开放原子开源大模型发展论坛成功举办

以“以共商促共享 以善治促善智”为主题的2024世界人工智能大会暨人工智能全球治理高级别会议在上海开幕。

作为本次大会的重要论坛之一，由开放原子开源基金会和上海市人工智能行业协会共同承办的开放原子开源大模型发展论坛在上海世博展览馆成功举办。开放原子开源基金会副秘书长辛晓华、上海市人工智能行业协会副秘书长徐琦出席活动并致辞。

聚焦生态

共同推动开源大模型产业发展

以开源开放合作的方式建设大模型平台，有助于整合各方资源，加速大模型的行业应用落地，推动大模型开源生态发展。

辛晓华表示，开放原子开源基金会拟将在国家级人工智能开源社区、开源大模型相关许可证、开源人才培育等方面，探索开展工作。

徐琦表示，上海市人工智能行业协会积极倡导并支持大模型开源，今年3月和开放原子开源基金会共同发起成立人工智能开源社区。协会将进一步完善建设大模型开源生态环境，积极推动政产学研合作交流，夯实人工智能基础设施建设。

产、学、研、用多方专家

聚焦开源大模型技术落地应用

现场，来自高校、企业和社区等领域专家，共同探讨了开源大模型技术的实际应用和未来发展方向，携手推动大模型技术创新、规模应用和生态繁荣。

同济大学副教授、博士生导师王萌

在《知识检索增强：范式与关键技术》主题分享中，王萌提出，知识检索增强技术通过整合外部知识源，有效缓解了大语言模型的幻觉和知识时效性问题。他深入探讨了RAG的范式、核心技术及其应用，并提出了模块化RAG与RAG Flow的研究框架，概述了六大功能模块、50余个算子操作，这些研究成果将有效推动OpenRAG系列开源项目的进一步发展。

开放原子开源基金会资深法律顾问刘伟

刘伟分享了《大模型与开源的关系浅析》，她认为开源和闭源模型是互补关系，而非替代关系。当前闭源大模型通常性能优于开源，却可能因缺乏本地数据而产生幻觉等问题，端云结合方式向用户提供AI服务或成为最优解。此外，模型许可通常涉及模型参数，而软件许可关注代码，当许可对象本质改变时，传统开源许可证可能不再适用。基于此，目前，开放原子开源基金会已联合业界专家拟定开放原子模型许可证，旨在为模型许可提供更匹配的许可证。

RWKV元始智能联合创始人&COO罗璇

罗璇分享了《RWKV，全球开源开放的大模型新架构》，他阐述了RWKV作为创新的大模型架构，致力于促进全球范围内的人工智能技术安全与和平发展。该架构在技术上实现了突破，使得推理速度和内存使用保持恒定，这一特性吸引了全球开发者的智慧，共同构建了一个充满活力的开放生态系统。

openEuler Intelligence SIG Committer赵家麒

赵家麒分享了《openEuler+大模型：智能时代操作系统新体验》。他表示，openEuler积极拥抱智能时代，与AI深度结合，致力于引领智能化创新，推动操作系统使能AI更高效，AI使能操作系统更智能。openEuler24.03 LTS在基础设施、Linux6.6内核、智能解决方案以及全场景体验四大方面实现了全面升级，为开发者和用户带来了高性能、高可靠、高灵活的开发体验。

中移动信息技术有限公司多模态大模型算法负责人童同

童同分享了《多模态大模型在中国移动的应用实践》，他表示，中国移动积极探讨多模态大模型技术在视频理解、文本生成、图像及视频创作以及数字人等多元领域的应用，并成功将该技术应用于中国移动MOA AI助手、妙笔智能文档、智能交互数字人等产品，为用户带来更智能、便捷和有创造力的体验。

360人工智能研究院的资深算法专家刘焕勇

在《大模型在文档数字化场景中的应用实践》分享中，刘焕勇强调了文档数字化对企业运营的重要性，并指出非结构化数据激增带来的管理挑战和价值信息挖掘。他介绍了360智能文档方案，该方案通过低成本、安全地集成大模型技术，最大化AI的价值，专注于文件和图片等非结构化数据的整合与处理，从而提升业务效率。

ModelScope技术负责人、通义实验室模型工程技术总监周文猛

在《开源社区，模型即服务，驱动AI发展》的分享中，周文猛强调了魔搭社区在推动“模型即服务”(MaaS)理念上的领先地位，旨在促进模型的共享与创新。魔搭社区解决了模型获取难、使用门槛高和接口复杂等问题，目前拥有超过5500个大模型和560万用户。社区通过分享最佳实践，助力开发者掌握和应用最新的模型技术，并在此基础上进行二次开发与创新。

昇思MindSpore的高级技术专家施文琦

在《昇思MindSpore训练创新与实践》的分享中，施文琦强调了大模型在推动超大规模AI发展中的关键作用，这一趋势被视为通往通用强人工智能的重要途径。MindSpore通过其多维混合并行、多维内存优化和图算融合等核心技术，已经成功孵化了20多个大模型，其中包括6个千亿参数规模以上的大模型。他详细介绍了MindSpore在超大规模AI领域的实践，阐述了如何利用这些技术来训练大模型，并展示了如何通过昇腾集群来解决大模型在大集群环境中的训练挑战。