截至2025年，生成式AI大模型的能力仍在迅速提升。如果關(guān)注這個領(lǐng)域，會發(fā)現(xiàn)有不少創(chuàng)業(yè)者花大量精力打造的AI應(yīng)用，但往往很快就被新一代大模型“原生功能”所取代。

這一類應(yīng)用被歸類是Prompt（提示詞）包裝層應(yīng)用，這些應(yīng)用通過設(shè)計提示詞調(diào)用大模型基礎(chǔ)能力，但沒有構(gòu)建更深層次業(yè)務(wù)價值。因為應(yīng)用的價值主要靠大模型的原始能力，所以很容易被不斷變強的大模型取代。

如何開發(fā)出不容易被大模型“抄家”的AI應(yīng)用？

對此，英特爾技術(shù)專家認(rèn)為，大模型應(yīng)用開發(fā)不應(yīng)僅僅沿著大模型本身能力的延展，直接基于大模型開發(fā)智能體，這樣很容易隨著大模型能力的提升而被淘汰。大模型應(yīng)用開發(fā)要從大模型不擅長或無法克服的點進(jìn)行切入，如解決數(shù)據(jù)地基的問題。

目前大模型最明顯的兩個問題都與數(shù)據(jù)有關(guān)。

首當(dāng)其沖的就是幻覺。大模型本質(zhì)上是在做概率運算，輸出的內(nèi)容越多，概率偏差就越大。此外，訓(xùn)練數(shù)據(jù)質(zhì)量也會導(dǎo)致幻覺。而要在短期內(nèi)徹底消除幻覺問題，則需要根本性的技術(shù)變革為前提。

第二，是大模型的知識無法實時更新。大模型預(yù)訓(xùn)練都有固定的時間，可能是幾個月甚至是幾年之前，完全不知道新發(fā)生的事情，無法及時更新自己的知識庫。做出的回答也只能基于舊的已知內(nèi)容。

針對這兩大問題，業(yè)內(nèi)達(dá)成的共識就是基于RAG（檢索增強生成）構(gòu)建知識庫，它在預(yù)訓(xùn)練的大模型基礎(chǔ)上連接外部的數(shù)據(jù)源，所有的任務(wù)和回答的內(nèi)容上下文都從知識庫中提取，然后，由大模型做出回答。

具體操作中，企業(yè)需要把內(nèi)部的文檔資料轉(zhuǎn)化為機(jī)器能讀懂的形式。先對文檔進(jìn)行切分，然后再進(jìn)行向量化處理，最后存到向量數(shù)據(jù)庫里。當(dāng)用戶提出問題時，問題也被轉(zhuǎn)成向量，基于這些在向量數(shù)據(jù)庫里進(jìn)行檢索，最后根據(jù)檢索到的內(nèi)容生成答復(fù)。

在生成答復(fù)的時候，召回率和準(zhǔn)確率是非常關(guān)鍵的指標(biāo)。召回率看的是，在所有“真正相關(guān)”的文檔中，有多少被檢索到了。而準(zhǔn)確率Precision看的是，在所有被檢索出來的文檔中，有多少是“真正相關(guān)”的。

英特爾專家表示，當(dāng)看到這些技術(shù)細(xì)節(jié)后，就應(yīng)該意識到，大模型的效果受到太多因素或環(huán)節(jié)的影響。比如，負(fù)責(zé)把文本轉(zhuǎn)換成向量的Embedding模型的選擇，切分文檔的大小，檢索數(shù)據(jù)的處理等等都會影響最后生成的結(jié)果。

在英特爾專家看來，做大模型開發(fā)，直接從智能體開始或許不是最優(yōu)選。數(shù)據(jù)基礎(chǔ)上的微小差異，最終效果可能會差出很多。換言之，如果能處理好數(shù)據(jù)本身，而不只是單純依靠大模型本身的表現(xiàn)，則會創(chuàng)造更多不可替代的價值。

快速上手，在云上構(gòu)建企業(yè)級RAG開發(fā)環(huán)境

目前，國內(nèi)外多家大型企業(yè)都基于大語言模型和RAG技術(shù)構(gòu)建了企業(yè)知識庫，而且很多一線員工都非常認(rèn)可。鑒于RAG知識庫對企業(yè)非常重要，火山引擎推出了支持RAG場景的云主機(jī)鏡像。

火山引擎在大模型服務(wù)領(lǐng)域表現(xiàn)非常亮眼。根據(jù)IDC發(fā)布的《中國公有云大模型服務(wù)市場格局分析，1Q25》報告，火山引擎在2024年中國公有云大模型調(diào)用量市場中占據(jù)了46.4%的份額，位居第一。

火山引擎不僅有火山方舟這種大模型服務(wù)平臺，還有扣子（Coze）這類低代碼AI應(yīng)用開發(fā)平臺，以及HiAgent這樣的企業(yè)專屬AI應(yīng)用創(chuàng)新平臺。新推出的RAG鏡像則是讓普通開發(fā)者以更低的門檻，開發(fā)出不容易被大模型“抄家”的AI應(yīng)用。

RAG鏡像中不僅包含Embedding（嵌入式）模塊，還有向量數(shù)據(jù)庫、Re-rank模型和7B的DeepSeek蒸餾模型，甚至還提供了數(shù)據(jù)預(yù)處理服務(wù)，以及處理在線問答服務(wù)的模塊和前端頁面，而且所有軟件棧都經(jīng)過了提前優(yōu)化。

火山引擎的RAG鏡像作為面向企業(yè)的服務(wù)，參考了OPEA的架構(gòu)。OPEA是英特爾在去年發(fā)起的開源社區(qū)，利用開放架構(gòu)和模塊化組件的方式，幫助企業(yè)構(gòu)建可擴(kuò)展的AI應(yīng)用部署基礎(chǔ)。相比普通的開源架構(gòu)，火山引擎的鏡像具備更多企業(yè)級特性。

很多云廠商也提供了RAG服務(wù)，這些服務(wù)對普通用戶來說門檻更低，但對于專業(yè)開發(fā)者而言，這些“黑盒”屏蔽了大量技術(shù)細(xì)節(jié)。而火山引擎的RAG鏡像作為開源方案，讓開發(fā)者能夠看到更多底層細(xì)節(jié)，從多個技術(shù)維度進(jìn)行優(yōu)化，從而構(gòu)建起真正的技術(shù)壁壘。

DeepSeek爆火之后，很多企業(yè)都計劃進(jìn)行本地部署，市場上出現(xiàn)了很多一體機(jī)解決方案，一臺一體機(jī)里經(jīng)常會有8張高性能顯卡，這套方案的成本并不低，在沒有明確業(yè)務(wù)需求之前，動輒幾十萬的成本投入或許并不明智。

現(xiàn)在，用戶只需要在火山引擎上選擇好虛擬機(jī)和鏡像，就能在三分鐘內(nèi)搭建好一套開發(fā)環(huán)境，開始各種學(xué)習(xí)和實踐。為了幫助開發(fā)者提升能力，英特爾還準(zhǔn)備了一系列課程，幫助大家補齊相關(guān)知識，更輕松地邁出從0到1的第一步，打好數(shù)據(jù)基礎(chǔ)。

大模型應(yīng)用開發(fā)的三要素，硬件平臺是基礎(chǔ)

英特爾專家總結(jié)了大模型應(yīng)用開發(fā)的三要素，除了剛才提到的軟件棧和配套的指導(dǎo)課程，硬件環(huán)境同樣至關(guān)重要?；鹕揭婊谟⑻貭栔翉娞幚砥鞔蛟炝硕喾N云主機(jī)，最近推出的基于英特爾至強6性能核處理器的通用型實例 g4il，非常適合做大模型應(yīng)用開發(fā)。

g4il是火山引擎的第四代通用型實例，其中 “g” 代表通用型，“4” 表示第四代，“i” 代表英特爾CPU平臺。與第三代相比，其整體性能有顯著提升，無論是在數(shù)據(jù)庫應(yīng)用、Web應(yīng)用，還是圖像渲染方面表現(xiàn)都更加出色，而在AI推理方面的優(yōu)勢更是尤為突出。

得益于集成AMX加速器，英特爾至強6處理器已成為目前最擅長AI推理的x86架構(gòu)處理器之一。在火山引擎的g4il實例中，用戶可以使用CPU完成AI推理。相比基于GPU的方案，它具備成本更低、資源更容易獲得的優(yōu)勢，能滿足基本需求。

基于CPU的AI推理方案特別適合用于AI應(yīng)用的開發(fā)和驗證階段。搭配前面提到的火山引擎RAG鏡像，用戶可以在云上快速搭建起一套大模型應(yīng)用的開發(fā)環(huán)境，大大降低了對硬件資源的門檻。

而到了生產(chǎn)環(huán)節(jié)，通常需要采用CPU+GPU的異構(gòu)計算架構(gòu)。比如，可以使用帶有AMX的至強CPU來處理Embedding（文本嵌入）、Re-Rank、向量數(shù)據(jù)庫等輕量級AI負(fù)載，讓GPU專注于處理重型AI負(fù)載，從而提高資源利用率和整體處理能力。

g4il的一大亮點在于：用戶只需選擇一臺配備16 vCPU或32 vCPU的云主機(jī)，即使不使用GPU，也能運行參數(shù)量為7或14B的DeepSeek蒸餾版模型。值得一提的是，該方案還支持DeepSeek推薦的高精度計算格式BF16，進(jìn)一步提升推理質(zhì)量。

小結(jié)

在技術(shù)快速演進(jìn)的當(dāng)下，借助云平臺進(jìn)行開發(fā)，既能降低試錯成本，又能加快創(chuàng)新速度，為企業(yè)和開發(fā)者提供了更靈活的選擇。更重要的是，通過精細(xì)化RAG等技術(shù)深耕數(shù)據(jù)底座，而不只是單純靠巧妙的提示詞，才能打造出不容易被大模型“抄家”的AI應(yīng)用。

免責(zé)聲明：市場有風(fēng)險，選擇需謹(jǐn)慎！此文僅供參考，不作買賣依據(jù)。

關(guān)鍵詞：