模型們還在進(jìn)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(shí)則完全不對”的內(nèi)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?yàn)榇竽Ｐ偷膬?nèi)容由推理而來，而在其自身訓(xùn)練過程中也不可避免存在數(shù)據(jù)偏差。因此，當(dāng)提問超出其訓(xùn)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(guān)系，但是對于數(shù)據(jù)準(zhǔn)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(fù)擔(dān)，進(jìn)而導(dǎo)致大模型應(yīng)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(xiàng)調(diào)查顯示，只有4%的人表示對于ChatGPT使用有依賴）。
ChatGPT&Bard應(yīng)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(zhǔn)確的情況？當(dāng)然有。既然回答不準(zhǔn)確是因?yàn)槿鄙僬嬲杏玫闹R參考，可以面向特定領(lǐng)域定制行業(yè)大模型，將可信來源的數(shù)據(jù)轉(zhuǎn)化成向量數(shù)據(jù)存儲起來，校準(zhǔn)大模型推理輸出的結(jié)果，從而使大模型輸出的結(jié)果更加準(zhǔn)確。
各種對象轉(zhuǎn)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）?？蓞⒄找韵麓竽Ｐ蜆I(yè)務(wù)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(zhǔn)確率。
LLM大模型知識庫業(yè)務(wù)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(zhuǎn)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(yīng)關(guān)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(jìn)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(jìn)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(yīng)的文本塊，并返回給大模型，利用大模型的語義理解能力，結(jié)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(zhǔn)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(shí)現(xiàn)私有化部署后，大模型“胡言亂語”的習(xí)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(zhǔn)確、越全面，就越有可能帶來爆炸式的大模型應(yīng)用。
不過，如果只是依靠向量數(shù)據(jù)庫進(jìn)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(zhì)增效的潛在需求。
現(xiàn)在，cVector向量計算一體機(jī)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(yīng)用向量計算需求。
cVector向量計算一體機(jī)
cVector向量計算一體機(jī)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(diào)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(jī)架構(gòu)圖
近期， cVector向量計算一體機(jī)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(jī)與3款主流向量數(shù)據(jù)庫在入庫速度、查詢速度、準(zhǔn)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(jī)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(dāng)入庫數(shù)據(jù)達(dá)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(jī)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(jī)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(zhǔn)確性方面，cVector 向量計算一體機(jī)、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(zhǔn)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(jìn)中心）單項(xiàng)性能測試。
cVector向量計算一體機(jī)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(wù)性能和服務(wù)質(zhì)量，并能明顯降低其基礎(chǔ)設(shè)施建設(shè)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(yīng)用方面，對于生成式AI相關(guān)企業(yè)，cVector向量計算一體機(jī)主要面向大模型推理應(yīng)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(zhǔn)確性。由于大模型的輸出結(jié)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。可以將可信來源的數(shù)據(jù)轉(zhuǎn)化成向量數(shù)據(jù)存儲在向量計算一體機(jī)中，校準(zhǔn)大模型推理輸出的結(jié)果，從而使大模型輸出的結(jié)果更加準(zhǔn)確。
②提升大模型理解互聯(lián)網(wǎng)實(shí)時數(shù)據(jù)的能力。大模型基于歷史數(shù)據(jù)訓(xùn)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(jī)存儲海量實(shí)時數(shù)據(jù)所轉(zhuǎn)化成的向量數(shù)據(jù)，可以幫助大模型理解掌握實(shí)時情況。
③提升大模型對用戶的服務(wù)質(zhì)量。向量計算一體機(jī)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(xué)習(xí)理解用戶請求，更好地結(jié)合用戶的實(shí)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(jī)可以緩存大量熱點(diǎn)問題，不需要經(jīng)過大模型推理即可返回結(jié)果，從而大幅減少算力成本。
⑤幫助生成式AI過濾敏感內(nèi)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(jī)可以存放敏感內(nèi)容所對應(yīng)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(dāng)?shù)幕貞?yīng)。
cVector向量計算一體機(jī)能夠廣泛應(yīng)用于人工智能領(lǐng)域中生成式AI的推理應(yīng)用場景，為各類生成式AI企業(yè)提供高性價比的產(chǎn)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(nèi)某家龍頭大模型研發(fā)機(jī)構(gòu)已經(jīng)開始在測試cVector向量計算一體機(jī)，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(yán)重制約大模型的表現(xiàn)。
聯(lián)系方式：
單先生 13770311887（微信同號）
點(diǎn)擊“此處”了解更多
