“人工智能技术创新和产业发展开始进入‘深度学习+’阶段。”深度学习技术及应用国家工程研究中心主任、百度首席技术官王海峰2月27日在中国人工智能学会首届智能融合产业论坛上表示，深度学习在技术、生态、产业等多个维度已逐渐成熟，正在引领新一轮技术更迭。
众所周知，第四次工业革命的核心驱动力是人工智能，而深度学习是其关键技术，具有很强的通用性，呈现出标准化、自动化、模块化的工业大生产特征，推动人工智能进入工业大生产阶段。
王海峰表示，在技术层面，“深度学习+知识”是人工智能技术进一步发展的重要方向。知识增强的深度学习，让机器同时从海量数据和大规模知识中融合学习，效果更好，效率更高。在生态层面，深度学习+上下游生态伙伴。芯片、深度学习框架、模型及应用构成了深度学习良性生态，使得应用需求和反馈传递到深度学习技术及应用的每个环节，各环节持续迭代优化，加速AI技术创新和产业发展。
据了解，百度文心产业级知识增强大模型，具备跨模态、跨语言的深度语义理解与生成能力，已应用于搜索、信息流、智能音箱等互联网产品，并通过飞桨深度学习平台赋能制造、能源、金融、通信、媒体等各行各业。此外，在数字人、智能视频生成等方向，文心大模型的技术能力已经体系化输出，并在冬奥等舞台亮相。
飞桨作为我国首个自主研发的产业级深度学习开源开放平台，集核心框架、基础模型库、端到端开发套件、丰富的工具组件于一体，极大降低应用门槛。飞桨把产学研用不同角色有效衔接，携手开发者与合作伙伴，共建共创企业生态、教育生态、开源生态、硬件生态。
“已有超过40家硬件厂商与飞桨深度融合优化。目前，飞桨平台已经凝聚535万开发者，服务20万家企事业单位，创建67万个模型。”王海峰表示，在产业层面，深度学习+千行百业。各行各业应用深度学习技术降本增效，创新产品和业务，加快产业智能化进程，努力实现高质量增长。我国的产业体系品类齐全、体量庞大，深度学习驱动的创新有丰富的应用场景，有助于形成良性循环，促进底层技术突破，加快升级现代化产业体系。
作为近几年人工智能发展的重要方向，大模型具有效果好、泛化性强、研发流程标准化的特点。但与此同时，大模型研发门槛高、难度大，依赖算法、算力和数据综合支撑，产业化面临挑战：首先是模型体积大，训练难度高；其次是算力规模大，性能要求高；第三是数据规模大，数据质量参差不齐。
如何实现大模型产业化？王海峰认为，具有算法、算力和数据综合优势的企业，可以将模型生产的复杂过程封装起来，通过低门槛、高效率的生产平台，为千行百业提供大模型服务。“‘深度学习+’驱动技术创新、产业发展，离不开深度学习产业链的完善和壮大，而深度学习平台和大模型贯通了从硬件适配、模型训练、推理部署，到场景应用的全产业链，为人工智能技术创新和产业增长夯实了智能化基座。”
“人工智能技术创新和产业发展开始进入‘深度学习+’阶段。”深度学习技术及应用国家工程研究中心主任、百度首席技术官王海峰2月27日在中国人工智能学会首届智能融合产业论坛上表示，深度学习在技术、生态、产业等多个维度已逐渐成熟，正在引领新一轮技术更迭。
众所周知，第四次工业革命的核心驱动力是人工智能，而深度学习是其关键技术，具有很强的通用性，呈现出标准化、自动化、模块化的工业大生产特征，推动人工智能进入工业大生产阶段。
王海峰表示，在技术层面，“深度学习+知识”是人工智能技术进一步发展的重要方向。知识增强的深度学习，让机器同时从海量数据和大规模知识中融合学习，效果更好，效率更高。在生态层面，深度学习+上下游生态伙伴。芯片、深度学习框架、模型及应用构成了深度学习良性生态，使得应用需求和反馈传递到深度学习技术及应用的每个环节，各环节持续迭代优化，加速AI技术创新和产业发展。
据了解，百度文心产业级知识增强大模型，具备跨模态、跨语言的深度语义理解与生成能力，已应用于搜索、信息流、智能音箱等互联网产品，并通过飞桨深度学习平台赋能制造、能源、金融、通信、媒体等各行各业。此外，在数字人、智能视频生成等方向，文心大模型的技术能力已经体系化输出，并在冬奥等舞台亮相。
飞桨作为我国首个自主研发的产业级深度学习开源开放平台，集核心框架、基础模型库、端到端开发套件、丰富的工具组件于一体，极大降低应用门槛。飞桨把产学研用不同角色有效衔接，携手开发者与合作伙伴，共建共创企业生态、教育生态、开源生态、硬件生态。
“已有超过40家硬件厂商与飞桨深度融合优化。目前，飞桨平台已经凝聚535万开发者，服务20万家企事业单位，创建67万个模型。”王海峰表示，在产业层面，深度学习+千行百业。各行各业应用深度学习技术降本增效，创新产品和业务，加快产业智能化进程，努力实现高质量增长。我国的产业体系品类齐全、体量庞大，深度学习驱动的创新有丰富的应用场景，有助于形成良性循环，促进底层技术突破，加快升级现代化产业体系。
作为近几年人工智能发展的重要方向，大模型具有效果好、泛化性强、研发流程标准化的特点。但与此同时，大模型研发门槛高、难度大，依赖算法、算力和数据综合支撑，产业化面临挑战：首先是模型体积大，训练难度高；其次是算力规模大，性能要求高；第三是数据规模大，数据质量参差不齐。
如何实现大模型产业化？王海峰认为，具有算法、算力和数据综合优势的企业，可以将模型生产的复杂过程封装起来，通过低门槛、高效率的生产平台，为千行百业提供大模型服务。“‘深度学习+’驱动技术创新、产业发展，离不开深度学习产业链的完善和壮大，而深度学习平台和大模型贯通了从硬件适配、模型训练、推理部署，到场景应用的全产业链，为人工智能技术创新和产业增长夯实了智能化基座。”
