編者按：隨著數據量和模型規模的增加，大語言模型在指令執行、知識存儲、邏輯推理和編程技能等方面展現出了突破性的能力。然而，大語言模型在產業領域的潛能尚未得到充分挖掘，特別是在滿足產業數據分析、推理、預測、決策等數據智能需求方面。如何有效地變革各行業的數據模型及智能的構建方法與應用范式，仍然面臨諸多挑戰。為應對這些挑戰，微軟亞洲研究院提出了構建產業基礎模型的倡議，其核心理念在于通過持續預訓練，將產業數據智能相關的知識與技能融入到大語言模型中。基于這一理念，微軟亞洲研究院開發了生成式表數據學習（Generative Tabular Learning，GTL）框架，展示了如何在表數據這一廣泛使用的數據表征上，構建具有跨行業、跨數據模式、跨任務的產業基礎模型。

盡管大語言模在新聞撰寫、文檔總結、客服助理和虛擬助手等以語言為中心的任務上表現出色，但在深入理解和處理特定的行業數據時仍存在局限。為了應對大模型在產業界應用中所面臨的挑戰，微軟亞洲研究院提出了構建產業基礎模型（Industrial Foundation Models）的創新思路，并在表數據上成功驗證了實現跨領域通用數據智能的可行性及其巨大潛力。研究員們設計的生成式表數據學習（Generative Tabular Learning，GTL）框架，成功地將多行業數據智能相關的知識融入大語言模型中，使其具備在新領域、新數據及新任務上的直接遷移和泛化能力，更加敏捷地響應不同的產業需求。現在，微軟亞洲研究院正式開源這一技術范式，并希望通過此范式推動數據科學在各行業中的廣泛應用，促使復雜的數據智能技術變得人人可及。

項目鏈接：https://github.com/microsoft/Industrial-Foundation-Models

相關論文：From Supervised to Generative: A Novel Paradigm for Tabular Deep Learning with Large Language Models（已收錄于KDD 2024）

https://arxiv.org/abs/2310.07338

產業數據的巨大潛力亟待挖掘

微軟亞洲研究院的研究員們發現，大語言模型在利用產業數據這一關鍵資源方面，尚未充分發揮其潛力。產業數據通常以特定結構存儲在不同行業和部門的數據倉庫中，比如用于關系結構的表數據、記錄時變信號的時間序列數據，以及用于復雜相互關聯的圖數據。這些結構中蘊含的豐富數據知識往往難以通過自然語言捕捉，因此當前以語義知識為核心的大語言模型在掌握數據智能相關的知識與能力方面存在不足。

更重要的是，產業數據及其蘊含的智能，為多個領域的重要應用奠定了基礎。這種智能不僅來源于數值和結構化信息，還包括特定任務的需求和領域專有知識。例如，在醫療健康領域，來自患者的基本信息、生理信號和治療歷史的數據，可用于輔助精確診斷和預后分析。在能源存儲領域，分析電池循環數據中的模式，可以加速材料篩選、優化充放電協議、指導電池回收中的價值評估。在商業領域，歷史銷售和需求數據可以輔助預測未來的市場趨勢并制定定價策略。傳統的數據智能方法通常依賴于特定的數據模式與任務需求，具體表現為各個垂直領域中獨立開發及優化的小模型。

為應對這些挑戰與機遇，微軟亞洲研究院提出構建產業基礎模型的新思路。其核心策略是以統一的方式表征產業數據，并在此基礎上對大語言模型進行持續預訓練，從而將通用的數據智能知識與能力整合到大語言模型中，創造出在新場景上可直接應用的產業基礎模型。這種模型不僅能夠在各行業部門中執行以語言指令為中心的任務，還可以提取跨任務和跨部門的產業知識，并進行數據驅動的預測和邏輯推理。

此外，通過提供一個以語言為中心、無需參數調優和編寫代碼的用戶界面，產業基礎模型還有潛力改變傳統的數據科學應用范式。這個用戶友好的界面將使各行業的領域專家具備全面的數據科學技能，推動先進數據分析技術的普及。

同時，產業基礎模型強大的跨領域能力，也使其能夠有效地進行知識遷移與技能泛化。這對在數據有限的領域進行有效地少樣本上下文學習尤為關鍵。

圖1 ：產業基礎模型的架構概覽

基于表數據開發產業基礎模型

表數據（Tabular Data）通常存儲于關系型數據庫中，是眾多產業領域中最普遍的數據格式之一，也是預測建模的基礎。因此，微軟亞洲研究院的研究員們從表數據著手，構建能夠橫跨不同產業領域的基礎模型。

研究員們收集了來自不同產業領域的各種表數據集及其相應的預測任務，并將這些數據轉換為面向指令的語言格式。這種轉換使得大語言模型能夠適應多樣化的數據模式，例如不同特征的語義和數值含義，支持數值和類別特征的任意組合。此外，通過將大語言模型與數據樣本及可選的背景信息結合，模型不僅能夠處理回歸和分類任務，還能夠支持零樣本（Zero-Shot）學習和少樣本上下文學習（In-Context Learning）的場景。

圖 2 ：基于表數據的產業基礎模型開發流程

然而，將大語言模型的語言處理能力融入表數據的學習中仍面臨巨大的挑戰。最主要的問題在于，大語言模型通常在自然語言數據上進行預訓練，因此在處理格式化表數據的精細差別時顯得力不從心，并且缺乏對特定領域知識的深入理解，而這些知識對于有效的表數據學習至關重要。

為了解決這些挑戰，研究員們引入了一個持續預訓練階段，即生成式表數據學習（Generative Tabular Learning，GTL）。通過對特征和標簽標記進行自回歸式生成建模，GTL框架可以將數據知識與統計學習能力有效整合到大語言模型中。經過GTL框架增強的大語言模型，可以通過調整指令提示，直接應用于新的產業數據和任務需求。這意味著，模型能夠在無需復雜參數調優的情況下，實現高效的數據處理，并且在不同領域知識、數據模式和任務之間進行廣泛遷移，從而推動大語言模型向產業模型的方向進化。

實驗結果：GTL顯著增強了LLaMA模型對表數據的理解能力

為了驗證GTL的有效性，研究員們收集了來自超過400個不同領域的表數據集，經過嚴格的去重過濾和篩選，最終保留了384個獨立的數據集。其中，44個數據集被用于模型評估，其余的數據集用于構建1000多個不同的預測任務，以支持GTL的持續預訓練。研究員們選擇LLaMA 2作為基礎大語言模型，并將其與開源和私有的大語言模型，以及傳統表數據機器學習算法進行了比較。

如圖3所示，實驗結果表明，GTL顯著增強了LLaMA模型對表數據的理解能力。這表明，表數據中所蘊含的行業知識尚未被開源的LLaMA模型充分掌握，而GTL則有效彌補了純語言數據訓練出的語言模型在產業數據智能上的不足。值得一提的是，盡管GTL增強的LLaMA模型參數規模較小，但其性能與GPT-4等更大規模的模型相比仍具有競爭力，甚至在某些情況下表現更為優異。不過需要注意的是，與GPT-4在公開表數據上的對比結果可能因其私有訓練數據中潛在的“數據污染”問題而產生偏差。

此外，GTL增強的LLaMA模型不僅在少樣本學習場景中通過無須調參的上下文學習，超越了傳統表數據機器學習方法的統計學習能力，還具備了這些方法所缺乏的零樣本學習能力。

圖3： GTL增強的LLaMA-2-13B與其他基線模型的對比

研究員們還初步探究了GTL的規模定律。如圖4所示，數據的多樣性和模型參數規模都以冪律方式提升了新數據和新任務上的性能。這一發現表明了產業基礎模型在跨多樣任務和領域的廣泛泛化潛力，有望使復雜的數據智能技術變得更加普及，即便在數據可得性有限的行業中也能發揮重要作用。

圖4：初探GTL的規模定律

多維度拓展產業基礎模型的潛力

生成式表數據學習（GTL）為會話式表數據深度學習打開了大門，使用戶能夠通過與模型對話來實現數據智能相關的分析、預測、推理和決策。通過將GTL與語言模型集成，模型不僅能夠生成預測結果，還可以提供對相應結果的解釋，從而為表數據學習的可解釋性帶來了新的機遇。基于這一范式所展現出的巨大潛力，微軟亞洲研究院從兩個角度展望了產業基礎模型未來的研究和應用前景。

首先，產業基礎模型本身的多維度擴展蘊含著巨大的潛力。這包括擴展數據集的種類和規模、增加模型規模、延長上下文長度，以及整合多樣化的數據格式，如時間序列和圖數據等。全面的擴展將使產業基礎模型能夠以更高的精度和更強的適應性，處理更多領域的更廣泛任務。同時，產業數據知識與大語言模型生態系統的前沿進展相結合，如工具使用、智能體和對話交互，將進一步拓展產業基礎模型的能力邊界。這種協同作用可以打造更魯棒和多功能的模型，將產業數據智能與大語言模型的復雜功能無縫融合。

其次，從用戶視角來看，產業基礎模型的發展將徹底革新產業數據智能的實現方式，重新定義數據科學的用戶界面和工具鏈，進而催生出創新性的產品和服務。例如，領域專家無需掌握深厚的編程和數據科學知識，即可借助數據科學助手獲得先進的數據分析和預測能力，從而推動前沿數據科學工具的普及。另外，產業基礎模型可以作為決策支持工具，為行業領導者和從業者提供深刻的數據洞察和個性化分析，幫助企業做出更明智的戰略決策，優化運營流程，并發掘新的增長機遇。

將大語言模型與產業數據智能相結合，是邁向產業基礎模型的關鍵一步。通過持續擴展和創新，創建以用戶為中心的工具，使前沿的數據智能技術更易于獲取，能夠釋放出產業基礎模型在各個行業中的更多潛能。微軟亞洲研究院將持續推動這一進程，不斷突破界限，讓前沿的數據智能技術惠及更多的行業領域。

相關鏈接：

論文：From Supervised to Generative: A Novel Paradigm for Tabular Deep Learning with Large Language Models（已收錄于KDD 2024）

https://arxiv.org/abs/2310.07338

項目：https://github.com/microsoft/Industrial-Foundation-Models