尘的，像Google内部也有DeepMind在研究AGI，相关储备也已经非常充足。

在过去算法、算力和数据积累基础上，对我们来说就是把过去以BERT为核心的技术架构升级成以ChatGPT为核心的技术框架，这样的好处就在于可以用生成式AI把理解和生成打通，性能体验、灵活性、扩展性会强很多。