关于语言模型私有化部署的讨论 | AIGC实践

上周在与TC同行关于AIGC实践的线上交流中，大家普遍比较关心的一个实践切入点是：语言模型的私有化部署——简单来说，就是在企业内部，部署一个属于自己的“ChatGPT”，对于本行业/专业知识，以及企业独有的产品和技术信息有充分的了解，并且提供用户接口，通过自然语言交流，解答内外部用户的问题。

其实，在此前/此后的多次单点交流中，也有不同行业的朋友向我咨询相同问题。可见，任何人在体验过ChatGPT超强的语言能力后，都不难意识到，这种交互方式必将会成为未来非常重要的应用场景。

这段时间，我花了不少时间做调研；并且，由于我司主营AI计算设备及软件，也刚好具备相关技术背景，于是便近水楼台地与研发Lead和产品经理分别进行交流，看看是否有机会率先实施并落地一个内部应用。

在此梳理一下相关脉络，做一个简单的分享，希望可以给到有相同问题的朋友一点启发。

主题图Prompt：Privatization Deployment of Large Language Models. technological style. --ar 16:9

基本分析

语言模型私有化部署的应用场景，可谓显而易见。

典型场景包括：

• 内部知识库：提供企业内部的知识共享平台。
• 智能客服机器人：提供获取产品/技术信息的用户接口。
• 专家咨询机器人：提供医疗、律师等专业领域的咨询服务。

应用范围非常广泛，几乎可以涵盖所有专业咨询行业，以及所有对外输出产品和服务的企业。应用价值就更不必说了：

• 技术革新，全面推进AI化进程。所谓的“第四次工业革命”，具有划时代意义；
• 降本增效。既然AI可以又快又好地完成任务，自然也就不需要付出人工成本。

实现部署的相关资源包括：

• 硬件：LLM对算力有比较高的要求。
• 模型：可采用免费的开源模型。
• 语料库：包括但不限于行业/专业信息；以及企业的产品/技术信息。
• 算法：需要比较专业的算法工程师参与进行模型训练/微调。

研发观点

从研发的角度来看，实现语言模型私有化部署，还是非常有希望的。

实现语言模型私有化部署的系统架构，主要包括：

• LLM：语言模型；
• KB：知识库；
• 框架：将LLM和KB建立联系；
• UI：用户界面。

其中，LLM可采用2种方式实现：

• 使用公共模型：通过调用API接口使用OpenAI GPT-3.5
• 使用开源模型：使用开源模型ChatGLM，但开源不能商用。参考： https://github.com/imClumsyPanda/langchain-ChatGLM

部署逻辑分别为：

使用公共模型部署逻辑

使用开源模型部署逻辑

KB的输入是语料库，然后经过一系列处理，成为可被LLM调取的知识。

语料库的准备比较简单，只需要保证：内容是以TXT或者Markdown等格式存储的纯文本信息（不包含样式）。

也就是说，如果采用xml类型的内容系统，应该可以比较容易做系统集成；如果采用Word类型的文档，需要转换成不包含样式的纯文本信息，并做必要的数据清洗，避免在转换后出现异常。

产品观点

产品经理的意见，与研发Lead有很大不同，会比较偏向于相对悲观的观点。在他看来：

现有ChatGPT和文心一言采用的语言模型，具有巨大数量的权重参数，并且在语料库上投入了巨大的开发成本——这绝对是开源模型和数据集，无法比拟的。

即便如此，ChatGPT与文心一言在回答问题时，表现出的实际效果，也不完全令人满意；何况是企业基于开源模型自行开发的应用。

第三，语料库的开发也会牵扯到比较大的投入成本，切不说是行业内的专业信息，即便是聚焦在企业产品和技术上的信息，也可能需要投入非常大的工作量。

所以，投入成本与实现效果决定了，可能不太值得去做这样的尝试。

未来，企业比较有希望实现落地的方式是，当文心一言或其他类似应用，最终达到了一个比较好的输出效果后，可能会对外输出toB业务支持，当然，是需要付费的。对于普通企业而言，这可能是相对比较经济的方式。

总结

以上内容基于本人有限的眼界和理解，仅供参考。如果你的企业找到了低成本、高收益的解决方案，实施并落地了应用，也非常期待听到你的分享。