界面新聞?dòng)浾?| 肖芳
界面新聞編輯 | 文姝琪
百度正在強(qiáng)化文心大模型的多模態(tài)理解能力。
在百度AI Day上，百度集團(tuán)副總裁吳甜詳細(xì)解釋了其最新發(fā)布的兩款模型文心大模型4.5 Turbo和深度思考模型X1 Turbo的技術(shù)創(chuàng)新之處。
她表示，文心大模型4.5和4.5 Turbo實(shí)現(xiàn)了文本、圖像和視頻的混合訓(xùn)練。針對(duì)不同模態(tài)數(shù)據(jù)在結(jié)構(gòu)、規(guī)模、知識(shí)密度上的差異，通過(guò)多模態(tài)異構(gòu)專家建模、自適應(yīng)分辨率視覺編碼、時(shí)空重排列的三維旋轉(zhuǎn)位置編碼、自適應(yīng)模態(tài)感知損失計(jì)算等技術(shù)，大幅提升跨模態(tài)學(xué)習(xí)效率和多模態(tài)融合效果，學(xué)習(xí)效率提高近2倍，多模態(tài)理解效果提升超過(guò)30%。
文心大模型4.5于今年3月16日正式發(fā)布，是百度首個(gè)原生多模態(tài)大模型。文心大模型4.5 Turbo在上個(gè)月舉辦的Create 2025百度AI開發(fā)者大會(huì)上對(duì)外發(fā)布，相比文心大模型4.5，其速度更快，價(jià)格下降80%，每百萬(wàn)token的輸入價(jià)格僅為0.8元，輸出價(jià)格3.2元，僅為DeepSeek-V3的40%。
去年，百度CEO李彥宏多次公開表示，Sora這種視頻生成模型無(wú)論多火爆，百度都不去做。他給出的理由是，多模態(tài)模型尤其是視頻生成領(lǐng)域，幻覺問(wèn)題尚未解決，這限制了大規(guī)模應(yīng)用。
但字節(jié)跳動(dòng)和阿里巴巴卻沒(méi)有因?yàn)榛糜X問(wèn)題停止布局多模態(tài)大模型的腳步：去年12月，字節(jié)跳動(dòng)正式對(duì)外發(fā)布豆包視覺理解模型、豆包3D生成模型；今年9月和12月，阿里通義千問(wèn)團(tuán)隊(duì)分別對(duì)外發(fā)布視覺理解模型Qwen2-VL和多模態(tài)推理模型QVQ-72B-Previe。
從市場(chǎng)反饋來(lái)看，這幾款模型在處理自然語(yǔ)言與圖像信息的結(jié)合上靈活性強(qiáng)，能精準(zhǔn)識(shí)別圖像中的內(nèi)容，受到了教育、自動(dòng)駕駛等領(lǐng)域企業(yè)的關(guān)注，在視覺-語(yǔ)言融合場(chǎng)景中展示出較大的潛力。
這意味著，此前百度多模態(tài)大模型上存在一些誤判，其在多模態(tài)模型上的布局也比競(jìng)爭(zhēng)對(duì)手晚了數(shù)月。
百度正在積極補(bǔ)齊大模型布局短板
今年年初，DeepSeek走紅讓外界再次討論百度在大模型領(lǐng)域是否再次陷入了“起個(gè)大早，趕個(gè)晚集”的尷尬境地。
早在2021年，百度就對(duì)外發(fā)布了文心大模型，在行業(yè)中屬于最早一批布局大模型的公司。但經(jīng)過(guò)幾年的發(fā)展，百度在大模型領(lǐng)域不僅并沒(méi)能保持先發(fā)優(yōu)勢(shì)，還在開源、降價(jià)、多模態(tài)等問(wèn)題上出現(xiàn)了誤判。
界面新聞從多位百度內(nèi)部人士處了解到，在今年第一季度總監(jiān)會(huì)上，李彥宏稱去年內(nèi)部沒(méi)有人提到模型開源，導(dǎo)致百度走了一些彎路。
DeepSeek走紅之后，百度已對(duì)此前關(guān)于開閉源的問(wèn)題進(jìn)行了糾偏。今年新發(fā)布的文心大模型4.5系列將于6月30日正式開源。
而在降價(jià)問(wèn)題上，去年豆包、通義等大模型相繼大幅降低調(diào)用價(jià)格之后，文心大模型的主力模型并未進(jìn)行跟進(jìn)。直到今年的Create 2025百度AI開發(fā)者大會(huì)，百度才正式宣布文心大模型4.5 Turbo和文心大模型X1 Turbo的價(jià)格將大幅降低。
然而，今年基礎(chǔ)大模型競(jìng)爭(zhēng)的焦點(diǎn)已不在價(jià)格。在一位大模型從業(yè)者看來(lái)，基礎(chǔ)信息處理能力的提升以及成本的下降讓豆包、通義等幾款大模型在去年獲得了快速增長(zhǎng)。深度推理能力、視覺推理能力以及Agent相關(guān)技術(shù)將成為今年到未來(lái)幾年基礎(chǔ)大模型競(jìng)爭(zhēng)的關(guān)鍵。
在當(dāng)下的競(jìng)爭(zhēng)態(tài)勢(shì)下，百度放棄此前的糾結(jié)，積極布局多模態(tài)大模型就不難理解了。從文心大模型4.5到4.5 Turbo，從文心大模型X1到X1 Turbo，模型性能提升的同時(shí)，多模態(tài)能力也進(jìn)一步增強(qiáng)。
根據(jù)百度方面的介紹，文心大模型4.5 Turbo多模態(tài)能力與GPT 4.1持平，不僅具有圖片理解能力，還能聽懂、看懂音視頻內(nèi)容；文心大模型X1 Turbo具備跨工具調(diào)用能力，能整合搜索引擎、數(shù)據(jù)庫(kù)等外部資源完成復(fù)雜任務(wù)。在多模態(tài)交互場(chǎng)景中，這種工具調(diào)用能力與多模態(tài)能力相融合，使其能夠更靈活地應(yīng)對(duì)各種實(shí)際問(wèn)題。
李彥宏在Create 2025百度AI開發(fā)者大會(huì)上也談及了布局多模態(tài)大模型的價(jià)值：DeepSeek也不是萬(wàn)能的，它只能處理文本，還不能理解和生成圖片、音頻、視頻等多媒體內(nèi)容，很多客戶都需要這種多模理解和生成能力。
對(duì)于李彥宏此前一直糾結(jié)的幻覺問(wèn)題，吳甜在此次百度AI Day上也進(jìn)行了重點(diǎn)闡釋：百度研制了自反饋增強(qiáng)的技術(shù)框架，基于大模型自身的生成和評(píng)估反饋能力，實(shí)現(xiàn)了“訓(xùn)練-生成-反饋-增強(qiáng)”的模型迭代閉環(huán)，讓大模型擁有了自我迭代能力，顯著降低了模型幻覺，模型理解和處理復(fù)雜任務(wù)的能力大幅提升。
雖然對(duì)過(guò)去的諸多判斷進(jìn)行了糾偏，但不可否認(rèn)的是，百度在大模型上已經(jīng)脫離了第一梯隊(duì)。很多業(yè)內(nèi)人士判斷，未來(lái)的基礎(chǔ)大模型領(lǐng)域?qū)?/span>只剩下DeepSeek、豆包和通義三強(qiáng)爭(zhēng)霸。在這種競(jìng)爭(zhēng)格局下，百度想要翻盤面臨的挑戰(zhàn)也不言而喻。
數(shù)字人能否助力百度翻盤？
百度積極布局多模態(tài)大模型，除了當(dāng)下市場(chǎng)競(jìng)爭(zhēng)的需要之外，另一個(gè)重要原因是，多模態(tài)大模型承載了百度對(duì)AI應(yīng)用的期待。
去年以來(lái)，李彥宏多次在公開場(chǎng)合強(qiáng)調(diào)技術(shù)的商業(yè)價(jià)值。在他看來(lái)，一個(gè)沒(méi)有明確用途的AI模型，不過(guò)是一個(gè)吸引人的計(jì)算機(jī)科學(xué)展示。沒(méi)有應(yīng)用，芯片、模型都沒(méi)有價(jià)值。模型會(huì)有很多，但未來(lái)真正統(tǒng)治這個(gè)世界的是應(yīng)用。
今年以來(lái)，AI應(yīng)用領(lǐng)域創(chuàng)業(yè)如火如荼，AI辦公、AI搜索、Agent等都是熱門的AI應(yīng)用落地方向。但李彥宏有不一樣的判斷，他在Create 2025百度AI開發(fā)者大會(huì)上表示，AI數(shù)字人是今年最令人激動(dòng)的突破性應(yīng)用。聲形超擬真、內(nèi)容更專業(yè)、互動(dòng)更靈活的數(shù)字人，實(shí)現(xiàn)超越真人的體驗(yàn)，在電商直播、游戲、消費(fèi)等領(lǐng)域，有著巨大的想象空間。
在百度AI Day上，吳甜透露了百度在數(shù)字人方面的布局：百度研制了“劇本”驅(qū)動(dòng)多模協(xié)同的超擬真數(shù)字人技術(shù)，實(shí)現(xiàn)了語(yǔ)言、聲音、形象的協(xié)調(diào)一致。目前這套技術(shù)已經(jīng)支持超過(guò)10萬(wàn)數(shù)字人主播，直播轉(zhuǎn)化率達(dá)31%，降低80%直播開播成本。
但也有一些從業(yè)者對(duì)數(shù)字人有不同的聲音。尤其是一些電商商家，嘗試數(shù)字人直播之后，發(fā)現(xiàn)真實(shí)的直播帶貨效果不盡如人意。一家美妝類的商家此前告訴界面新聞，其從去年開始嘗試數(shù)字人直播帶貨，但數(shù)字人回復(fù)用戶留言時(shí)不僅生硬，還會(huì)出現(xiàn)答非所問(wèn)的情況，不僅沒(méi)有帶來(lái)更高的轉(zhuǎn)化率，還引發(fā)了更多消費(fèi)者投訴。
在數(shù)字人服務(wù)商世優(yōu)科技CEO紀(jì)智輝看來(lái)，目前數(shù)字人直播帶貨并不好做，抖音快手等平臺(tái)的出發(fā)點(diǎn)依然是更好的內(nèi)容和體驗(yàn)。“如果用戶在平臺(tái)上刷到10個(gè)短視頻有9個(gè)都是數(shù)字人，這會(huì)破壞平臺(tái)的內(nèi)容生態(tài)，各個(gè)平臺(tái)都對(duì)數(shù)字人直播進(jìn)行嚴(yán)格管控也是意料之中的事。”
不過(guò)，這些不同的聲音并沒(méi)有阻止百度積極布局數(shù)字人的腳步。根據(jù)百度此前公布的信息，百度已與羅永浩達(dá)成合作，聯(lián)手打造羅永浩的數(shù)字人形象用于直播帶貨，并將于5月23日晚8點(diǎn)在百度電商開啟首場(chǎng)直播。
羅永浩數(shù)字人首場(chǎng)直播帶貨的成績(jī)有待觀望。如果數(shù)據(jù)不錯(cuò)，或許能改變一些商家對(duì)數(shù)字人直播帶貨的態(tài)度，但其能給百度帶來(lái)多大商業(yè)價(jià)值，仍然需要時(shí)間驗(yàn)證。