ChatGPT开启大模型时代 Linux式生态未来可期

作者 | 李梅

编辑 | 岑峰

历史总在重演相似的剧本：一种产品的横空出世，能将一项深奥的技术从实验室和极客圈层中拽出来，推向普罗大众的日常生活。网景浏览器之于互联网，iPhone之于移动通信，莫不如此。

如今，这个角色轮到了ChatGPT。它点燃了全球对人工智能的热情，但其意义远不止一个聊天机器人。《财富》杂志的洞察很精准：它们都是一个庞大生态体系的开端。ChatGPT的背后是AI大模型，而智能时代的未来图景，绝不会仅仅是大模型本身，它将由整个大模型生态体系来描绘。

北京智源人工智能研究院院长黄铁军对此有一个鲜明的判断：过去那种集中资源“炼”单个大模型的状态并非常态。人工智能的未来服务，更可能依托于一种公共的“智力”基础设施，而非少数几个封闭的模型。他预测，未来大模型或许会很多，但能够提供数据、训练、治理等全套服务的核心生态体系，可能不会超过三个。

构建这样的生态体系，显然非一家企业之力所能及，需要产学研更广泛的协作。黄铁军强调，智能时代呼唤的是“真开源”——不是受某家商业公司主导的开源，而是像Linux和RISC-V那样，由社区共同驱动、真正开放的开源生态。

这几乎是一条必由之路。为了加速这一进程，智源研究院在近期发布了FlagOpen（飞智）大模型技术开源体系。一个目标，是打造大模型领域的“Linux”。

智源研究院院长 黄铁军

ChatGPT 水面之下：回归技术理性

爱迪生当年在曼哈顿点亮一个街区，证明了集中供电的可行性。OpenAI推出ChatGPT，某种程度上也起到了类似的“局部验证”作用。惊叹过后，国内众多力量纷纷投身于打造“中国版ChatGPT”，这好比各自搭建小型发电网络。

然而，距离大模型像电力一样成为稳定、普惠的基础服务，还有很长的路要走。是时候从商业化的喧嚣中冷静下来，回归技术理性了。必须看到，ChatGPT这个产品只是露出水面的冰山一角，其下隐藏的才是大模型赖以生存的庞大底层技术体系。

当前局面存在两个核心挑战。其一，商业模式尚在摸索，许多布局更多是战略“占位”。真正具备扎实技术积累的玩家仍是少数。在算力稀缺、总资源有限的前提下，如果仅是资本驱动的重复投入，可能导致巨大浪费，反而拖累整体技术进步。

其二，技术路线远未定型。今天的大模型虽然参数庞大，但未来架构与算法会如何演进？如何解释其“涌现”能力？怎样提升高级认知水平？这些都是悬而未决的开放问题。

这不仅是科学探索，也是工程命题。产业化过程中，如何用更低的计算成本、更高的智能水平来提供AI服务，是需要长期攻坚的方向。就像有了发电厂，还得持续研究如何提升发电效率、优化输配电网络。

那么，中国是否必须复刻一个ChatGPT？仓促回应或许不如前瞻布局。更关键的问题是：如何驱动整个大模型产业生态，催生出更多突破性的AI应用？

“大模型只是冰山一角，我们要在大模型磅礴的大生态中找准自己的历史性位置。”黄铁军指出，大模型本身是一种中间状态，是特定技术路径下的产物，而非终极服务形态。未来的理想形态，应是以大模型为技术核心、能够提供全天候服务的智能运营系统。

类比今天的通信网络，最终的服务运营商可能屈指可数，但由此衍生出的产业链和商业机会将无比广阔。从技术出发构建生态，需要协作的土壤。让不同的技术创新在一个开源开放的体系下展示、评估与迭代，远比闭门造车更有生命力。

智源联合产学研力量建立FlagOpen开源体系，正是为了回应这个长远命题：在智能时代，我们该如何行动？从对前沿技术的专注以及机构的中立性来看，由智源这样的非营利研究机构来推动大模型开源，再合适不过。

从大模型引领者到开源先锋

“某种意义上，我们是后退一步，而不是去赶一个热点。”黄铁军这样形容智源的选择。

当市场热衷于追逐ChatGPT的热点时，智源推出了国内首个体系化的大模型开源项目，这背后是一种冷静的思考：除了模型本身，我们还能为人工智能的底层研发环境做些什么？

作为非营利机构，智源始终聚焦于需要长期协作攻关的重大系统级挑战。相较于短期的商业变&现，他们更关心技术本身与大模型的长期发展。这份底气，源于其在中国大模型发展早期扮演的引领者角色。

坐落于高校云集的北京五道口，智源汇聚了来自顶尖学府的科研人才。其中立性使其能更好地整合企业、学界资源，同时不受商业利益驱使，尊重科研规律，为创新提供了自由探索的空间。

正是这种对核心问题的聚焦，让智源成为上一波大模型热潮的“头雁”。2020年GPT-3发布后，智源迅速洞察到“大模型时代”的到来，组织“悟道”团队攻关，推出了中文预训练模型CPM。此后，“悟道1.0”、“悟道2.0”接连发布，不断刷新纪录，其团队成员也已成为国内大模型研发的中坚力量。

如今，参数竞赛的热度逐渐冷却，一个新的问题浮现：如何在大模型形成封闭生态前，推动建立开源体系，激发底层技术的集体创新？

黄铁军的观点很明确：“不可能、也不应该有任何一家企业来完全封闭地主导大模型这么一个重要的方向。”大模型的本质是通用底座，能支撑无数AI应用，是AI时代的基础设施。同时，其技术本身仍存在诸多“黑箱”，开源开放是确保其安全、可靠发展的必由之路。

开源已成为必然趋势。以操作系统为例，商业公司选择开源产品，不仅为了降低成本，更是为了规避风险、提升质量。闭源项目一旦停止维护，用户将面临艰难的迁移；而开源项目由社区共治，生命力更持久，问题修复也更迅速。

对于研发成本极高的大模型，开源更能集约资源、汇聚智慧，避免“重复造轮子”。智源早已在这条路上实践，“悟道”系列模型，包括语言大模型GLM、视觉大模型EVA、文生图模型AltDiffusion等均已持续开源。

过去，智源汇聚力量推动大模型研究；现在，它正迈向更艰巨的任务——构建大模型开源开放生态。FlagOpen（飞智）体系应运而生。

FlagOpen：大模型时代的「Linux」

大模型技术创新涵盖算法、模型、数据、工具、评测等多个层面。FlagOpen开源体系全面覆盖了这些模块，旨在降低开发者和企业的研发门槛。

选择此时发布FlagOpen，一个重要原因是看到许多初创团队也开始尝试自研大模型，他们亟需一套完整的工具支撑。FlagOpen来得正是时候。

该体系的核心项目之一是FlagAI，这是一个集成了算法、模型及工具的一站式开源平台。它汇聚了包括语言模型OPT、T5，视觉模型ViT，多模态模型CLIP等在内的多个明星模型，以及智源自身的成果。通过集成主流训练加速技术和支持便捷微调，FlagAI力图实现“开箱即用”。

生态的另一基石是可靠的评测。AI软硬件技术栈复杂，兼容性挑战大。FlagPerf项目提供了适配多种芯片的完整评测软件，能显著降低芯片企业和用户企业的测试成本。

FlagPerf的设计体现了开源的初心：它不搞商业排名，及时跟进最新模型；作为中立机构，智源旨在推动产业成熟，因此其评测支持多种芯片和深度学习框架，保持开放与公正。目前，天数智芯、百度PaddlePaddle、昆仑芯等厂商已参与共建。

科学、公开的评测基准同样至关重要。FlagEval项目提供了覆盖多模态、多维度的评测工具，特别是针对当前火热的AIGC生成任务。

数据是模型的燃料。智源构建了大规模语料库WuDaoCorpora，并通过FlagData项目提供了一系列数据清洗、标注工具。此外，OpenLabel作为中文世界首个开放数据标注平台，正持续为大模型训练输送高质量数据。

除了上述四大模块，FlagOpen还包含了文生图项目集合FlagStudio、AI应用微服务框架FlagBoot等，为大模型研发与应用提供全方位支持。

与Hugging Face、魔搭社区等平台相比，FlagOpen的定位有何不同？智源的目标不仅是构建一个繁荣的社区，更是为了“推动大模型技术的发展”。它从大模型研发的特定需求出发，提供了更垂直、更体系化的选择。

针对“开源不如闭源”的论调，黄铁军认为，开源开放是大势所趋，未来将占据主要市场份额。某个闭源产品在特定方向上做得更优，这很正常。“这不等于谁打败谁了，而是大家在满足自己需求时所做的不同选择。”正如Linux的成功，并不意味着其他操作系统消失。

FlagOpen迈出了第一步。智源的开源策略是“边建设边开放”，先将核心种子项目开源，以促进更快速的协作。例如，AI硬件评测就从最紧缺的训练端做起。

这让人联想到云计算开源平台OpenStack的崛起之路。当年，Rackspace和NASA开源了核心项目Nova，并成立基金会吸引广泛参与，最终催生了全球云计算的繁荣生态。

这也是智源的初心。对于FlagOpen的未来，他们的期待是将其打造成大模型时代的“Linux”。

“什么叫一个开源项目成功了？就是大多数做产品和服务的企业都用这样的开源体系。”黄铁军总结道，“就像Linux和Risc-V的开源开放带来了广泛采用，希望FlagOpen在智能时代也能发挥类似的作用。”