百度近日正式推出文心5.0原生全模態(tài)大模型，標(biāo)志著國內(nèi)人工智能領(lǐng)域在多模態(tài)技術(shù)方向上取得重大突破。該模型參數(shù)規(guī)模達(dá)2.4萬億，采用創(chuàng)新的原生全模態(tài)統(tǒng)一建模架構(gòu)，突破傳統(tǒng)多模態(tài)技術(shù)"后期融合"的局限，實(shí)現(xiàn)文本、圖像、視頻、音頻等多元數(shù)據(jù)在統(tǒng)一模型框架中的深度協(xié)同訓(xùn)練。這一技術(shù)路線使模型具備原生全模態(tài)理解與生成能力，在40余項(xiàng)權(quán)威基準(zhǔn)測試中，語言與多模態(tài)理解能力超越國際主流模型，穩(wěn)居全球第一梯隊。

在技術(shù)架構(gòu)層面，文心5.0創(chuàng)新性地采用超大規(guī)模混合專家結(jié)構(gòu)，通過超稀疏激活參數(shù)設(shè)計將激活參數(shù)比控制在3%以下，在保持模型強(qiáng)大性能的同時顯著提升推理效率。模型開發(fā)團(tuán)隊基于大規(guī)模工具環(huán)境構(gòu)建長程任務(wù)軌跡數(shù)據(jù)，結(jié)合思維鏈與行動鏈的端到端強(qiáng)化學(xué)習(xí)訓(xùn)練方法，使模型在智能體交互和工具調(diào)用能力上實(shí)現(xiàn)質(zhì)的飛躍。這種技術(shù)突破為AI在復(fù)雜場景中的應(yīng)用奠定了堅實(shí)基礎(chǔ)。

百度集團(tuán)副總裁吳甜在發(fā)布會上強(qiáng)調(diào)，文心5.0的技術(shù)路線與業(yè)界普遍采用的"后期融合"方案存在本質(zhì)差異。通過將多源數(shù)據(jù)在統(tǒng)一自回歸架構(gòu)中進(jìn)行聯(lián)合訓(xùn)練，模型實(shí)現(xiàn)了多模態(tài)特征的深度融合與協(xié)同優(yōu)化，這種原生全模態(tài)建模方式使模型能夠更自然地處理跨模態(tài)任務(wù)。例如在圖像生成場景中，模型可以同時理解文字描述、語音指令和參考圖像，生成更符合用戶預(yù)期的視覺內(nèi)容。

應(yīng)用模型研發(fā)部負(fù)責(zé)人賈磊現(xiàn)場展示了三項(xiàng)突破性技術(shù)：基于聲音Token的端到端合成大模型通過離散語音表示、MoE韻律建模和Unet聲學(xué)編碼等技術(shù)，實(shí)現(xiàn)了更自然的語音合成效果；5分鐘直播技術(shù)通過少量音色采樣和韻律模式匹配，使合成語音具備專業(yè)主播的情緒表現(xiàn)力；實(shí)時交互數(shù)字人技術(shù)采用三態(tài)Token聯(lián)動架構(gòu)，突破傳統(tǒng)數(shù)字人制作模式，實(shí)現(xiàn)文本、語音、視頻的流式控制，顯著降低制作成本。這些技術(shù)已應(yīng)用于羅永浩數(shù)字人直播等場景，創(chuàng)造行業(yè)新紀(jì)錄。

為推動大模型技術(shù)落地，百度千帆平臺推出Agent Infra解決方案，提供包含文心5.0在內(nèi)的150余個場景化模型服務(wù)，集成百度AI搜索等工具鏈，結(jié)合數(shù)據(jù)管理和企業(yè)級服務(wù)能力，為企業(yè)打造全周期、多場景的業(yè)務(wù)運(yùn)行環(huán)境。目前平臺已孵化超130萬個智能體應(yīng)用，以百度AI搜索為代表的工具日均調(diào)用量突破千萬次，形成完整的"芯云模體"技術(shù)生態(tài)閉環(huán)。

相較于國際主流AI應(yīng)用仍以對話交互為主的現(xiàn)狀，文心5.0的技術(shù)突破為AI在真實(shí)行業(yè)場景中的深度應(yīng)用開辟新路徑。通過構(gòu)建從芯片到智能云，再到模型應(yīng)用的完整技術(shù)棧，百度正在探索一條具有中國特色的AI發(fā)展道路。這種全棧自研的生態(tài)閉環(huán)，不僅提升了技術(shù)自主性，更為金融、醫(yī)療、教育等垂直領(lǐng)域提供了可定制化的智能解決方案。