每一次技術(shù)風(fēng)口，在掀起浪潮的同時(shí)也伴生著泡沫，盡管這輪GenAI革命無(wú)疑是一次深刻改變?nèi)祟愇拿鬟M(jìn)程的革命，但過去一年，關(guān)于AI, 有太多荒謬不實(shí)、不負(fù)責(zé)任的雜音，也有太多為技術(shù)而技術(shù)的錯(cuò)誤應(yīng)用范式。

近日，昆侖巢聯(lián)合各路AI領(lǐng)域大咖和組織機(jī)構(gòu)，舉辦首期人工智能應(yīng)用實(shí)踐討論專場(chǎng)，打造了一場(chǎng)圍繞AI應(yīng)用的線上思辨對(duì)談，旨在促進(jìn)AI行業(yè)的深入思考和建設(shè)性對(duì)話。云知聲算法研發(fā)總監(jiān)王亦寧應(yīng)邀出席活動(dòng)并帶來(lái)主題為《基于山海大模型的領(lǐng)域級(jí)RAG技術(shù)探索及其實(shí)踐》的深度演講。

現(xiàn)場(chǎng)，王亦寧結(jié)合其在人工智能領(lǐng)域的豐富經(jīng)驗(yàn)，深入剖析了RAG技術(shù)在大模型中的關(guān)鍵作用，并基于山海大模型的構(gòu)建與實(shí)際落地探索，分享了山海大模型的企業(yè)級(jí)優(yōu)化策略，為與會(huì)者提供了實(shí)現(xiàn)技術(shù)深度融合與價(jià)值最大化的前瞻性洞見。

以下為分享精華，我們做了整理，謹(jǐn)供學(xué)習(xí)：

PART 1

RAG：山海大模型的創(chuàng)新應(yīng)用與實(shí)踐探索

當(dāng)前，大語(yǔ)言模型應(yīng)用主要面臨私有部署難、幻覺問題、安全合規(guī)以及知識(shí)更新局限性等問題。正是在這樣的背景下，檢索增強(qiáng)生成技術(shù)（Retrieval-Augmented Generation，RAG）應(yīng)時(shí)而生，成為大模型時(shí)代的一大趨勢(shì)。

RAG是指檢索增強(qiáng)生成（Retrieval Augmented Generation ）技術(shù)，其在大語(yǔ)言模型生成答案之前，先從廣泛的文檔數(shù)據(jù)庫(kù)中檢索相關(guān)信息，然后利用這些信息來(lái)引導(dǎo)生成過程，極大地提升了內(nèi)容的準(zhǔn)確性和相關(guān)性。

盡管RAG技術(shù)在提升語(yǔ)言模型的復(fù)雜查詢處理能力方面具有顯著優(yōu)勢(shì)，但在實(shí)際應(yīng)用中仍面臨一些關(guān)鍵挑戰(zhàn)。這些挑戰(zhàn)包括保持語(yǔ)義連貫性、過濾無(wú)關(guān)信息、處理口語(yǔ)化表達(dá)、避免生成錯(cuò)誤信息以及減少干擾等。王亦寧強(qiáng)調(diào)，解決這些問題對(duì)于提升RAG性能和應(yīng)用范圍至關(guān)重要。

會(huì)上，王亦寧向與會(huì)觀眾展示了RAG技術(shù)如何與大模型結(jié)合，以強(qiáng)化其在特定領(lǐng)域的應(yīng)用效能。具體來(lái)說，首先通過口語(yǔ)改寫和Query優(yōu)化，精確捕捉用戶意圖。隨后，利用向量化技術(shù)在向量數(shù)據(jù)庫(kù)中高效檢索相關(guān)信息，并通過多路召回策略全面搜集數(shù)據(jù)，過濾噪聲。在生成階段，采用關(guān)鍵信息抽取和Prompt工程技術(shù)，確保回答的準(zhǔn)確性和相關(guān)性，避免錯(cuò)誤信息的產(chǎn)生。最后，嚴(yán)格的問答校驗(yàn)流程，保證了輸出回答的高質(zhì)量，確保為用戶提供更可靠的內(nèi)容。

整體而言，RAG技術(shù)的應(yīng)用，幫助山海大模型打造了一個(gè)高效、準(zhǔn)確的問答系統(tǒng)，有效緩解了幻覺問題，提高了知識(shí)更新的速度，并增強(qiáng)了內(nèi)容生成的可追溯性，使得大語(yǔ)言模型在實(shí)際應(yīng)用中變得更加實(shí)用和可信。

為了具體展示RAG在山海大模型中的應(yīng)用，王亦寧以工業(yè)問答為例，向與會(huì)嘉賓生動(dòng)展示了如何利用山海模型進(jìn)行高效的Query Answer Retrieval。通過基于Copy機(jī)制的RAG、Query改寫、檢索精排、候選結(jié)果過濾、關(guān)鍵信息抽取和片段校驗(yàn)等技術(shù)，山海RAG技術(shù)方案在增強(qiáng)大模型回答質(zhì)量的同時(shí)，更確保了在不確定性情況下的可靠性，使得大模型在特定領(lǐng)域的應(yīng)用更加精準(zhǔn)、高效和可信。

PART 2

打造企業(yè)級(jí)應(yīng)用范式，山海的六大優(yōu)化實(shí)踐路徑

演講后半段，王亦寧分享了山海大模型在企業(yè)級(jí)應(yīng)用中的優(yōu)化實(shí)踐，包含預(yù)訓(xùn)練、指令微調(diào)、對(duì)齊、Agent、解碼策略、提示工程六大策略。

預(yù)訓(xùn)練：

利用行業(yè)特定的語(yǔ)料庫(kù)對(duì)模型進(jìn)行進(jìn)一步的預(yù)訓(xùn)練，使其能夠更好地理解和適應(yīng)特定行業(yè)的術(shù)語(yǔ)、概念和上下文。在醫(yī)療行業(yè)語(yǔ)料庫(kù)的加持下，山海大模型于2023年6月的MedQA任務(wù)中超越Med-PaLM 2，取得87.1%的優(yōu)異成績(jī)；在臨床執(zhí)業(yè)醫(yī)師資格考試中提升至523（總分600分），超過99%的考生水平。

指令微調(diào)：

在企業(yè)級(jí)應(yīng)用中，云知聲采用了一系列微調(diào)策略以提升其大模型的性能——全量SFT通過大規(guī)模標(biāo)注數(shù)據(jù)集對(duì)模型進(jìn)行全面訓(xùn)練，以確保模型在特定任務(wù)上達(dá)到最優(yōu)表現(xiàn)；LoRA和QLoRA技術(shù)通過引入低秩結(jié)構(gòu)和量化方法，高效調(diào)整模型參數(shù)，使模型能夠快速適應(yīng)新任務(wù)，同時(shí)降低資源消耗；P-Tuning策略則專注于優(yōu)化模型的特定部分，以增強(qiáng)模型對(duì)新數(shù)據(jù)的適應(yīng)性；Adaptor技術(shù)通過在模型主體之外添加小型適配器網(wǎng)絡(luò)，使模型能夠在保持原有結(jié)構(gòu)的同時(shí)，學(xué)習(xí)并適應(yīng)新任務(wù)的特征。這些策略的綜合應(yīng)用，使得山海大模型在保持預(yù)訓(xùn)練優(yōu)勢(shì)的基礎(chǔ)上，能夠精準(zhǔn)滿足企業(yè)級(jí)應(yīng)用的多樣化需求。

對(duì)齊：

為確保大模型的輸出與用戶需求和偏好保持一致，云知聲在大模型的企業(yè)級(jí)優(yōu)化過程中采用了RLHF、RLAIF、DPO三大對(duì)齊策略——RLHF通過分析用戶的直接反饋，使用強(qiáng)化學(xué)習(xí)來(lái)優(yōu)化模型行為，使其生成的答復(fù)更加精準(zhǔn)和符合期望；RLAIF進(jìn)一步通過逆向獎(jiǎng)勵(lì)機(jī)制增強(qiáng)模型的學(xué)習(xí)能力，鼓勵(lì)生成高質(zhì)量答案并避免不相關(guān)輸出；DPO則直接針對(duì)用戶偏好進(jìn)行優(yōu)化，通過比較不同輸出樣本來(lái)提升模型輸出的滿意度。這些策略的結(jié)合不僅提升了模型的響應(yīng)質(zhì)量，還增強(qiáng)了模型適應(yīng)不同用戶需求的能力，從而在企業(yè)級(jí)應(yīng)用中實(shí)現(xiàn)更加個(gè)性化和更高效的服務(wù)。

Agent：

山海大模型通過一系列Agent創(chuàng)新策略，顯著提升了企業(yè)級(jí)應(yīng)用的效能。Web搜索增強(qiáng)賦予了Agent實(shí)時(shí)訪問互聯(lián)網(wǎng)信息的能力，確保答復(fù)的時(shí)效性和準(zhǔn)確性；外部檢索增強(qiáng)則讓Agent深入挖掘企業(yè)內(nèi)部知識(shí)庫(kù)，提供專業(yè)且深入的答復(fù)；ToolLLM進(jìn)一步擴(kuò)展了Agent的功能，集成了多種輔助工具，使得語(yǔ)言模型能夠執(zhí)行更復(fù)雜的任務(wù)。

解碼策略：

解碼策略是優(yōu)化語(yǔ)言模型輸出的關(guān)鍵環(huán)節(jié)，涉及多種技術(shù)以適應(yīng)不同的應(yīng)用需求。Greedy Search以其簡(jiǎn)潔性快速選擇最可能的詞，而Beam Search通過考慮多個(gè)最可能的序列來(lái)增加找到最優(yōu)解的幾率。Top-k采樣通過限制詞的選擇范圍來(lái)平衡結(jié)果的多樣性和準(zhǔn)確性。Copy Mechanism允許模型復(fù)制輸入中的短語(yǔ)，以提高回答的準(zhǔn)確性。Restricted Decoding確保輸出內(nèi)容的適當(dāng)性，而推測(cè)性解碼Speculative Decoding允許模型生成基于假設(shè)的答案，適用于需要?jiǎng)?chuàng)造性的場(chǎng)景。這些策略的綜合應(yīng)用，使得語(yǔ)言模型能夠靈活地處理各種復(fù)雜的查詢，提供高質(zhì)量、多樣化且符合用戶需求的回答。

提示工程：

提示工程提升了模型對(duì)任務(wù)的理解和生成文本的準(zhǔn)確性，是提高語(yǔ)言模型在各種應(yīng)用場(chǎng)景中表現(xiàn)的關(guān)鍵。它包括利用上下文學(xué)習(xí)（In-context Learning）為模型提供豐富的背景信息，使其能夠基于少量示例快速適應(yīng)新任務(wù)；構(gòu)建思維鏈（Chain of Thought）和思維樹（Thought Trees）以模擬逐步的邏輯推理過程，增強(qiáng)模型解決復(fù)雜問題的能力；以及確保自我一致性（Self-consistency），使模型輸出在邏輯上連貫無(wú)矛盾。

此外，云知聲UniDataOps框架通過其綜合性的數(shù)據(jù)處理能力，為大型語(yǔ)言模型的訓(xùn)練和微調(diào)提供了一個(gè)強(qiáng)大、可靠的數(shù)據(jù)基礎(chǔ)，從而顯著提升企業(yè)級(jí)大模型應(yīng)用的性能和效果。

演講的尾聲，王亦寧對(duì)未來(lái)人工智能技術(shù)的發(fā)展前景表達(dá)了積極樂觀的態(tài)度，他表示，云知聲期望通過深化對(duì)復(fù)雜文本數(shù)據(jù)的分析和格式處理，提升對(duì)視覺信息的解讀能力，并實(shí)現(xiàn)基于圖像的內(nèi)容問答功能，從而拓展AI在多模態(tài)交互和智能理解方面的可能性，為用戶帶來(lái)更加多樣化和個(gè)性化的應(yīng)用體驗(yàn)。