起起伏伏之间，人工智能经历了几道轮回，而大模型之后的日子，不仅是轮回，更是新生。这一点，将在IBM推出 watsonx之后得到验证！

　　从上个世纪五六十年代开始，IBM就是全球AI技术研发和应用的重要参与者。典型的事件是：1956/1962年的跳棋人机比赛，那时候主拼的是算法；1996-1997国际象棋人机大战，计算机深蓝战胜了人类国际象棋大师； 2011《危险边缘》人机知识大赛中，人工智能战胜了人类选手，机器可以理解人类的自然语言； 2019人工智能辩手（Project Debater），可以跟人类进行辩论，说明自主AI系统可以处理复杂任务；2023年，ChatGPT大火，让企业对生成式AI和大语言模型的关注度激增，迫切希望应用AI领域的新技术来提升竞争力。

　　ChatGPT的出现，说明大语言模型是一条走得通、通往未来AI的道路。IBM大中华区董事长、总经理陈旭东把这一时期的变化，看作是“质变时刻”已经到来。2023年，IBM正式发布watsonx，这是一个致力于基础模型和生成式AI的全新平台，提供一个包括AI开发平台、数据存储和AI治理在内的工具包。

　　目前，IBM已经在全球启动了 watsonx三个产品集，其中watsonx.ai 和watsonx.data已上市， watsonx.governance将于2023年第四季度上市陆续上市，watsonx.data的premise版本现在已经可以提供给中国客户使用。

　　大模型背后，基础模型是 “兜底技术”

　　可以说，watsonx是IBM以前所未有的速度推出的产品。那么，当“百模大战”行至中场，watsonx将以何种方式入局？

　　“在生成式AI时代，基础模型是关键，支撑着企业核心应用。” IBM大中华区首席技术官、研发中心总经理谢东认为，与过去基于深度学习、机器学习赋能企业业务的方式不同，基础模型拥有更广阔的发展空间。

　　在企业级应用场景，除了大语言模型，还有不同应用场景，包括IT自动化模型、数字劳动力模型、网络安全模型等等，这些不同的专有模型支撑了企业应用。那么，基础模型和基于深度学习的垂直模型有什么区别？答案是，基础模型不需要给海量数据打标签，可以读企业内部数据、客户交易数据、客服数据等，进而再更广泛的领域生成不同的应用，给企业创造更多可能性。

　　对于企业来讲，构建专门的应用，不在于模型本身有多大，而是在于多大程度符合企业的特定要求，能不能很好地完成任务。再就是运维成本的考虑，大模型非常耗费算力，大多数企业没有足够的算力来支撑，所以更需要一个基础模型来直接构建特定应用，灵活部署。也就是说，这个模型越小越好，越小越灵活，更加节能、高效。同时，这个模型还要有进化能力，系统要能够不断学习，能够根据业务场景实时调整。

　　当企业基于基础模型演化不同的垂直模型，需要有新的工具、新的项目管理方式，要有更自动化的方式能够进行训练、调试和部署应用，而watsonx就是这样一个平台工具。IBM要做企业级大模型的底座，帮助更多用户减轻人工智能的负担，使他们能够更轻松地进行大规模开发、调整和部署企业就绪且值得信赖的AI。

　　在不到一年的时间里，企业已经从"应用AI助力业务经营"的范式，转变为各行各业几乎每家企业都在寻求如何把AI嵌入企业的战略核心，即从数据为先的“+AI”时代迈入AI为先的“AI+”时代。IBM认为，主推一切变化的拐点是基础模型技术，这种横向扩展能力，让企业可以在不同的AI模型之间能够进行自动化串联，使得企业运营越来越智能化、自动化。

　　在华发布watsonx，IBM驶入新征程

　　问题是，致力于企业级基础模型，不是只有IBM一家，为什么我们更相信IBM能做成这件事？

　　首先，满足企业未来需求的人工智能应用，适应性要强。因为，企业用人工智能的时候有成本层面的考虑，不可能无限大地投入。并且，训练完了以后，要能够适应不同的场景。而IBM基于多年的企业级实践经验，更了解用户场景。

　　其次，要具备很强的可扩展性，具备更强的基础构建能力，而IBM刚好可以把这一切优势结合。

　　watsonx是一个平台，里面有三大部分：watsonx.ai，watsonx.data，watsonx.governance。watsonx.ai，就是来进行人工智能的训练、验证、调优、部署，可以围绕着人工智能模型和应用进行开发。watsonx.dada，训练人工智能需要大量的数据，人工智能通过自己企业的数据来训练调优，从而创造业务价值才是提升竞争力的方法。我们要用更好的企业内部数据的管理办法，高效地喂到人工智能系统里面，去训练人工智能以及调优部署，很重要的一点是企业级AI的治理和监管能力。企业用的人工智能一定是要合规，数据要合规、内容要合规，这方面已经有越来越多法律法规的要求，而watsonx.governance，可以通过一套自动化流程、方法和工具来帮助管理组织的 AI 使用。确保指导模型设计、开发、部署和监控的原则一致，对于推动负责任、透明和可解释的 AI 至关重要。

　　watsonx.ai可以根据训练所需的计算资源进行调整。具体操作是，需要根据模型的要求将数据词符化。先使用数据堆的版本ID查询想要的数据，这将在vela上生成一个用于词符化的数据副本。这意味着，如果我们正在构建一个大型语言模型，数据中的句子将被分解成词符。而且这个过程可能会产生数万亿个词符，我们使用这些词符来训练模型。训练是一个非常复杂和耗时的任务，它可能需要数十个、数百个甚至上千个GPU，并且可能需要数天、数周甚至数月训练时间。watsonx.ai上的训练利用了最好的开源技术，以简化用户体验。它建立在使用Pytorch和Ray的Codeflare上，并且还整合了hugging face，为企业提供丰富多样的开放格式。watsonx.governance将数据名片（其中包含有关用于训练的数据堆的详细来源信息）与模型名片（其中包含有关模型的详细训练和验证信息）进行合并，它们一起形成一张事实表（factsheet），这张事实表与其他所有可以使用的模型的事实表一起被编目在watsonx.governance中。

　　企业可以在任何需要的地方高效部署和运行基础模型，可以是公共云、本地或边缘设备中。部署的模型可以在许多不同的应用程序中使用。例如，在Watson Assistant中嵌入了基础模型用于文本生成。在Assistant中，描述希望助手处理的主题，它会生成相应的对话流程。

　　正如IBM 大中华区科技事业部总经理、中国区总经理缪可延所言，人工智能技术的发展超出了我们的想象，当我们知道它要朝哪个方向走，基础模型的当下便愈加清晰。这也是watsonx要以“X”命名的本意。IBM将基于watsonx创新技术、软件和硬件结合的方式，以及强大的开放生态，探索未知的无限可能。