格灵深瞳受邀参加昇思人工智能框架峰会2024并发表主题演讲

人工智能框架作为软件根技术，已成为加速人工智能大模型开发、推动产业智能化发展的核心力量。3月22日， 以“为智而昇，思创之源”为主题的昇思人工智能框架峰会2024在北京国家会议中心举办，旨在汇聚AI产业界创新力量，推动根技术持续创新，共建人工智能开源新生态。

格灵深瞳作为昇思开源理事会成员受邀参加本次活动，格灵深瞳研发总监潘玉峰在「昇思MindSpore产学研融合创新与应用论坛2024」上发表了题为《视觉大模型在各行业的创新与应用》的主题演讲。

潘玉峰表示，预训练大模型虽然带来了算法层面的新变革，但同时也引入了一系列的工程化问题。一方面预训练大模型对算力提出了更高的要求，并且要求基础设施的迭代能随时应对业务的需求，另一方面算力的堆叠不等同于性能的提升，而且因为AI算力成本较高，需要尽可能地榨干性能，以期得到充分的利用。因此，我们需要思考如何更高效地进行敏捷开发，同时减弱与业务强耦合的工具开发。

而昇思MindSpore作为国内主流开源框架，可以让开发者更灵活地实现大模型创新，帮助我们加速大模型应用规模落地。潘玉峰提到，昇思MindSpore 加速了大规模预训练模型的训练过程，提供了更稳定的算力基础设施、更高的训练性能以及更高的开发效率。

格灵深瞳使用 MindSpore 框架高效完成了预训练大模型的开发和调试，并在华为的训练卡上完成了训练；此外，我们基于 MindSpore 框架针对业务需求对预训练模型进行了微调后，可以为客户提供适配到目标业务场景的模型；与此同时，MindSpore Lite极大简化了推理工程化，借助 MindSpore Lite优化过的 kernel 算子，在各算力平台上实现了高吞吐、低时延的功耗推理，帮助我们提高了交付效率，加速了业务落地。

目前，格灵深瞳自研的大模型方案已经在智慧金融等领域落地实践，可为客户提供高效的模型生产、高精度的算法能力和安全可靠的国产化解决方案。模型应用了先进的多模态弱监督学习技术，可大大降低数据标注的成本，在少量样本学习场景中，能显著提升模型精确度，并拥有出色的零样本泛化能力，轻松实现模型的冷启动。同时，借助自主学习方案，用户可迅速用行业数据进行模型微调，打造满足特定行业需求的垂直行业大模型。

审核编辑：刘清