作者：0x小王同志、0x春天的桥、0x云鹤 来源：X，@0xInv1ctus

先把结论放在最前面：BITTENSER本质是AI memecoin，在本轮AI+crypto炒作中，由于具有⼀定的技术伪装，成为AI coin市值之王。叙事宏⼤⽽易于传播（AI+crypto，decentralized AI），项⽬逻辑故弄⽞虚但本质很naive，做⼀个套壳应⽤让⼤众看到效果，但不存在实际应⽤价值。

BITTENSER的整个项目充斥着资源浪费、逻辑漏洞、虚假数据，并且有着非常严重的抛售风险和抛售压力。

为了避免读者陷入阅读无聊的又臭又长的代码和技术文档的垃圾时间，编者将会先阐述为何我们指控BITTENSER项目充斥着资源浪费、逻辑漏洞、虚假数据，并且有着非常严重的抛售风险和抛售压力；之后以项目路线图作为补充。在结尾我们会附上两个BITTENSER子网的研究案例，以飨读者。

另：当您阅读到本篇文章时，StinkyInsect Labs所属对冲基金已经于均价402左右开设了关于TAO的空单。我们拭目以待！

StinkyInsect Labs是C Labs与AllinClub旗下的非独立子机构。我们独立运营了一只年化回报超过300%的对冲基金并定期发布沽空报告。本文是我们正式发布的第一篇沽空报告。

资源浪费：

Bittensor所谓创新性的解决⽅案，和其在社交媒体上不断被⼈吹捧的Yuma Consensus，让整个项⽬看上去有⾼深的技术，但实际这些理论和⽩⽪书都是⼀些术语和公式堆积出来的nonsense。

按照其说法，Bittensor旨在通过创建⼀个开放的 P2P 市场，让⼈们可以共享和使⽤机器学习模型，从⽽使构建⼈⼯智能驱动的⽤例的过程⺠主化。

Bittensor的愿景是宏⼤且抽象的，⽽实际提供的可⽤系统却是幼稚、毫⽆价值、甚⾄浪费资源的，既不能在任何层⾯促进AI技术的发展，也⽆法带来AI使⽤的⺠主化。

32个⼦⽹本质上就是32个类似Kaggle的竞赛平台，只不过奖励是$TAO代币。以Opentensor官⽅维护的⼦⽹1为例，这个所谓的能让更好的模型脱颖⽽出的⼦⽹在做什么呢？简单讲就是⽹络中验证者不断通过Wikipedia API, StackOverflow, mathgenerator等API⽣成主题，再将主题输⼊GPT⽣成 prompt，将prompt分发给⼦⽹中近1000个矿⼯，矿⼯收到prompt后调⽤GPT或其他LLM⽣成答案返回验证者，验证者得到答案后，与事先⽣成的参考答案（同样是⽤GPT⽣成的）做⽂本相似度对⽐，对矿⼯打分，矿⼯答案与参考答案相似度越⾼，获得的$TAO奖励越多。

这样的⼦⽹有何意义呢，⽆⾮是浪费了OpenAI或其他LLM提供商的算⼒，以及为API⽀付的费⽤。问题是随机调⽤的，⽐如从mathgenerator⽹站⽣成的⼀道中学数学题，并调⽤LLM组织语⾔⽣成的；矿⼯答案是外部LLM⽣成的，验证者参考答案也是调⽤LLM⽣成的，打分仅仅是⽐较⼀下⽂本相似度。这样的系统唯⼀的价值就是浪费资源，⾃娱⾃乐。

不光⼦⽹1如此，其他⼦⽹同样存在严重的⽆意义问题。

逻辑漏洞

按照Bittensor说法，其创造的竞争市场的关键是确保评估结果的公平性和客观性。为此，Bittensor提出了Yuma共识机制，旨在根据众多验证者提供的多样化评估来计算最终的评估结果。类似于拜占庭容错共识机制，只要⽹络中的⼤多数验证者是诚实的，最终就能做出正确的决定。假设诚实的验证者能够提供客观的评估，那么共识后的评估结果也将是公平客观的。

Yuma Consensus在系统中到底发挥了什么作⽤呢？答案是仅仅决定每个区块产⽣的$TAO在各⼦⽹中如何分配。每个⼦⽹中矿⼯、验证者的奖励如何分配是由⼦⽹所有者任意决定的，理论上⼦⽹所有者可以操控给任何⼦⽹参与者的奖励。

更可笑的是，虽然⽩⽪书⾥的Yuma Consensus原理⽆⽐复杂，实际计算⽅式却及其幼稚。

Bittensor宣称的创新性⼦⽹竞争机制不仅不能创造价值，且漏洞百出。官⽅似乎也没有避讳这⼀点，⼦⽹所有者可以每周向Opentensor Foundation提交请求表单，以调整其给各⼦⽹的权重打分。可如果打分是可以通过这样求情来操控的，那这个打分本⾝⼜有何意义，体现怎样的共识呢？

对Bittensor⽩⽪书和其宣称的原理的技术解读，可参考这篇⽂章：Deep Dive on Bittensor (TAO) | goodalexander，⽂章Whitepaper章节指出了Bittensor⽩⽪书前后⽭盾和不合逻辑之处。

宣称的实际应⽤案例只是空壳：

Bittensor和其⽀持者在Twitter上不断声称其已有实际应⽤案例，⽐如⽬前Emissions排名前三的两个⼦⽹，taoshi和Cortext。

实际调查发现，taoshi⽬前的应⽤包括Dale和Timeless，Dale声称是⼀个trading bot，可以根据 taoshi⼦⽹的trading signal进⾏交易，但正在开发阶段；Timeless运营了⼀个⼏百⼈的TG群，⾥⾯主要是交易讨论，宣称community从taoshi⼦⽹的trading signal⾥赚了钱。这两个空壳应⽤并不能证明 taoshi有任何实际价值。

另⼀边是被⼴泛引⽤为Bittensor应⽤案例的Corcel。Corcel声称调⽤Cortext的API，⽤⼾提问后，得到的回答由矿⼯产⽣。实际测试text prompting，询问模型其开发者是谁，得到的答案是“I am an AIlanguage model developed by OpenAI…I am not connected to the Bittensor network or any decentralized machine learning models”，可知其纯粹是直接调⽤OpenAI API做的套壳应⽤，跟⼦⽹中的矿⼯回答没有半⽑钱关系。

区块链的维护与数据真实性存疑：

⽬前⼦⽹中的权重打分，以及代币的产⽣、分配、质押等活动都记录在Subtensor链上。可是 Subtensor链的共识机制和节点维护激励机制却不详。⽬前唯⼀的链上数据源是taostats.io⽹站，声称由@mogmachine维护，与Opentensor Foundation没有关系。因此我们有理由对数据真实性表⽰怀疑。

代币被内部⼩团体⾼度控盘，来路不明，且随时有抛盘⻛险：

bittensor声称代币是fair launch的，但实际上$TAO代币从2021年就开始产⽣，没有⽂档或资料说明从 2021年1⽉3⽇到2023年10⽉2⽇⼦⽹上线这段时间内产⽣的代币通过什么规则分配，以及最终流向。

从⽬前结果看，前12位根⽹络验证者的质押量占全⽹络的79%。参议院12⼈中，除第12位未具名，以及第3位Foundry是⼀家知名矿场外，其余10位验证者Opentensor Foundation、τaosτaτs &Corcel、Bittensor Guru Podcast、TAO-Validator.com、RoundTable21、FirstTensor、Neural Inτerneτ、Datura、Love、Synapse业务和twitter上发声都是围绕bittensor，或⼲脆只有质押业务。有理由相信这些掌握价值$20B+的$TAO的验证者之间保持密切关系，构成内部⼩团体。

⽬前绝⼤部分流通代币都委托给了⼩团体质押，使他们成为⽹络中具有决定作⽤的验证者。尽管每个验证者都有上千个地址的委托，看起来像是有上千个$TAO代币持有者⾃愿委托⾃⼰的代币进⾏投票，但有理由怀疑这些匿名地址⼤多都是⼩团队⾃⾝掌握的。

更重要的是，bittensor的质押没有任何锁定期，随时取消质押，也就是说当前占总流通量85%的质押代币，随时可以进⼊抛售。

总结：BITTENSER是本机构成立后的第一张大字报。其丰富且深刻的呈现了一个WEB3AI项目是如何“成功”的。控制筹码、套皮AI、虚假信息和小圈子的圈地自萌在VC与游资的推波助澜下创造了百亿FDV数十亿MC的奇迹并成功上线BN，很难不让人揣测其上线BN的主要意义是为了出货。

其本质，一个波卡的子网-主网模式的L1+矿工拆分盘，与人人追捧的AI概念的相关性甚至不如WORLDCOIN。起码WORLDCOIN有奥特曼的投资，而TAO只有奥特曼的openai的API。

对此，本机构给予BITTENSER项目 强烈看空 评级，预计其价格将在短时间内（6个月）下降到100-150美金/个。

时来天地皆同力，运去英雄不自由。希望投出TAO这种垃圾项目的VC好好想想自己在市场里的角色。对于一个有充分背调和尽调、有代码审阅和生态数据复验能力的VC来说，都不该去投资这种套皮API项目。

亦或者，这只是VC做的恶之一罢了。

附：

子网案例研究二则

taoshi (subnet 8)

taoshi历史上应该叫time series prediction，没有任何实际应⽤价值。是3⽉rebrand成了交易平台，还推出了Tradewithdale, Timeless等应⽤。

⼦⽹8 TAOSHI运营了⼀个⾃营交易⽹络（Proprietary Trading Network）。PTN接收来⾃量化和深度学习机器学习交易系统的信号，以提供跨各种资产类别的世界上最完整的交易信号。有了这个系统，只有世界上最好的交易者和基于深度学习/量化的交易系统才能竞争。

• 矿⼯的注册、挖矿与评分：

◦ 矿⼯注册费⽤为5TAO。

◦ 矿⼯需要在开盘时间实时提交LONG/SHORT/FLAT交易信号，以及杠杆倍数。可选的交易对包括外汇（如EUR/CHF, EUR/USD, GBP/USD）、加密货币（如BTC/USD, ETH/USD）、指数（如 SPX, DJI）等。

◦ 在任何时刻矿⼯只能有⼀个交易对头⼨。◦ 矿⼯在过去30天内⾄少close10个头⼨，才能参与评分。

◦ 矿⼯评分标准：根据组合omega ratio和总回报。详⻅ https://github.com/taoshidev/proprietary-trading-network/tree/main/vali_objects/scoring

• 矿⼯的淘汰标准：

◦ 1、达到当⽇最⼤回撤限制。在任意交易⽇收盘时，若矿⼯当⽇最⼤回撤达到5%（相⽐daily high），矿⼯将被淘汰。

◦ 2、达到全时段最⼤回撤限制。若任意时点，矿⼯达到10%回撤（相⽐all time high），矿⼯将被淘汰。

◦ 3、剽窃。若系统检测到矿⼯提交的交易剽窃其他矿⼯，该矿⼯将被淘汰。

◦ 矿⼯注册后有9天保护期。矿⼯淘汰后注册费⽤不予返还。

• 验证者任务：

◦ 验证者需要维护每个矿⼯的组合、头⼨、净值，并在矿⼯达到最⼤回撤限制时将其淘汰。

竞赛本⾝的设置是可笑的。不是策略，只能说是交易⽐赛。有效的策略需要经过回测。此外，根本不需要引⼊矿⼯、验证者的概念或任何区块链技术。

Taoshi dashboard可以查看收益率最⾼的miner地址，以及所有过往交易。 https://dashboard.taoshi.io/

写作时点（UTC 2024-04-21 08:56），30⽇回报最⾼的地址，30⽇回报率为19.476%，拆解来看，其中⼤部分为⼀次交易贡献。该地址在2024-04-17 05:59:20，EUR/GBP价格为$0.85345时，以175倍杠杆做空，并在98秒后，2024-04-17 06:00:58，价格为$0.85276时平仓（剩0.01倍杠杆在15:01:34平 掉），可计算出这笔交易收益为14.1%，考虑到交易费⽤后为12.75%。

实际应⽤:

Dale：https://twitter.com/tradewithdale。trading bot，宣称可以根据taoshi⼦⽹的trading signal进⾏交易。twitter表⽰正在开发。

Timeless：https://twitter.com/Timeless_io。运营了⼀个⼏百⼈的TG群，⾥⾯主要是交易讨论。宣称community从taoshi⼦⽹的trading signal⾥赚了钱。

Cortext (subnet 18)

官⽅github repo readme并没有讲任何⼦⽹中如何挖矿、验证和激励机制的问题，以下由源代码分析得到。

• 验证者问题⽣成：

◦ ⽂字和图像各有1000+给定主题，验证者随机选定主题套⽤进问题模板中，调⽤openai GPT4- turbo⽣成给矿⼯的prompt。https://github.com/corcel-api/cortex.t/blob/main/validators/text_validator.py

◦ 问题模板在github.com/corcel-api/cortex.t/blob/main/cortext/utils.py

◦ 给定主题在https://github.com/corcel-api/cortex.t/blob/main/cortext/__init__.py

• 验证者参考答案⽣成

◦ text promting调⽤GPT4⽣成参考答案；image generation调⽤DALL-E模型⽣成图像

• 矿⼯答案⽣成

◦ 矿⼯收到prompt后，可以选择anthropic.claude-v2:1 Anthropic, gemini-pro, claude-3-opus等模型答题。https://github.com/corcel-api/cortex.t/blob/main/miner/miner.py

• 矿⼯答案打分

◦ ⽐较response与参考答案相似度。

◦ 对于text prompting，相似度⽐较算法为TF-IDF，向量化后计算cosine_similarity，同时 response相⽐参考答案过⻓或过短有惩罚；

◦ 对于image generation，相似度⽐较算法为感知哈希算法（perceptual image hash）将图⽚映射为⼀个哈希字符串，⽐较两个图⽚之间的相似度就可以通过判断两个哈希字符串之间不⼀致的位置有多少，仍然转换为cosine_similarity函数计算。https://github.com/corcel-api/cortex.t/blob/main/cortext/reward.py

实际应⽤：

• Corcel。可以完成Text Prompting, Image Generation任务。声称调⽤Cortext的API，⽤⼾提问后，得到的回答由矿⼯产⽣。https://corcel.io/

• 实际测试text prompting，询问模型开发者，得到的答案是“I am an AI language model developed by OpenAI…I am not connected to the Bittensor network or any decentralized machine learning models”

发展历程：

本部分source主要来⾃：https://taostats.io/tokenomics/； https://messari.io/project/bittensor/profile

2019年：Bittensor由两位⼈⼯智能研究者Jacob Steeves和Ala Shaabana（以及⼀个匿名的⽩⽪书作者Yuma Rao）创⽴。2021年1⽉3⽇：“Kusanagi”发布，标志着⽹络的激活，允许矿⼯和验证者开始获得第⼀批$TAO奖励。

2021年5⽉中旬：Opentensor Foundation暂停了Kusanagi，以处理⼀些早期共识问题。

2021年11⽉2⽇：“Kusanagi”分叉为“Nakamoto”。此前Kusanagi⽣成的546,113 TAO被迁移到 Nakamoto上。

2023年1⽉10⽇：Finney测试⽹发布，测试delegated staking和⼦⽹功能。

2023年1⽉13⽇：拍卖中成功获得了⼀条Polkadot平⾏链插槽。然⽽，由于对Polkadot开发速度有关的担忧，随后决定使⽤⾃⼰基于Substrate构建的独⽴L1区块链，⽽不是依赖于Polkadot。https://www.theblockbeats.info/en/flash/123619

2023年3⽉20⽇：Finney主⽹发布。2023年3⽉28⽇：Opentensor Foundation发布Chattensor，在Bittensor上建⽴的LLM。

2023年7⽉24⽇：Opentensor Foundation发布Bittensor Language Model（BTLM）。 作为“30 亿参数语⾔模型”，BTLM 旨在与移动设备兼容，与 OpenAI 的 GPT-3 和 Meta 的 LLaMA 等流⾏的 70 亿和 100 亿参数模型相⽐，所需的内存要少得多。https://opentensor.medium.com/introducing-bittensor-language-model-a-state-of-the-art-3b-parameter-model-for-mobile-and-edge- 2fe916fb81b0

2023年10⽉2⽇：Revelotion升级，⼦⽹正式上线，允许⽤⼾创建⼦⽹，为特定类型的机器学习任务创建激励机制，例如⽣成图像、创作⾳乐或互联⽹内容抓取。

2024年12⽉14⽇：Messari研究员Sami Kassab发布Bittensor研报 https://twitter.com/Old_Samster/status/1734977722424938993，此后不断bullish on $TAO。

2024年1⽉10⽇：Opentensor Foundation提出BIT001提案（First Bitttensor Improvement Template），提出dynamic TAO代币激励机制。

文章来源：

图片来源：由无界AI生成

今年年初，英伟达 CEO 黄仁勋因为劝人「别再学习计算机」被送上热搜。但其实，他的原话是「过去，几乎每个人都会告诉你，学习计算机至关重要，每个人都应该学会编程。但事实恰恰相反，我们的工作是创造计算技术，让大家都不需要编程，编程语言就是人类语言。」

编程，是为了不再编程，这一愿景由来已久，而且在大模型出现之后逐渐成为可能。但在现阶段，直接把一个大模型丢给某个人或某个企业去用效果仍然不好。比如，你不能指望一个不会写 Prompt 的人利用大模型去构建一整个网站，也不能指望一个没有配置 AI 人才的公司把某个大模型变成公司「智囊」。

也就是说，现在的大模型离「开箱即用」还有一段距离。

不过，在 5 月 17 日的腾讯云生成式 AI 产业应用峰会上，我们看到了可以缩小这一距离的产品，比如能调用腾讯官方插件和知识库的一站式 AI 智能体创作与分发开放平台 —— 腾讯元器，能帮助一线业务人员用好大模型解决实际业务难题的腾讯云大模型知识引擎、腾讯云大模型图像创作引擎、腾讯云大模型视频创作引擎等。

为这些产品提供支撑的腾讯混元大模型能力也在持续升级，部分中文能力已追平 GPT-4，支持 16 秒视频生成。目前，腾讯混元 hunyuan-pro、hunyuan-standard、hunyuan-lite 等多种尺寸模型，已通过腾讯云，面向企业、开发者全量开放。其中 hunyuan-standard 支持 256K 上下文，长文档理解和处理能力更强了。

在这次全新发布中，知识引擎是一款比较有代表性的 PaaS 类产品，可以让企业 5 分钟就开发出一款客服营销、企业知识社区类知识服务应用。这类大模型平台的出现打破了人人都需要掌握大模型复杂用法的局面，让大模型离产业更近了。

利用知识引擎，企业用户只需要输入模型选择、角色设定、知识库管理等基本信息，5 分钟就可以搭建出一款知识应用。

量产「销冠」、5 分钟创建智能助手

知识引擎是怎么做到的？ 

如果你在视频号上关注过一个叫「李蠕蠕」的博主，那你一定看过她的「销冠」系列。在视频中，她扮演的销冠角色会展示不同的销售策略，比如如何通过判断顾客的心理和需求来推销产品、如何应对还价、如何判断顾客的购买力等。批量复制这类「销冠」是每一个公司的梦想。

腾讯云知识引擎有助于实现这个梦想。它利用「LLM+RAG」的技术路线，可以帮企业轻松搭建融合了自己私有领域知识库的问答助手。如此一来，每个员工都能够以问答的形式迅速获取公司知识，学习「老员工」经验，快速提升业务能力。

某公司利用腾讯云知识引擎构建了一个「保险经纪人销售助理」，通过生成保险产品知识和安抚话术来辅助保险经纪人。其问答准确率由传统机器人的 57% 提升至 85%，保险经纪人人均提效 50%。

而这个过程之所以这么轻松，是因为腾讯云知识引擎封装了一些好用的模型和工具。

腾讯云大模型知识引擎聚焦全技术链路提升，当用户提问时，知识引擎会先通过 RAG（检索增强生成），从一个庞大的文档集合（企业知识库）中检索出相关的文档片段，然后把这些信息按照一定的规则重新排列，转换成 prompt 输给大模型（LLM）。大模型会基于这些内容生成回答。这种方式相当于带着「课本」去考试，可以大幅度降低幻觉，回答内容更安全可靠。

整合 OCR 大模型，文档识别准确率提升 30%

在利用知识引擎构建应用后，企业首先需要导入自己的知识库，以供检索。在这一环节，文档排版的复杂性决定了，解析这些知识不是一件容易的事，要克服图文混排处理、结构化表格识别、公式识别、流程图识别、阅读顺序保持等诸多问题。

针对这些问题，腾讯云知识引擎集成了 OCR 解析大模型，通过三个步骤来解析文档：

• 第一步是版面分析，即利用自研的版面分析算法定位图像中所有版面元素（包括段落、表格、图片、标题等）的位置、顺序和类型；
• 第二步是通过文本识别、表格识别等精准匹配的垂类识别算法来识别、提取不同元素的内容；
• 第三步则是将识别结果按照人的阅读顺序整合成 Markdown 格式文件进行输出，保证信息的连贯性和易读性。

其中，表格、公式的情况较为复杂，比如有些表格可能没有框线。针对这类问题，OCR 大模型通过融合行列关系特征和元素特征来预测表格的行列间隔线。这样一来，即使表格没有明显的框线，也能通过算法推理出结构。此外，这个 OCR 大模型还能识别跨页合并表格、多行表等，对科研论文场景的复杂公式解析效果也比较好，是国内少数能够与海外顶尖模型（如 Google 的 MP 模型）相媲美的模型之一。

整体来看，OCR 解析大模型将文档识别的准确率提升了 30%。这种对文档结构的深入理解对于处理更复杂的任务至关重要，比如信息的归纳、总结、对比分析和数值计算等。

提出业内首个语义切分大模型，回答完整性提升 20%

让 OCR 解析大模型把知识解析出来，就能进行检索了吗？不，中间还有一个重要的步骤 —— 知识切分。

知识切分的难点在于如何准确地识别出某些信息属于一个信息块，并将其完整地切出来，比如跨页的流程图、表格。传统的切分方法是按照规则去切分，但不同的内容往往需要不同的切分方式，这使得切分规则变得异常复杂，不易维护。

为了解决这一问题，腾讯云推出了业内首个基于语义判断的知识切分大模型。和传统切分方法不同，它不需要你告诉它如何切分，而是自己去理解整篇文章的一级、二级、三级段落是怎样的分布，实现端到端的切分。这得益于模型在预训练过程中获得的语义理解、长上下文关联能力。此外，巧妙设置 prompt、构造微调数据也起到了很大作用，使大模型能够适应长文本切分需求并有较快的推理速度。

通过准确的知识切分，大模型可以更有效地支持检索，让检索系统可以基于更合理、语义更完整的文本块进行搜索，从而提高检索的准确性和效率。在这个模型的帮助下，知识引擎的回答完整性提升了 20%。

自研长文本 Embedding 模型，上万行超大表格也能检索

在文档被充分解析、恰当切分后，检索过程就能更加顺利地进行了。不过，如何从海量的多模态数据中检索到最相关的信息依然是一大挑战。

腾讯云知识引擎从两个方向入手来优化检索效果。首先，通过自研的长文档 Embedding 模型，它把检索最大长度从 512 提升到 4K，以支持更复杂的长文本检索任务。在国际知名的 C-MTEB 榜单上，该模型在 8 个中文任务上可以达到效果最优。

其次，它支持向量关键词检索、表格文字混合检索等多种检索策略，这使其检索能力不仅限于传统的文本检索，还支持大型复杂表格等复杂检索需求。甚至，对于上万行、上百列的超大表格，知识引擎也能从容应对。

这些检索到的信息是大模型回答用户问题的重要依据，有助于提高生成文本的质量和可靠性。

整合多模态、多行业大模型，应对多样提问

在检索过程完成后，大模型会得到一个包含答案线索的 Prompt，用于回答用户提问。

这些问题有时会很专业，涉及到行业术语和规范。比如一个「教案助手」必须知道教案需要包含哪些内容，以何种形式编写。为此，腾讯云在通用大模型的基础上，深入了上百个用户场景，融入了大量的垂直领域知识，训练、调优了多个行业大模型，以降低特定行业的落地成本。

河南省数字教育发展有限公司基于腾讯知识引擎打造的智慧教育平台，面向河南省上万所中小学打造教师助理及学生助手，百科 + 教学辅助场景评测端到端知识准确率高于 90%。

此外，用户的提问可能会非常多元，不仅有文字，还会附上图片、文档、表格甚至非常复杂的流程图。为了解决这些问题，腾讯云知识引擎集成了多模态大模型的能力，支持数据表、数据图、操作图等图文交错的多轮问答，能够满足各种真实场景的需求。

当然，在问答过程中，知识引擎也会遇到一些解决不了的问题（bad case）。但好在，它的背后还有一个强大的底座 —— 腾讯云 TI 平台。TI 平台上有一整套数据处理、模型精调工具，可以将 bad case 转化为有价值的训练数据，还有 100 多种任务类型的精调配比数据可供选择，帮助进一步提升模型性能。这是很多知识引擎类应用所不具备的优势。

多个开箱即用平台齐发

瞄准「产业实用」

除了知识引擎，腾讯云这次还发布了其他几个开箱即用的平台，包括腾讯元器、图像创作引擎、视频创作引擎等。

其中，腾讯元器是一个智能体创作和分发平台，主打「低门槛」。通过提示词、插件、工作流、AI 辅助创建等能力，每个人都可以在几分钟内通过打字、点选等简单操作构建自己的专属智能体。

而且，元器平台上预集成了腾讯生态特色插件、知识库资源，还将开放第三方能力，丰富智能体的功能。

创建完成后，你可以将这些智能体发布到 QQ、微信或 APP 上，优质智能体有机会获得流量扶持。

图像创作引擎支持图像风格化、AI 写真、线稿生图等能力，可以大幅缩短素材创作和生产周期。

视频创作引擎支持视频风格化、运动笔刷、画布拓展等视频 AI 创作能力，还能一键转译视频语言，帮助企业投放海外市场。

这些引擎和知识引擎共同组成了大模型时代原生工具链，体现了腾讯云「产业实用」的大模型核心战略。

这一战略可以被解读为：如何让用户以最低的成本或门槛、最小的必要输入来获得最佳的大模型应用实践。

这一价值主张在知识引擎等产品中有多种体现。从整体来看，它有工具层、模型层和应用层的全方位支持，而不仅仅是模型本身，而且解决方案涵盖了从数据处理、模型训练、应用开发到最终的部署和运维等多个环节。

从细节来看，它没有限制底层的大模型，而是以实用为判断标准，提供了混元大模型、精调的行业大模型、客户定制大模型以及基于第三方大模型精调而成的知识引擎专用模型等多种选择，帮助企业控制成本。此外，它的接入方式也非常简单，提供开箱可用的应用模板和可被集成的原子能力 API 两种便捷使用方式，把门槛降到无限接近于 0。

就像腾讯集团高级执行副总裁、云与智慧产业事业群 CEO 汤道生所说，「大模型的打造只是起点，把技术落地到产业场景，创造价值才是目标」。我们也期待看到更多这类「产业实用」的大模型应用产品出现。

文章来源：

作者 | 张逸凡

编辑 | 硬 AI

图片来源：由无界AI生成

24Q1财报会议上，百度集团透露了公司AI业务的最新进展。

百度，一家在PC时代崭露头角的科技巨头，面临了在移动互联网时代的挑战和竞争，似乎未能完全抓住时代的机遇，相比于其他科技公司在这一阶段的快速发展，百度显得有些落后。

随着时间进入人工智能（AI）时代，百度希望能够借此机会弥补过去在移动互联网时代的失地，重新确立自己在技术领域的领导地位。

在刚刚结束的百度最新财报会上，公司透露了AI业务的最新进展：

·AI云服务营收同比增长12%；

·百度搜索11%内容由AI生成；

·大模型API调用量激增：近五个月，从5000万增长至2亿；

·AI模型性能大幅优化：训练效率提高到 5.1 倍，推理成本降低到百分之一；

百度董事长兼首席执行官李彦宏在电话会中表示，公司正在从以互联网为中心转向人工智能优先，推进用文心大模型重构To C和To B业务。目前，文心大模型日均处理Tokens文本约2500亿，日均调用量2亿次。

李彦宏特别强调：搜索最有可能成为AI时代的“杀手级”应用（killer app），而百度搜索的AI重构工作仍处于早期阶段。

此外，百度CFO罗戎称，在未来几个季度，百度将继续支持AI业务高质量增长。公司认为，随着中国生成式 AI 的新时代展开，将为百度带来更多机遇。

01

“All in AI”——百度的新机遇？

为了实现李彦宏“以互联网为中心转向人工智能优先”这一目标，百度正大力投资于AI技术的研发和应用，特别是在自动驾驶、深度学习、自然语言处理等领域。

百度正试图抢回在移动互联网时代失去的阵地。

·PC时代，凭借着独特的搜索引擎技术，百度成为了国内的搜索龙头；

·移动互联网时代，用户流量从PC端转移到移动端，公司虽多方位布局，但相较于腾讯/阿里仍显逊色；

·在推荐算法时代，又大幅落后于字节信息去中心化模式；

·迈入AI时代，百度基于其在AI领域拥有的深厚积累，希望能够在此浪潮中突围；

AI效果在财报中已逐渐突出，今年一季度智能云业务的收入达到47亿元，同比增长12%，来自生成式人工智能和基础模型的收入占智能云业务收入的6.9%。

02

AI云服务，从芯片到平台

2016年，百度CEO李彦宏提出“AI+云+大数据”的云服务战略。

此后，百度智能云构建了“芯片—框架—模型—MaaS平台”的全栈式AI基础设施，这一基础设施支持从数据存储到模型训练、部署、运行的全链路AI服务。

值得一提的是，百度飞桨平台已经兼容了50多种不同芯片，许多是本土设计的，开发者社区已经增长至1300万。

这种AI基础设施布局模式，也让百度在受制外部环境情况下，更好的匹配国内AI云需求。李彦宏认为，这种模式使得百度能够将不太先进的芯片用于高度有效的模型训练和推理。

李彦宏在电话会中称，百度把来自不同供应商的GPU集成到统一的计算集群中，以训练大语言模型，“我们的平台在GPU集群上展示了非常高的效率，该集群由成百上千的GPU组成，这是在进口GPU受到限制的背景下取得的重要突破。”

1）自主研发芯片

公司自主研发了 AI 芯片（昆仑）和语音交互芯片（鸿鹄），用于优化语音、自然语言处理、图像等 AI 技术，并支持公司的深度学习框架。

芯片最新进展：

·AI芯片：迭代到昆仑2，相比昆仑1代性能提升了2-3倍，提供128TFLOPS算力，内存带宽512GB/s；

·语音交互芯片：迭代到鸿鹄900，较上一代鸿鹄818芯片，CPU性能提升200%，GPU提升160%，搭载于华为智慧屏V5 Pro；

2）深度学习框架 —— Paddle Paddle

Paddle Paddle是百度基于BERT自研的深度学习框架，集成了深度学习核心训练和推理框架、基础模型库、端到端开发套件和丰富的工具组件。

该框架服务企业遍布能源、金融、工业、医疗、农业等多个行业。例如，连心医疗基于PaddlePaddle平台开发的“基于CT影像的肺炎筛查与病情预评估AI系统”已在湖南郴州湘南学院附属医院投入使用。

Paddle Paddle采用了开源的形式，方便百度更好的建立自己的AI生态圈。

根据公司披露的信息：

·截至 2024 年 4 月中旬，PaddlePaddle 开发者社区已经拥有了 1300 万名成员；

·截至2023年底， PaddlePaddle 为 23.5 万家企业提供服务，开发社区已经创建了 86万个模型；

此外，数据显示，Paddle Paddle 在 Github 使用人数、贡献者人数和技术迭代速度上，仅次于海外一线平台 Pytorch 和 TensorFlow。

3）AI大模型 —— 文心系列模型（Ernie）

基于强大的基础模型（Paddle Paddle），百度研发了文心系列模型Ernie（有趣小故事：文心一言的英文名为“Ernie”， 源于美国儿童节目《芝麻街》中的角色的名字，而节目中Ernie的好朋友正是Bert，Bert是谷歌2018年发布的AI模型）。

目前迭代至文心 4.0，参数规模可能超1万亿，约为文心 3.5 的4-5倍。

根据公司披露，截至今年4 月，文心模型每天处理的 API 调用约为 2 亿次，远超去年 12 月的约 5000 万次调用，表明百度文心模型正被越来越多的人所采用，并预示着未来模型推理具备强劲的收入潜力。

此外，为了让模型更具性价比，公司通过独有的四层人工智能架构和强大的端到端优化能力，不断提高模型的效率。与 3 月 23 日的版本相比，文心模型的训练效率提高到 5.1 倍，推理成本降低到百分之一。

4）MaaS（AI开发云平台）

为了让开发者更简单的开发AI模型，百度在云平台上提供了三套工具：

·AppBuilder 和 ModelBuilder：供企业和个人开发者开发应用程序和搭建模型；

·AgentBuilder：可以轻松创建一个AI Agent；

盈利方面，百度从 2022 开始将业务重点放在提升 AI 智能云业务的利润率上，废除了低质量业务，同时致力于为不同行业的客户定制标准化 AI 解决方案。

24Q1的业绩会上，公司表示，智能云收入增长主要由生成式 AI 和模型训练驱动。目前，大部分收入来自模型训练，但来自模型推理的收入增长很快。

展望未来，百度认为模型推理是最重要的长期机遇之一，也是未来人工智能云收入的主要增长动力。

03

“AI+”业务赋能

AI技术在百度内部广泛应用于搜索引擎、信息流推荐、百度翻译等多个领域。

在电话会中，李彦宏对未来AI赋能搜索支柱业务信心更足，认为搜索是AI时代最可能成为杀手级应用的产品：“AI搜索能使用户能够做到以前做不到的事，并且百度暂时还没打算对这部分收费。”

去年第二季度开始，百度就已经使用文心一言重建百度搜索，现在越来越多的搜索结果是文心一言以不同格式如文本、图像、第三方链接等组合而成的。

在模型构建上，百度使用了3种轻质模型和2种针对特定任务的模型，并且搭配专家混合模型，用来给大模型分配任务，在性能和成本上找到了更好的平衡。

从数据上看，AI确实正在提升百度各个业务的效率：

1）AI+百度搜索：截至24Q1，百度搜索有11%的内容由AI生成，同时，AI搜索推动了广告收入的增长；

2）AI+百度文库：通过引入生成式AI功能，吸引了18%的新付费用户。这些功能包括内容总结、创作、扩展以及将灵感一键转化为Powerpoint等。24Q1 百度文库付费用户数量实现了两位数的同比增长。

3）AI+百度地图：引入了“AI向导”功能，在理解用户需求的基础上，智能调用众多地图功能及服务，快捷准确地给出解决方案；

4）AI+百度网盘：推出了基于文心大模型的智能助理“云一朵”，帮助用户实现一句话快速搜索文件和视频、总结知识、翻译文档、甚至进行内容创作的功能。截至23Q3“云一朵”的用户已达到2000万。

04

终端厂商合作AI手机/AI PC

AI除了对内提升效率，本季度百度也进一步扩大了对外合作。

根据公司披露，上季度，公司已与三星中国、荣耀等手机厂商达成合作。本季度，合作扩展到更多领先智能手机厂商，包括Oppo、VIVO和小米。

业务范围也从智能手机扩展到PC和电动汽车领域，进一步扩大了百度的AI生态圈。联想正利用Ernie API为其默认浏览器中的AI助手提供支持，蔚来汽车开始使用Ernie API增强车内体验。

此外，公司吸引了许多新客户，包括携程、高途、招聘、作业帮和新加坡旅游局，通过AI技术，帮助他们重构所有面向消费者的产品，以提供更好的用户体验。

05

对外投资

除了自主研发，百度也通过对外投资来不断扩展自家的AI生态，覆盖了芯片-模型-模型应用三大环节。但很明显，与阿里不同，百度的对外投资更偏向于上下两端。

这个原因也不难理解，因为百度未来将依靠搜索这类应用端支撑收入，完成商业模式闭环的。

最有代表性的一个证明来自李彦宏对大模型开源还是闭源的判断：“大模型开源意义不大，闭源才能走通商业模式，是能够赚到钱的，能够赚到钱才能聚集算力、聚集人才。”

“闭源在成本上反而是有优势的，只要是同等能力，闭源模型的推理成本一定是更低的，响应速度一定更快”，这也是与阿里云不同的商业模式的思考。

所以，按照百度的思路，未来的路已经比较清晰，但AI时代的竞争显然会比PC时代更加激烈。