风口上的大模型 还要飞多久？

新视界、新思维、新洞察

2024年以来，科技圈最热的词语就是ChatGPT及其背后的大模型技术。自ChatGPT爆火之后，国内起了一股“备战”大模型之风，短短数月，各类企业研发和发布的大模型如雨后春笋般涌现。

大模型之战 一场“少数人”的游戏

大模型是AI的基础设施，谁的大模型更强大，谁就会在未来的竞争中更有主动权和话语权。对于科技企业来说，“大模型之战”，可谓是不得不打，也必须打出成绩。

简石资本投资合伙人蓝云鹏在接受《中国信息化周报》采访时表示，大模型的战力如何取决于算力、算法、框架、工程化、人才等多方面的综合实力。严格来说，当下的大模型之战确实是巨头们的专利，单是训练大模型必备的GPU这一条件，就已经将很多公司拦在了“赛场”之外。

通常认为，1万枚英伟达A100芯片是做自训练大模型的算力门槛。据《财经十一人》报道，国内拥有超过1万枚GPU的企业不超过5家。业内人士表示，自2022年9月，美国禁止向国内客户售卖英伟达A100、H100和AMD的MI250人工智能芯片后，国内大厂就开始大举囤芯片。

算力、算法与数据的积累非一夕之功，况且模型发布之后还需要反复训练、敏捷迭代。据悉，OpenAI每一次的训练成本高达6000万美元，迭代一次则需要四五次训练。依此计算，每迭代一次技术基座可能需要2亿到3亿美元。然而，Open AI至今收入仍不到2亿美元。

“初期投入只是起始花费，之后每一次训练都需要真金白银往里砸，所以巨头们的优势更大，因为他们有足够的动力和资源去支撑前期的战略性亏损。”蓝云鹏表示，“Chat GPT的成功，证明了大模型在产品路径上的打通，但并不意味着商业层面的巨大成功。大模型烧钱到底要烧多久，何时才能看到喜人的投资回报，只能等时间来解答。如此巨额的投入，中小企业等不起也耗不起。”

资源调度能力、长期经验积累、大额科研投入等因素都是大模型竞争中长期存在的核心差异点。所以，这注定是一场少数人的游戏。

深耕细分领域 初创公司或大有可为

可是即便大模型是一场可能功亏一篑的豪赌，仍有大量创业公司纷纷涌入，试图在大模型的红利下寻求商机。

“在我个人看来，有一些大模型初创公司有‘跟风’嫌疑。”蓝云鹏表示，通用AI大模型领域有很强的聚集效应，企业巨头们不仅有先发优势，而且掌握了丰富的数据和庞大的算力，一些小平台虽也能赶点时髦，但其技术实力的不强，无法真正全面参与到大模型的竞赛中。

那大模型是否只会停留在巨头狂欢的格局之中？当然不是。

“任何行业的发展都是有规律的，大模型也不例外。”蓝云鹏表示，“随着大模型或者AI行业的发展，经过市场筛选，必然会出现不同分工，各类企业都会根据自身状况主动或者被动的扮演行业内不同角色。

目前较为主流的判断是，大模型市场中不会容纳太多家公司，最智能的几个大模型提供商会存活下来。但是大模型涉及的领域广，创业者可以从细分场景出发，探索大模型在各个领域的广泛应用，从而满足不同行业的需求。

“细分行业的大模型很可能呈现百花齐放的态势。”蓝云鹏认为，最直接的理由是数据本身的分散性。随着移动互联网的产生，在大多数国家，数据都会被“切割”开，分散在不同的私域里面，由于没有实现完全的互通，因此每个行业都存放着自己专属的数据。一旦这些数据被很好地使用和利用，就可以产生各种各样的不同方向的大模型。 “还有一个因素存在，那就是开源。”蓝云鹏告诉记者，大模型创业公司几乎都选择了全面拥抱开源的策略，或者在创业初期就开始采用开源技术。开源技术提供了丰富的基础能力，避免了重复开发，使得公司能够更专注于技术创新和商业应用。对于正在探索大模型的中小企业和初创企业来说，这无疑降低了他们的技术和应用门槛，只需下载预训练好的模型并进行微调，就能快速构建高质量的模型。

“所以，也不否认未来会有黑马出现，但不管大模型是蓝海还是红海市场，必然要存在大鱼领衔、小鱼配合的生态结构。”蓝云鹏说。

应用，应用，还是应用！

当一项新技术出现时，商业世界最核心的问题就是：这项技术能用在哪，怎么用？

“如果做不到应用，一切都是徒劳。”在蓝云鹏看来，B端才是大模型落地、变现的关键领域。只有走入垂直产业应用，才能真正让AI服务人类。但大模型真正在B端进入应用层是一个比较困难的过程，蓝云鹏告诉记者：

首先要考虑通用型和专业性的有机结合。目前大模型真正得以应用的领域仍是一些容错率较高的行业，比如数字化营销，传媒、游戏、文本生产、数字人、办公等领域，即便大模型给出的解决方案出错，错误也在有限的范围内。而在重工业、航天、医疗、金融等场景某些环节中，一次错误所造成的损失不可估量，所以当下大模型并不能完全适应某些特定场景的专业性要求。

其次要考虑数据问题。在数字化转型的大背景下，大多数行业都通过大数据、云计算等技术实现了数字化转型升级。要兼顾垂直性与专业性要求，数据是硬伤，而数据深度足够且能形成稳定护城河的行业更少。这些行业的数据是否便于获得，已经获得的数据能否满足特定行业日新月异的要求，都很难具体评定。

最后，还要考虑成本。大模型进入B端应用，如果成本过高，大部分企业只能望洋兴叹。必须考虑如何降低垂类大模型在训练时间以及调试、部署等方面的成本，才让大模型赋能百行千业、走进千家万户。

当下大模型的发展势头强劲，风口上的大模型还要飞多久，什么时候才能落地，我们拭目以待。