AI大模型混战升温，阿里云通义听悟打响大模型应用第一枪

新知榜官方账号

2023-07-12 16:37:22

AI大模型混战升温

配图来自Canva可画2023年伊始，ChatGPT的爆火出圈，迅速引发了业界对于生成式AI应用的关注，AI大模型的竞争更是愈演愈烈。作为参与其中的重要玩家，阿里云先是在4月11日举行的阿里云峰会上，推出了通义千问大模型。紧接着6月1日，阿里云宣布通义大模型进展，聚焦音视频内容的AI新品“通义听悟”正式上线，成为国内首个开放公测的大模型应用产品，这意味着阿里云大语言模型，又向前端应用迈进了一大步。同时其基于AI大模型应用的发布，也相当于给当前纷争正劲的“大模型混战”，掷下了一枚重磅炸弹。

通义听悟打响大模型应用第一枪

随着AI大模型涉及的层面来看，主要可以分为应用层、模型层、框架层和芯片层等四个层次，而目前市面上大部分公司都还在模型层，深一点的涉及到框架层和芯片层的研究，前端应用目前业内还没有。作为业内首个公测的大模型应用产品，通义听悟的示范作用极为明显。一方面，相比底层技术，靠近应用前端的技术价值将更具想象空间。纵观所有的技术演变历史不难发现，技术的价值核心在于应用普及程度，以及对用户问题解决的程度。正因为如此，承担这一职责和使命的前端应用，往往具备更大的想象空间。以6月1日阿里云推出的通义听悟为例，它通过接入阿里的通义大模型，其作用已经不仅仅是简单的具备音视频转写的工具了，而是已经成为帮助人们在音视频场景之下的高效AI助手了。

它为人们提供自动做笔记、整理访谈、提取PPT等多种办公服务，而且能够实现音视频转化成图文内容、分章节摘要和总结全文观点等能力，具备了“类人”的高效检索分类能力。此外，在细分场景中，它还具备不少“宝藏”功能，比如可以打开Chrome插件，外语学习者和听障人士，可以借助双语悬浮字幕条随时随地看无字幕视频，日程冲突时，听悟还可成为职场人士的“开会替身”，在静音情况下入会AI可代为记录会议、整理要点；转写结果可下载为字幕文件，方便新媒体从业者视频后期制作；听悟梳理的问答回顾可以让记者、分析师、律师、HR等群体整理访谈更高效。

另一方面，从阿里云自身来说，通义千问大模型刚刚对外推出不久，就能够迅速推出基于AI大模型的技术应用，说明阿里云AI大模型的确已经比较成熟，具备了衍生AI应用的能力。从模型层到应用层，从AI大模型到大模型应用的诞生，看似简单实则实现起来并不容易。通义听悟打响大模型应用第一枪，对于AI大模型应用的推广和落地，具有重要的示范作用。

产业迎来AI惠普时代

随着AI大模型应用的诞生，以深度AI普惠为特征的全新时代，也在逐渐拉开帷幕，AI深度嵌入产业实体，将成为不可逆转的行业趋势。一方面，通用大模型的高门槛和广泛的垂类领域差异化需求，决定了基于通用大模型的专属大模型和产业应用，会成为未来主流的应用方向，推动AI加速进入千行百业。正如前文所述，通用大模型的高门槛，决定了国内外能够做成通用大模型的公司只是少数，而且随着AI模型变大，AI产业正从“手工作坊”组成的轻工业走向集约化生产，需要高性能、低成本的体系化基础设施，才能完成工业化生产。这种能力不仅很多中小企业没有，即便是对于各行业头部企业，从0到1优化大模型训练，本身也并不经济，各行各业都需要成本足够低的AI基础设施。

另一方面，发展AI大模型的短期瓶颈是算力，长期来看是数据，因此高质量的前端应用有助于加速企业积累充分的数据资产，增强自身长期竞争力，加速产业应用普惠进程。当前来看，大模型的迅速迭代和进化，迫使所有的参与玩家不断累积算力资源，从芯片、云服务等各方面来优化配置，保证大模型训练所需要的算力支持。不过，从更长远来看，训练AI大模型的算法还在不断优化调整之中，未来随着算法的突破，算力可能不再是瓶颈，而高质量的数据资源将成为一种稀缺的资源，会受到更多关注。作为业内首个基于AI大模型的应用，通义听悟的面世，有利于阿里加速积累优质数据资源，加速产业普惠进程，为更长期的发展奠定良好基础。

本页网址：https://www.xinzhibang.net/article_detail-7731.html

寻求报道，请

关键词

分享至微信：

相关工具

Gencraft

AI艺术画视频生成工具

Kaiber

图片文字转视频的AI引擎

Runway

强大的AI视频制作工具，绿幕抠像、视频合成等

Synthesys

AI虚拟人出镜讲解

D-ID

AI真人口播视频生成工具

绘影字幕

一键智能在线自动为视频加字幕

人工智能生成内容（AIGC）的发展、应用、技术原理和优势与挑战

发展历程AIGC指的是利用人工智能算法，如机器学习和深度学习，来自动创作新的内容。从最初的文本自动生成软件到现在能够创作复杂艺术作品的系统，AIGC技术经历了快速的发展。这一过程中，技术如GPT-3、DALL-E等的问世，标志着AIGC领域的重要里程碑。应用领域AIGC的应用领域广泛。在文学、艺术、

分类标签人工智能生成内容AIGC

12-09 22:11

使用TensorFlow.js进行语音识别-语音命令

迁移学习语音识别如何工作？从历史上看，图像分类是普及深度神经网络的问题，尤其是视觉类型的神经网络——卷积神经网络（CNN）。今天，迁移学习用于其他类型的机器学习任务，如NLP和语音识别。我们不会详细介绍什么是CNN以及它们是如何工作的。然而，我们可以说CNN在2012年打破了ImageNet大规模

分类标签 TensorFlow.js语音识别迁移学习卷积神经网络预训练模型语音命令

12-03 16:14

谷歌大脑团队2017年度总结

谷歌大脑团队2017年度总结作为谷歌AI帝国的重要部分，谷歌大脑团队一直致力于通过研究和系统工程来推动人工智能领域的发展。去年他们分享了2016年的工作总结。在接下来的一年中，他们在制造智能机器的长期研究中不断取得进步，并与来自Google和Alphabet的其他团队合作，利用研究成果来为人类造福。

分类标签谷歌大脑团队人工智能机器学习

12-03 16:13

英语哑音字母发音规律

英语哑音字母发音规律学习英语哑音字母的发音规律，掌握规律可以少走弯路。哑音字母b：字母b在m之后或t之前且mb,bt处于单词的末尾时(注意：member中的b发音，因为mb不在词尾)，b往往不发音。如：(1)bomb炸弹；climb爬；comb梳子；lamb羊羔；limb手足thumb拇指。(2)d

分类标签英语哑音字母发音规律

11-30 16:15

在西门子Avanto和Essenza等机型上如何设置音乐播放功能？

在西门子Avanto和Essenza等机型上如何设置音乐播放功能？在Avanto和Essenza这种机型上，操作盘是如下图所示款式。那么在这些机型上如何设置达到播放音乐的功能呢？首先把上方图中橙色框选中的（3）开关掰到CV处，否则即便后续设置好了也无法听到声音。注意：有些时候在培训初装机的现场遇到无

分类标签西门子AvantoEssenza音乐播放设置

11-30 16:14

谷歌推出基于RNN-T的全神经元设备端语音识别器解决识别延迟难题

在近二十年来，尤其是引入深度学习以后，语音识别取得了一系列重大突破，并一步步走向市场并搭载到消费级产品中。然而在用户体验上，「迟钝」可以算得上这些产品最大的槽点之一，这也意味着语音识别的延迟问题已经成为了该领域研究亟待解决的难点。日前，谷歌推出了基于循环神经网络变换器（RNN-T）的全神经元设备端语

分类标签谷歌RNN-T语音识别延迟问题全神经元设备端

11-30 16:13

精准可控的AI动画制作流程

精准可控的AI动画制作流程今天给大家介绍一下被低估的AI视频制作工具Runway。这支视频大概花了半个小时，由Midjourney生成底图，然后用Runwaymotionbrush精准控制动画，从而完成创作。我花1分钟介绍一下这个工作流程。首先打开Midjourney，生成好看的底图。然后开局部重绘

分类标签 AI视频制作工具Runway动画制作

11-23 22:14

AI视频创作工具Runway推出“运动笔刷”功能，让静态图秒变动态视频

AI视频创作工具Runway推出“运动笔刷”功能，让静态图秒变动态视频11月21日，Runway的Gen-2视频生成模型正式上线“运动笔刷”（MotionBrush）功能。顾名思义，它可以让一切你需求的对象元素活动起来。刷哪里，哪里就会自己动！只需对着下图的小船随手一刷，就能让被选中的目标滑行起来！

分类标签 AI视频创作工具Runway运动笔刷

11-23 22:12

视频变声的方法和工具

视频变声的方法和工具在制作视频时，有时候我们可能需要给视频添加一些特殊的音效来增加趣味性或创造特定的效果。其中，变声是一个常见的音效处理方式，可以改变视频中人物或配音的声音。使用音频编辑软件我们可以使用各种音频编辑软件来进行视频变声，例如Audacity。在软件中，我们可以使用各种效果器，实现不同的

分类标签视频变声音效处理音频编辑软件

11-13 16:20

拍乐云音频变声接口实现教程

背景介绍在泛娱乐社交和互动游戏场景中，用户已不再满足于高清的音质体验和实时的互动效果，他们还想要增加趣味性和沉浸感，让声音变得好玩有趣。拍乐云Pano上线了音频变声接口，开发者可以通过PanoSDK设置不同的变声效果，如大叔音、小姐姐音、萝莉音、山谷音、惊悚音、困兽音等，增强语聊乐趣。实现步骤1.

分类标签拍乐云音频变声PanoSDK

11-13 16:19