“套壳”并不可耻

大数据产业创新服务媒体

——聚焦数据 · 改变商业

---

在人工智能的浪潮中，大模型以其卓越的处理能力和智能化程度成为行业的焦点，正在彻底改变商业操作的面貌。企业在采纳这些先进技术时，面临着一个关键决策：是直接利用现成的通用大模型进行开发，还是基于开源大模型构建一个量身定制的解决方案。前者如同插上翅膀的速度迅速上云，后者则像在脚下的土地里培育自己的植物，需耐心等待它成熟。但不论选择哪一种，其最终目的都是为了在这个由数据和算法驱动的新时代中，找到一条可持续发展的道路。

那么，每条商业路径都分别有什么优劣势，适用于哪些企业，接下来我们就这些问题进行深入探讨。

直接调用通用大模型

目前，业界已经有不少商用的大模型在激烈的厮杀，比如ChatGPT、文心一言、通义千问、讯飞星火、华为盘古、智谱AI等，这些大模型都可通过API的方式被其他业务系统调用。根据百度、阿里巴巴披露的信息来看，无论是文心一言还是通义千问，都有数十万家企业在陆续接入其大模型系统。

直接调用通用大模型就像是租赁一辆高性能跑车，你可以立即上路，享受速度带来的快感。在这个模式下，企业无需自行构建复杂的模型，而是直接利用服务提供商开发并维护的成熟模型。比如，利用ChatGPT进行生成文字，或者用百度的文心一格、阿里通义万象来生成图片。这些模型，如同各行其道的专家，各司其职，服务于不同的业务需求。

想象一下，如果你需要一个工具立刻解决问题，而这个工具既强大又容易使用，那么直接调用通用大模型无疑是最佳选择。这就像下载一个应用程序，而不是从头开始编程一样简单。你可以迅速部署这些模型，以迎合市场的即时需求，而无需投入大量时间和资金进行研发。而且，你还能享受到专业团队的维护和持续更新服务，确保你的“跑车”始终保持最佳状态。

但是，当你租赁一辆车时，你不能随意更改它的结构或颜色。同样，直接调用通用大模型时，你的定制化空间是有限的。你必须在现有的功能和参数中选择，而无法精确满足特定业务的独特需求。数据隐私和安全性也是重要考量，因为你的数据需要通过外部系统处理。此外，对服务提供商的依赖可能导致业务连续性风险，一旦他们的服务出现问题或价格变动，你的业务也会受到影响。

让我们来看一个具体的例子。

假设一家电商公司希望通过智能营销系统来提升用户体验和销售额，该公司决定接入一个通用大模型，来实现个性化产品推荐和客户服务自动化。具体操作流程可能是这样的：首先，公司选择一个成熟的大模型平台，例如ChatGPT、文心一言、通义千问、讯飞星火等。随后，通过API接口将这个模型集成到他们的网站和应用中。整个过程可以在几个月内完成，迅速上线并开始服务用户。

在商业合作上，公司通常需要支付模型使用的费用，这可能是基于请求量的订阅制，也可能是根据实际消费的量价计费。一些大模型提供商可能提供弹性的计费策略，以适应企业不同阶段的需求变化。此外，如果大模型极大提升了销售额，双方可能会协商一种基于性能的利润分成模式，以激励服务提供商持续优化模型性能。

在这个案例中，电商公司能够快速实现智能营销系统的升级，而无需承担自研模型的高昂成本和风险，同时保持了一定程度的财务灵活性，这种模式适合那些希望快速利用AI技术优化业务流程、增强用户体验、推动销售的公司。

基于开源大模型自研

在技术的世界里，拥有一套定制的解决方案，有时候就像有了一把打开新机遇之门的钥匙。当企业选择基于开源大模型自研时，这正是他们追求的：一个量身定做的工具，能够精确符合他们独特的业务需求。如同一位手艺精湛的裁缝，企业能够根据自身的规格来调整开源大模型，从而创造出独一无二的应用程序，无论是用于增强客户服务、优化操作流程，还是为了提升产品的个性化体验，都能更加得心应手。

自研的过程就像是组装一台机器：你有了所有零件——这些来自如Meta的LLaMA 2或阿里巴巴的通义千问Qwen-72B等开源大模型，但是如何把它们组合起来，让系统运转起来，还需要一定的技术知识和创造力。当然，自研模型不是简单地把预制的模块拼凑在一起，它涉及到模型修改、数据清洗、特征工程以及无数次的试验和错误。

自研模型的一个显著优势是定制化和适应性，想象一下，你不仅仅是在使用一款应用，而是能够对这款应用进行调整，使它完美符合你的业务流程和客户需求。这就好比你不是去鞋店买一双标准尺码的鞋，而是有一个制鞋师根据你的脚型制作一双鞋。这种高度的个性化可能会极大地提升用户体验，并为企业创造出竞争优势。

此外，自研模型意味着数据所有权和隐私得到了更好的控制。你不再需要将宝贵的客户数据或业务秘密发送到第三方服务器，而是可以在自己的系统中处理，就像是在自己的家中招待客人，而不是在公共场合。这种做法不仅保护了数据的安全性，还符合日益严格的数据保护法规。

技术自主性和创新潜力也是自研模型的一大亮点，企业可以根据市场动态和技术发展调整模型，确保技术战略与业务目标同步。这种灵活性就像是能够自由翱翔的鸟，不受固定路线的限制。

然而，自研的路途并非坦途。初始成本和资源需求是自研的一个重大劣势。需要的不仅仅是时间和金钱，还包括收集大量高质量数据和构建强大计算能力的基础设施。技术能力和系统维护也是一项挑战，特别是当需要持续投资以保持模型的竞争力时。这就像是你得自己修理和升级你的定制车，而不是把它送到4S店。

此外，法律和合规风险也不容忽视。自研意味着需要确保使用开源模型的方式符合许可协议，并且在处理个人数据时，要遵守相关的数据保护法规。这就好比在驾驶时不仅要遵守交通规则，还要确保自己的车辆符合所有环保和安全标准。

假设上面那个例子里的智能营销系统，不是直接调用商用大模型，而是基于LLaMA 2、

通义千问Qwen-72B、ChatGLM-6B等开源大模型来定制研发一个智能营销大模型。该公司首先会下载选定开源大模型的代码，然后在自己的服务器上运行，以保护数据的隐私性和独立性。他们可能还会对模型进行微调，使用自己的销售数据和客户交互数据来训练它，从而确保模型能够更好地理解和预测自家客户的行为模式。

商业模式上，这种自研策略需要更多的前期投资，但它允许公司完全掌控其智能营销平台，避免了对外部服务商的依赖。长期而言，这种模式可能减少了操作成本，因为一旦建立起来，额外的使用成本较低。

与之前的直接调用大模型的电商系统相比，自研大模型的最大差别在于可定制化程度更高，数据隐私得到更好的保护，同时给公司带来了更大的技术自主权。然而，这也意味着需要更强的内部技术能力和对更大的资源投入。

选择哪种方式，是一个关键的战略问题

在探索大模型商用化的道路上，了解市场动态和制定恰当的策略至关重要。当前，我们正处于一个由数据和算法推动的新时代，大模型技术以其强大的数据处理和分析能力，在多个行业中找到了用武之地。从金融服务到医疗保健，从客户服务到营销策略，大模型正在重塑行业标准和企业运作方式。

市场对这项技术的需求呈现出丰富多样的特点，一方面，大型企业寻求通过定制化的解决方案来提升其服务质量和运营效率，另一方面，中小企业也期望通过接入通用大模型来获得竞争优势，快速响应市场变化。这种需求的多样性推动了大模型技术的广泛渗透，其应用领域和影响力持续扩大。

在这个背景下，企业在选择直接调用还是基于开源大模型自研时，必须考虑自身资源和能力。大模型技术虽然强大，但并不是每个企业都具备从头开始构建这类模型的技术实力和数据基础。因此，对于技术能力有限或希望快速市场测试的企业而言，直接调用成熟的大模型服务可能更为合适。相反，对于拥有强大数据处理能力和专业技术团队的企业，基于开源大模型自研能够提供更高的灵活性和定制化程度，尽管这可能需要更大的初期投资和长期维护成本。

在制定策略时，企业还需平衡长短期目标。短期内，直接调用可能带来快速的业务增长和市场反馈，但长期来看，自研模型可能为企业提供更持久的竞争优势，如技术自主权和数据隐私控制。因此，决策时还需考虑市场变化速度、技术进步以及行业内外部竞争态势。

对风险的评估和管理也是决策过程中不可忽视的环节，技术依赖、数据安全、合规性以及成本控制等问题都需要在选择大模型商用路径时予以考虑。如何在保持技术领先的同时，确保企业能够应对可能的法律和市场风险，是一个重要的策略问题。

在竞争态势分析方面，直接调用与自研模型之间存在明显的市场划分。直接调用的企业可能在初期享有成本优势和速度优势，但面临着市场同质化和依赖单一供应商的风险。而选择自研的企业，则可能在市场上形成独特的竞争壁垒，但需要不断投入资源以维持技术领先地位。未来，随着技术的进步和应用场景的扩展，这两种路径可能会出现新的融合和交叉，如采用半自研半调用的模式，结合两者的优点以应对复杂多变的市场需求。

展望未来，大模型技术的发展将继续加速，不仅会带来性能的进一步提升，也将推动新的应用场景的开发。无论是选择直接调用还是自研，最重要的是找到一条符合自身条件和战略目标的道路，有效利用大模型技术为自己赢得未来。

文：一蓑烟雨 / 数据猿
责编：凝视深空 / 数据猿