行业大模型的底层逻辑究竟如何？

在ChatGPT的引爆下，各类通用大模型应用可谓百花齐放：谷歌Gemini、百度文心一言、阿里通义千问、讯飞星火、智谱清言.....。

虽然通用大模型市场一片繁荣景象，但前景如何，盈利模式怎么样，其实都还不明朗。市场也有声音说行业大模型是未来的发展方向。那行业大模型与通用大模型之间有什么不一样呢？

简单来说，行业大模型是在通用大模型的基础上构建的，通过使用行业特定的数据和知识对其进行训练，行业大模型针对特定行业进行微调或定制，因此具备行业特定的知识和专业术语，生成的文本更准确。

以上是表面上的区别，底层逻辑或者说底层技术架构又有哪些不一样呢?我们先看看直接调用公有通用大模型的技术架构：

这种是最简单的方式，行业应用通过提示（Prompt）给到AI大模型直接拿到结果。当然，如果只调用一个通用大模型（而不是多个），也就变成了常说的“套壳”，调用多个可以说是“集成”，哈哈。

此外，大模型本身通常无法获取实时信息（比如实时股票信息），调用外部实时数据，通常可以通过函数调用（Function Calling）的方式，如下图所示：

回到今天的主题：行业大模型，它可以基于通用大模型，有几种架构可以实现对行业特定知识的获取。

一，最简单的做法是直接引入检索增强生成（RAG）。

RAG一般用于检索企业私有知识库中的信息，让私有知识库和AI大模型更好地融合。应用程序首先调用RAG组件，利用其检索能力在特定的知识库中寻找与用户Prompt相关的信息。如下图所示：

RAG组件通过分析Prompt和知识库内容，返回与之最相关的信息或数据。将RAG返回的信息或数据整合进一个新的Prompt中。这个新Prompt包含了原始用户请求的上下文信息，以及通过RAG检索获得的相关知识。然后应用将这个包含了检索信息的新Prompt发送给大模型。

二，RAG还可以采用下图技术架构。两者的区别在于引入RAG的位置不同。

三，更进一步，可以将RAG信息直接微调（Fine-tuning）到大模型本身，这样新的行业大模型中就有了RAG的信息。架构如下图所示：

通常进行一次微调的成本也不低，因此，一般是到了某个阶段才会微调一次。微调前，新知识可以暂时先存入到向量数据库中，通过RAG（方案一、二）获取。隔了一段时间，当新知识积累到一定程度再次做一次微调，做完微调后大模型中就有了这部分新知识。

综上所述，行业大模型可以基于通用大模型，采用“通用大模型+外部API+RAG”的组合方式为用户提供服务；通过微调，可以将RAG内容定期训练到通用大模型中，形成真正的行业大模型。当然，行业大模型也可以从头开始训练，无需通用大模型作为基础，但这样无异于从头“造轮子”，必要性不大。