大模型們還在進行狂熱的“諸神之戰(zhàn)”，嘗過鮮的用戶卻無法忽視大模型的短板。在交互過程中，用戶常常被它們一本正經(jīng)的胡言亂語所打敗——對于部分問題，它們會輸出一些“看似非常有道理，實則完全不對”的內容，讓人啼笑皆非。
云創(chuàng)大數(shù)據(jù)成立于2011年，并不是2015年
之所以出現(xiàn)這種“AI幻覺”，是因為大模型的內容由推理而來，而在其自身訓練過程中也不可避免存在數(shù)據(jù)偏差。因此，當提問超出其訓練范圍，大模型可能會模糊回答，或者一本正經(jīng)地胡謅。
娛樂一下沒有關系，但是對于數(shù)據(jù)準確性有著較高要求的用戶，這樣的通用性大模型可能會是負擔，進而導致大模型應用的普及度沒有想象的高（根據(jù)摩根士丹利發(fā)布的一項調查顯示，只有4%的人表示對于ChatGPT使用有依賴） 。
ChatGPT&Bard應用趨勢(圖片來源：摩根士丹利報告)
有沒有辦法改善大模型回答不準確的情況?當然有。既然回答不準確是因為缺少真正有用的知識參考，可以面向特定領域定制行業(yè)大模型，將可信來源的數(shù)據(jù)轉化成向量數(shù)據(jù)存儲起來，校準大模型推理輸出的結果，從而使大模型輸出的結果更加準確。
各種對象轉換為向量存儲在向量數(shù)據(jù)庫中(圖片來源：swirlai.com)
向量比對過程(圖片來源：Pinecone)
對于企業(yè)而言，可基于大模型和企業(yè)的個性化數(shù)據(jù)建立專屬知識庫(Knowledge base)。可參照以下大模型業(yè)務流程，建立企業(yè)知識庫，以可信可靠的數(shù)據(jù)和知識，提高大模型輸出的準確率。
LLM大模型知識庫業(yè)務流程(圖片來源：swirlai.com)
首先，將企業(yè)的知識庫文本語料分割為多個塊，用嵌入(Embedding)模型將分割的文本塊轉換為一個個向量存儲在向量數(shù)據(jù)庫中，并建立向量和文本之間的對應關系，如上圖①-③所示。
此后，就可以提出問題。需要注意的是，問題也需要進行向量化，同時使用與知識庫語料向量化相同的嵌入模型，并且在向量數(shù)據(jù)庫中進行查詢，找到相似度高的向量，如⑤-⑦所示。
將返回的向量嵌入映射到對應的文本塊，并返回給大模型，利用大模型的語義理解能力，結合上下文生成問題答案，如⑧-⑨所示。
在建立企業(yè)知識庫后，同樣的問題再問大模型，它能給出準確的回答(建立知識庫的過程類似于下圖提供參考信息的過程)。
建立知識庫的過程類似于上圖提供參考信息的過程
實現(xiàn)私有化部署后，大模型“胡言亂語”的習慣開始逐漸被糾正，而且向量數(shù)據(jù)庫做的越大，它掌握的知識越多、越準確、越全面，就越有可能帶來爆炸式的大模型應用。
不過，如果只是依靠向量數(shù)據(jù)庫進行私有化部署，容量有限且速度比較慢，無法完全滿足企業(yè)通過大模型提質增效的潛在需求。
現(xiàn)在，cVector向量計算一體機通過發(fā)揮高性能硬件、向量加速算法和并行計算算法的合力，致力于滿足億級乃至百億千億向量規(guī)模的大模型推理應用向量計算需求。
cVector向量計算一體機
cVector向量計算一體機的使用方式與向量數(shù)據(jù)庫基本一致，支持批量、追加入庫，支持向量間歐式距離、余弦距離等向量計算，支持網(wǎng)頁、命令調用、Python庫等方法，但在向量的入庫和比對計算上具有驚人的性能。
cVector向量計算一體機架構圖
近期， cVector向量計算一體機接受了工信部直屬的國家一級科研事業(yè)單位中國軟件評測中心的鑒定測試。中國軟件評測中心對比測試了cVector向量計算一體機與3款主流向量數(shù)據(jù)庫在入庫速度、查詢速度、準確性等維度的性能對比。
在入庫性能方面， 同樣入庫3000萬條256 維向量數(shù)據(jù)，在向量數(shù)據(jù)庫中最快的是A，入庫速度是4851.97s，cVector向量計算一體機是1202.91s，入庫速度約是向量數(shù)據(jù)庫A的4倍，向量數(shù)據(jù)庫C的50倍，向量數(shù)據(jù)庫B的113倍;當入庫數(shù)據(jù)達到1億條時，向量數(shù)據(jù)庫A的入庫速度是17295.49s，cVector向量計算一體機是4484.55s，入庫速度約是前者的3.9倍。
入庫性能比對
在查詢性能方面， 同樣查詢1億條256 維向量數(shù)據(jù)，向量數(shù)據(jù)庫A的查詢速度是512.8s，cVector向量計算一體機是0.27s，查詢速度是前者的1899倍，而其他兩家測試向量數(shù)據(jù)庫由于數(shù)據(jù)量太大無法入庫比較。
查詢性能對比
在準確性方面， cVector 向量計算一體機、向量數(shù)據(jù)庫A、向量數(shù)據(jù)庫B和向量數(shù)據(jù)庫C的數(shù)據(jù)準確度一致，通過了中國軟件評測中心(工業(yè)和信息化部軟件與集成電路促進中心)單項性能測試。
cVector向量計算一體機在億級乃至百億千億向量規(guī)模的的入庫和查詢等方面具有顯著的性能優(yōu)勢，可幫助提高大模型推理的服務性能和服務質量，并能明顯降低其基礎設施建設成本，助力類ChatGPT等人工智能企業(yè)以更優(yōu)的性價比解決算力不足的問題。
在具體應用方面，對于生成式AI相關企業(yè)，cVector向量計算一體機主要面向大模型推理應用，能夠在下述大模型推理環(huán)節(jié)發(fā)揮顯著作用 ：
①提高生成式AI的輸出準確性。 由于大模型的輸出結果是根據(jù)概率推理而成，所以會出現(xiàn)“一本正經(jīng)說胡話”的情形?？梢詫⒖尚艁碓吹臄?shù)據(jù)轉化成向量數(shù)據(jù)存儲在向量計算一體機中，校準大模型推理輸出的結果，從而使大模型輸出的結果更加準確。
②提升大模型理解互聯(lián)網(wǎng)實時數(shù)據(jù)的能力。 大模型基于歷史數(shù)據(jù)訓練而成，所以“只知道過去，不知道現(xiàn)在”。如果使用向量計算一體機存儲海量實時數(shù)據(jù)所轉化成的向量數(shù)據(jù)，可以幫助大模型理解掌握實時情況。
③提升大模型對用戶的服務質量。 向量計算一體機可以允許用戶上傳更多的數(shù)據(jù)，讓大模型掌握用戶個性化的背景資料，更好地學習理解用戶請求，更好地結合用戶的實際情況回答問題。
④減輕大模型的訪問壓力。 用戶所提的大部分問題都是相似的常見問題，向量計算一體機可以緩存大量熱點問題，不需要經(jīng)過大模型推理即可返回結果，從而大幅減少算力成本。
⑤幫助生成式AI過濾敏感內容。 怎么防止生成式AI說錯話一直是一個挑戰(zhàn)性問題，而向量計算一體機可以存放敏感內容所對應的向量數(shù)據(jù)，在用戶提出請求時加以判斷，盡可能防止AI對敏感問題做出不恰當?shù)幕貞?/p>
cVector向量計算一體機能夠廣泛應用于人工智能領域中生成式AI的推理應用場景，為各類生成式AI企業(yè)提供高性價比的產品和解決方案，大幅增加大模型平臺的競爭力，歡迎各大企事業(yè)單位試用。
目前國內某家龍頭大模型研發(fā)機構已經(jīng)開始在測試cVector向量計算一體機，他們反映原來的向量數(shù)據(jù)庫的確是一個大瓶頸，如果不解決，會嚴重制約大模型的表現(xiàn)。聯(lián)系方式： 單先生 一 三七七零三一一八八七（微信同號）
