來源：極客公園

【資料圖】

文 | 凌梓郡、宛辰、黎詩韻、

Li Yuan、衛(wèi)詩婕

回看歷史總是充滿戲劇性。

2021 年 5 月，谷歌 I/O 大會，一段由聊天機(jī)器人 LaMDA 扮演‘冥王星’與人類對話的 Demo 被演示出來，當(dāng)即博得現(xiàn)場的掌聲。此時(shí)距離谷歌定下‘AI First’的目標(biāo)已經(jīng)過去六年，距離 OpenAI 震驚世界的 ChatGPT 發(fā)布還有將近 18 個月。

這個時(shí)候，谷歌仍是 AI 領(lǐng)域的先行者。但項(xiàng)目背后的兩位關(guān)鍵工程師，De Freitas 和 Shazeer 卻感到沮喪。

他們希望能夠?qū)ν庹故?LaMDA 進(jìn)入 Google 助手的案例，但多年來，聊天機(jī)器人項(xiàng)目經(jīng)過多次審查，由于種種原因被禁止發(fā)布更廣泛的版本。

而此前一年，OpenAI 已經(jīng)公布了 1750 億參數(shù)的 GPT3，并開放了 API 測試。谷歌卻因?yàn)楦鞣N‘技術(shù)政治正確性’的風(fēng)險(xiǎn)，遲遲不愿將對話模型的產(chǎn)品對外公開。

De Freitas 、Shazeer 因此萌生去意，盡管 CEO Pichai 親自進(jìn)行挽留，但最終，兩人還是在 2021 年底離開谷歌，創(chuàng)辦了 Character AI——目前 AI 大模型領(lǐng)域的獨(dú)角獸之一。

谷歌就這樣與引領(lǐng)變革的先發(fā)優(yōu)勢失之交臂。

后來的故事更加廣為流傳。2022 年底，ChatGPT 橫空出世，這不僅使 OpenAI 名聲大噪，更令其投資方微軟大殺四方，在 GPT-4 的加持下，微軟推出搜索產(chǎn)品 New Bing，劍指谷歌。不僅谷歌，整個硅谷乃至世界也都為之震動。

轉(zhuǎn)眼 8 個月過去，大洋彼岸，OpenAI 帶來的驚異已過，硅谷巨頭們已度過恐慌期，也在全新戰(zhàn)局中找到身位，創(chuàng)業(yè)公司前赴后繼，在中國，百模大戰(zhàn)則又是另外一番景象。

技術(shù)商業(yè)快速變化的半年來，業(yè)界關(guān)于大模型的認(rèn)知與共識也不斷更新，極客公園在與硅谷和中國近百位創(chuàng)業(yè)者、投資人、從業(yè)者交流后，總結(jié)出關(guān)于大模型創(chuàng)業(yè)的 5 個現(xiàn)狀，嘗試以此呈現(xiàn)一篇尚待驗(yàn)證的‘大模型商業(yè)世界觀’。

谷歌的機(jī)遇錯失與 OpenAI 的驚艷亮相實(shí)則提醒著我們——落后，先機(jī)，時(shí)有交替。當(dāng)下的技術(shù)與商業(yè)演進(jìn)遠(yuǎn)未到終局，真正的變革甚至還未正式開始。人們只需記住，創(chuàng)新可能隨時(shí)、隨地發(fā)生。

注：全文共 14573 字，閱讀預(yù)計(jì)需 30 分鐘左右。建議關(guān)注、收藏后觀看。

01

薛定諤的 OpenAI ：

所有人的英雄，

也可能是所有人的敵人

當(dāng)中國創(chuàng)業(yè)圈還在將 OpenAI 視為硅谷新神時(shí)，硅谷已經(jīng)悄悄開始了對 OpenAI 的祛魅。

盡管 OpenAI 實(shí)現(xiàn)了技術(shù)的突破、并且仍然是 AI 人才們趨之若鶩的地方——很多企業(yè)號稱要向 OpenAI 狙擊人才——而事實(shí)是，時(shí)至今日，OpenAI 的頂級技術(shù)人才依舊在‘凈流入’。其對 AGI 的信念和過去 8 年由愿景驅(qū)動帶來的技術(shù)突破，使這家公司成為很多人眼里的英雄。

但英雄也要過日子。技術(shù)突破的下一步，是創(chuàng)造價(jià)值來創(chuàng)造商業(yè)循環(huán)。硅谷的爭議在于，OpenAI 真的能持續(xù)領(lǐng)先嗎？

多位硅谷創(chuàng)業(yè)者、從業(yè)者、投資人不約而同地向極客公園表達(dá)了消極的判斷。人們質(zhì)疑的是，就目前看來，OpenAI 所呈現(xiàn)的商業(yè)模式存在隱憂——在‘前 ChatGPT’的非共識階段，OpenAI 尚可以憑借少數(shù)人的信念贏得資源，而今 AGI 已成共識，競爭者眾，想要維持領(lǐng)先，挑戰(zhàn)與難度將直線上升。

如果把商業(yè)盈利模式統(tǒng)分為 toB 和 toC，前者 OpenAI 沒有 toB 基因，且勁敵當(dāng)前——在企服方面，OpenAI 的資方微軟是這個領(lǐng)域的王者，微軟系的企業(yè)聊天應(yīng)用市占率超 65%，旗下的 Teams 近年逐漸蠶食了明星公司 Slack 的市場。在 toB 領(lǐng)域，成立 48 年、跨越數(shù)次技術(shù)周期的微軟毫無疑問比初創(chuàng)公司 OpenAI 積累更深。

而要想做 toB 生意，OpenAI 還面臨著中心化風(fēng)險(xiǎn)的質(zhì)疑。目前，OpenAI 面向企業(yè)所開放的 API 模式，已經(jīng)吸引了一批客戶使用它——尤其是中小開發(fā)者，它們無力獨(dú)立訓(xùn)練一個大模型，接入 GPT 系列的 API 成為極佳的選擇。剛剛躋身獨(dú)角獸的 Jasper.AI 就是其中最好的例子，通過接入 GPT3，Jsaper.AI 僅成立 18 個月就估值 15 億美金。

‘但大家因此都不看好 Jasper.AI?！晃还韫戎髁骰鸬耐顿Y人告訴極客公園。私有數(shù)據(jù)是企業(yè)最重要的資產(chǎn)，在目前，將私有數(shù)據(jù)接入中心化大模型首先面臨著合規(guī)與安全性的問題——盡管 Sam Altman 在 5 月曾經(jīng)承諾，OpenAI 不會利用客戶使用 API 的數(shù)據(jù)進(jìn)行訓(xùn)練——但這既無法打消企業(yè)的疑慮，也無法獲得其信任。

‘美國一些企業(yè)客戶普遍對用 OpenAI 比較擔(dān)憂?！@位投資人告訴我們，在企業(yè)眼中，OpenAI 最接近云時(shí)代的 AWS，但是大家又不會用面對 AWS 的邏輯面對它?！蛻羝毡椴惶敢獍褦?shù)據(jù)和關(guān)鍵競爭力交給 OpenAI，覺得會有風(fēng)險(xiǎn)’。即便 GPT 系列能夠以中心化的能力幫助垂類領(lǐng)域訓(xùn)出大模型，對客戶來說，憑此構(gòu)建的競爭力也很危險(xiǎn)——這將是一種‘吸星大法’：如果自己的數(shù)據(jù)和經(jīng)驗(yàn)最終也能為別人所調(diào)用，這將使行業(yè)領(lǐng)先者的競爭壁壘下降。

而做 toC 呢？

看起來，OpenAI 在 C 端擁有用戶優(yōu)勢。自其超級產(chǎn)品 ChatGPT 發(fā)布以來，其月活一路攀升至 15 億，相比之下，Instagram 的月活也不過 20 億。不過，巨大的月活卻未必能為 OpenAI 帶來數(shù)據(jù)飛輪效應(yīng)——‘（通過）用戶持續(xù)問問題來做（大模型的）training，數(shù)據(jù)價(jià)值不大。’一位創(chuàng)業(yè)者指出。

值得注意的是，自 6 月開始，ChatGPT 的月活首次出現(xiàn)下滑。人們對此的推測包括：

因?yàn)閷萍嫉男迈r感已經(jīng)下降——實(shí)際上 ChatGPT 的訪問量增長率一直在下滑，5 月環(huán)比僅有 2.8%；

學(xué)生放假導(dǎo)致學(xué)生使用量降低；

以及一個更為嚴(yán)重的猜測，ChatGPT 的回答質(zhì)量下降導(dǎo)致使用量下降——GPT-4 剛剛推出的時(shí)候，速度較慢而回答質(zhì)量較高，而幾周前的一次更新，有用戶反饋其回答速度增強(qiáng)，但質(zhì)量有了可感的下降。

更重要的是，包括 Google 、Meta、蘋果等在內(nèi)的巨頭也將圍繞 toC 產(chǎn)品進(jìn)行發(fā)力。比如 Google 已經(jīng)重新整合了 Brain 和 Deepmind 兩個內(nèi)部團(tuán)隊(duì)以求在技術(shù)上壓制 OpenAI 的優(yōu)勢?！郧罢叩某笥脩粢?guī)模，一旦巨頭推出免費(fèi)產(chǎn)品，則可能沖擊 OpenAI 現(xiàn)有的訂閱收入?！疧penAI 需始終維持住其技術(shù)壁壘，一旦技術(shù)壁壘被打破，則可能輕易被巨頭以價(jià)格優(yōu)勢發(fā)起攻擊。

今天的 OpenAI，就像薛定諤的貓，難以斷言它的前路是否明朗，可以確定的是，它將會在所有巨頭密切監(jiān)視的范圍之內(nèi)。

02

最頂級的公司各選山頭，

但目標(biāo)上殊途同歸

那么，硅谷的巨頭們在做什么？

極客公園與大量硅谷從業(yè)者交流后發(fā)現(xiàn)，與 ChatGPT 初亮相時(shí)相比，硅谷巨頭公司的恐慌期已經(jīng)基本結(jié)束。這些商場老將們迅速確立了自己的山頭，并加速技術(shù)的推演，以防守好自己擅長的象限，確保自己不會被顛覆。

他們一致的做法是，沿著自身已有的優(yōu)勢進(jìn)行擴(kuò)展布局，尋找大模型能為之助力、甚至可能發(fā)生顛覆式創(chuàng)新的方向，一方面加固自己的業(yè)務(wù)優(yōu)勢，防范對手的突然襲擊；另一方面也為可能出現(xiàn)的新戰(zhàn)場埋下先手。

極客公園創(chuàng)始人兼 CEO 張鵬在不久前引發(fā)眾多關(guān)注的 AGI Playground 大會演講中，曾經(jīng)講解了這樣一個觀察。

從一個公司的價(jià)值評估角度來看，如果以服務(wù)方式帶來的邊際成本高低為橫軸（X 軸），以服務(wù)對象多少為縱軸（Y 軸）、并以平均客戶價(jià)值（客單價(jià)、ARPU值等的高低）為空間軸（Z 軸）來建立一個價(jià)值坐標(biāo)系，則會發(fā)現(xiàn)，硅谷巨頭們各有各的山頭要守衛(wèi)，但又有統(tǒng)一的發(fā)展趨勢逐漸確立。

邊際成本低，服務(wù)對象多、而平均客戶價(jià)值高，這三個核心能力占據(jù)兩點(diǎn)以上，往往才能自占據(jù)商業(yè)世界的最高價(jià)值。

目前，傳統(tǒng)巨頭在大模型領(lǐng)域的技術(shù)投入普遍都是在積極防御，只有微軟和英偉達(dá)在非常積極地推動向應(yīng)用中的落地。

而目前硅谷影響力最大的新生代企業(yè)，如 OpenAI、Midjounery、Character.AI 等公司，則是明顯利用了大模型技術(shù)能力，迅速打破‘低邊際成本、大用戶量、高度個性化服務(wù)價(jià)值’的不可能三角——顯然，這也是 AGI 技術(shù)變革的意義：用更低的邊際成本服務(wù)更多客戶，并交付更個性化的價(jià)值，進(jìn)而獲得更高的平均用戶價(jià)值。

‘目前，所有的巨頭都會努力跟上這波變革，也努力守住自己在價(jià)值地圖中的位置。而新興的企業(yè)努力的目標(biāo)，則是無論你從哪個象限的位置出發(fā)，都盡可能地去追求用 AGI 技術(shù)向你所在的象限，甚至是突破原有象限的向右上移動，并盡力追求更高的平均客戶價(jià)值?！瘡堸i在演講中說。

在這樣的大趨勢下，我們不妨看看硅谷巨頭們目前的狀態(tài)和決策：

蘋果：不靠譜就不冒險(xiǎn)，

堅(jiān)持 toC 固基業(yè)

作為曾被寄望能實(shí)現(xiàn)電影《Her》中場景的蘋果，盡管今天仍未能實(shí)現(xiàn)如此深刻的人機(jī)交互，但這家向來秉承長期主義的公司不會放棄——相比于通用大模型，蘋果的策略選擇基于自身的基業(yè)，堅(jiān)定在 toC & 標(biāo)準(zhǔn)化的方向。

蘋果希望 AI 模型最終能在終端硬件上運(yùn)行——這需要讓模型能夠在算力較弱的環(huán)境下運(yùn)行，目前還無法達(dá)到。它對 AI 的運(yùn)用也更為務(wù)實(shí)：今年轟動一時(shí)的 Vision Pro 中，蘋果利用 AI 技術(shù)，使佩戴者在 FaceTime 視頻時(shí)能夠有全方位的虛擬化身。在 WWDC 上，蘋果還展示出了 autocorrect 功能，通過讓一個 Transformer 架構(gòu)下的大語言模型在手機(jī)上運(yùn)行，以修改用戶的錯字、并更好地預(yù)測用戶的語言習(xí)慣。

如果說 Vision Pro 是蘋果押注的下一代數(shù)字終端，新終端帶來新的數(shù)字內(nèi)容需求，在終端上運(yùn)行大模型則是實(shí)現(xiàn)終端內(nèi)容的技術(shù)前提。

在用大模型研發(fā) toC 產(chǎn)品上，蘋果尚未制定明確的戰(zhàn)略。這也顯示了蘋果在終端產(chǎn)品上的謹(jǐn)慎。

已經(jīng)有消息表示，蘋果在開發(fā)新一代人工智能技術(shù)：蘋果去年搭建了機(jī)器學(xué)習(xí)開發(fā)的 Ajax 框架，并基于其構(gòu)建了類聊天機(jī)器人 AppleGPT。但是這一技術(shù)目前只被要求服務(wù)于內(nèi)部員工，比如給 AppleCare 工作人員提供支持，以更好地幫助客戶處理問題。

蒂姆 · 庫克在 5 月份的財(cái)報(bào)電話會議上談到當(dāng)前的人工智能技術(shù)時(shí)表示，還有許多問題需要解決。正如蘋果給到了 Vision Pro 充足的耐心，對于 AI 大模型如何進(jìn)入產(chǎn)品，目前看起來也同樣充滿耐心。

Meta：以 Llama 打造

下一代‘安卓’，損人且利己

社交網(wǎng)絡(luò)出身的 Meta 仍然在朝著它打出的概念——元宇宙進(jìn)發(fā)。

如果將大模型視作為下一代計(jì)算平臺，Meta 正以開源的方式挑戰(zhàn) OpenAI，目的是要成為應(yīng)用生長的土壤。開放 Llama2 商業(yè)許可，并與微軟 Azure 合作對外提供服務(wù)、與高通合作推進(jìn)在終端運(yùn)行 Llama2，這一系列動作讓 Meta 的戰(zhàn)略布局更加明顯。通過云服務(wù)，模型服務(wù)能夠向 B 端方案滲透，通過與高通合作，又能夠促進(jìn)基于終端的應(yīng)用開發(fā)。

而在新技術(shù)提升已有業(yè)務(wù)效果上，Meta 也動作迅速。6 月，扎克伯克宣布了全平臺產(chǎn)品整合生成式 AI 技術(shù)。此前，幫助廣告商生成文案、測試廣告效果的 AI 生成服務(wù) AI Sandbox 已經(jīng)上線，這將直接服務(wù)于 Meta 營收核心的廣告業(yè)務(wù)。

看起來，Meta 走在提供標(biāo)準(zhǔn)化模型能力的路徑上，試圖在 toB 和 toC 領(lǐng)域兩頭開花。從其目前困境來看，不難理解背后原因——Meta 已有的超級應(yīng)用 Facebook 并不能構(gòu)成真正的護(hù)城河，從元宇宙開始，Meta 已經(jīng)在思考布局下一代計(jì)算平臺 VR 頭顯，但是創(chuàng)造一代全新計(jì)算平臺及生態(tài)的挑戰(zhàn)巨大，并且進(jìn)度上低于預(yù)期。

大模型給了 Meta 新的希望。比如在技術(shù)上 Text to Image（文轉(zhuǎn)圖）發(fā)展很快，來自硅谷的大廠技術(shù)專家們普遍認(rèn)為 Text to 3D（文轉(zhuǎn) 3D）的能力會很快速地增長——這有助于 Meta 的元宇宙生態(tài)。

因此，Meta 通過 Llama 來提供開源的能力，既可以擊碎其他巨頭的技術(shù)獨(dú)占價(jià)值，也能促進(jìn)大模型技術(shù)更快地被運(yùn)用到自己的現(xiàn)有業(yè)務(wù)和元宇宙生態(tài)，是一石三鳥的好機(jī)會。

亞馬遜：持續(xù)領(lǐng)跑云服務(wù)，

CEO親自掛帥‘最具野心的AI項(xiàng)目’

亞馬遜是另一個一度被外界質(zhì)疑落后于 AI 變革的巨頭，但最新消息顯示，它正在奮起直追。

2 月，亞馬遜推出了自家的開源大模型 mm-cot，盡管在模型架構(gòu)上，創(chuàng)新地提出了包含視覺特征的思維鏈，但在層出不窮的開源模型社區(qū)，并沒有引起太大水花。而截至發(fā)稿前，據(jù)外媒 Insider 最新報(bào)道稱，亞馬遜 CEO Andy Jassy 目前正親自帶隊(duì)，該團(tuán)隊(duì)負(fù)責(zé)開發(fā)該公司最具野心的 AI 項(xiàng)目。

作為云服務(wù)的領(lǐng)跑者，占有 48.9% 市場份額的亞馬遜在 B 端有著絕對的客戶優(yōu)勢。因此，圍繞 B 端，自 4 月以來，亞馬遜推出了大模型服務(wù) Amazon Bedrock，其中既包括自研的大模型，也與 AI21 Labs、Anthropic、Stability AI 等基礎(chǔ)模型提供商廣泛合作，助力企業(yè)輕松靈活構(gòu)建生成式 AI 應(yīng)用，降低所有開發(fā)者的使用門檻。

此外，為了抑制和解決 AI‘一本正經(jīng)地胡說八道’，亞馬遜還打造了 Amazon Titan 基礎(chǔ)大模型，它可以識別和刪除客戶提交給定制模型的數(shù)據(jù)中的有害內(nèi)容，過濾模型中不當(dāng)內(nèi)容的輸出結(jié)果。

同時(shí)，亞馬遜業(yè)務(wù)的根本——提供算力，仍然是大模型時(shí)代的‘剛需’。

即使在大模型時(shí)代技術(shù)棧會發(fā)生變化，云服務(wù)依舊是計(jì)算的底層支撐，AWS 需要更好地嵌入新的技術(shù)棧。而新繁榮的模型工具層，諸如 DataBricks、BentoML 等都會選擇和云平臺合作，分享收益。

4 月，亞馬遜網(wǎng)絡(luò)服務(wù)（AWS）宣布與 Stability AI 和 Hugging Face 等人工智能公司建立合作伙伴關(guān)系，這將允許其他公司使用亞馬遜的基礎(chǔ)設(shè)施來構(gòu)建人工智能產(chǎn)品。此外，AWS 還投資 1 億美元建立 AWS 生成式 AI 創(chuàng)新中心（AWS Generative AI Innovation Center），該中心將把客戶與公司的人工智能和機(jī)器學(xué)習(xí)專家聯(lián)系起來。他們將幫助醫(yī)療保健、金融服務(wù)和制造業(yè)的一系列客戶使用新技術(shù)構(gòu)建定制應(yīng)用程序。

而在 AI 領(lǐng)域深耕 20 年的亞馬遜，目前看來其野心并不甘落于微軟和谷歌之后，也不甘心只坐守 B 端優(yōu)勢與成果。在 B 端之外，亞馬遜似乎也在發(fā)力 C 端；同時(shí)，除了去中心化地提供模型能力賦能，亞馬遜也在打造中心化的大模型——這也是 Andy Jassy 親自掛帥的目的。

微軟：手握王牌，

B 可攻、C 可守

作為 OpenAI 的投資方，借前者的技術(shù)能力與影響力，微軟在 B 端和 C 端都極早開始布局——在 B 端，微軟獲得了布局云平臺新技術(shù)棧的先機(jī)，同時(shí)將來自 OpenAI、Meta 的模型接入云服務(wù)，以期切走云市場更大的蛋糕。而在 C 端，微軟則開始打造前端產(chǎn)品、用大模型做 Copilot ：如在自身的強(qiáng)勢產(chǎn)品 Office 365 中上線 AI 的新功能、將 OpenAI 的大模型接入 Bing 搜索中，發(fā)布 New Bing 產(chǎn)品，成為第一批大模型成熟產(chǎn)品的典型。

B 端與 C 端的雙線推進(jìn)，不僅鞏固了微軟原有的 toB 優(yōu)勢，同時(shí)也加固自己的壁壘以防他人顛覆。

此外，在更底層的硬件層面，微軟也對 AWS 等云服務(wù)廠商發(fā)起了攻擊。在更底層的硬件層面，微軟也從 2019 年在內(nèi)部開始研發(fā)代號為‘雅典娜’的 AI 芯片，這些芯片正式為訓(xùn)練大語言模型等軟件而設(shè)計(jì)，同時(shí)可支持推理，為基于大模型的軟件提供算力。初代產(chǎn)品基于 5 納米工藝，微軟也已規(guī)劃了未來幾代芯片產(chǎn)品。

據(jù)了解，微軟依舊在擴(kuò)大數(shù)據(jù)中心、采買芯片，能夠看出，為了延伸目前自身的優(yōu)勢，微軟做了充分的技術(shù)布局，但挑戰(zhàn)在于，接下來能否在市場化上得到驗(yàn)證。

最新截止 6 月 30 日的第四季度財(cái)報(bào)顯示，截至 6 月底，Azure OpenAI 擁有 1.1 萬用戶，和 5 月末的 0.45 萬相比出現(xiàn)大幅增長。智能云業(yè)務(wù)營收盡管在上漲，但較上一季度增速在放緩。此外，微軟在 7 月中旬，將 Microsoft 365 Copilot 的價(jià)格設(shè)定為每月每戶 30 美元，這被視為增加收入的方式。

目前看來，微軟不僅牢牢守住了自身的產(chǎn)品壁壘，也為自己開拓了全新的賽道和利潤來源。但能否守住大模型時(shí)代的先發(fā)優(yōu)勢，有待進(jìn)一步商業(yè)化驗(yàn)證。

谷歌 ：不能被低估的巨頭，

奮起直追防閃擊

ChatGPT 橫空出世后，微軟立即與 ChatGPT 聯(lián)手推出 New Bing——因?yàn)閾?dān)心 GPT4 加持的 New Bing 將動搖谷歌搜索引擎的根基，Google 選擇在 2 月份倉促應(yīng)戰(zhàn)——發(fā)布 Bard，給外界留下了大亂陣腳的印象，也影響到了人才的流出和資本市場的信心。

然而最新的二季度財(cái)報(bào)顯示的超預(yù)期增長，加之此前 I/O 大會上所展示的全面技術(shù)布局，又成功讓外界對其重拾信心。

這似乎也印證了，在已存在的市場，想利用范式革命顛覆當(dāng)下的巨頭，沒那么容易。

早在 2015 年，Google 就定下了 AI First 的目標(biāo)。但因內(nèi)部原因，錯過了引領(lǐng)生成式 AI 的機(jī)會。Bard 之后，谷歌將背后的支持模型從輕量級的對話模型 LamDA 換成了 Google 自研的 PaLM 模型。今年 5 月，Google 發(fā)布了升級版的 PaLM2 模型，并一次性在包括 Gmail，Google Maps 等多個產(chǎn)品中添加了生成式 AI 帶來的新功能，在 C 端標(biāo)準(zhǔn)化產(chǎn)品方面十分積極。其中，最吸引外界關(guān)注的是兩項(xiàng)：PaLM2 能夠在端側(cè)運(yùn)行的輕量級版本 Gecko，以及正在研發(fā)中的 Gemini 多模態(tài)模型。

當(dāng)然，谷歌在 C 端擁有的強(qiáng)勢基因，這項(xiàng)優(yōu)勢也被認(rèn)為可能掣肘其在 B 端的探索——事實(shí)上，谷歌也將在 B 端發(fā)力：除了谷歌 TPU 外，新增基于英偉達(dá) H100 的 A3 AI 超算，以及面向企業(yè)的 AI 平臺 vertex AI。

對谷歌而言，當(dāng)下的局勢無疑是危險(xiǎn)的。在大模型時(shí)代，搜索這個領(lǐng)域必將被許多對手涉足，身為搜索巨頭，谷歌隨時(shí)可能被狙擊，做好防守是它的死門。

極客公園了解到，經(jīng)過年初的慌亂，巨頭已經(jīng)平靜下來，開始了自己的動作。4 月，谷歌將 DeepMind 與 Google Brain 合并重組為 Google DeepMind，由堅(jiān)信 AGI 的 DeepMind 聯(lián)合創(chuàng)始人 Demis Hassabis 擔(dān)任部門領(lǐng)導(dǎo)，原 Google Brain 負(fù)責(zé)人 Jeff Dean 出任谷歌首席科學(xué)家——這樣的架構(gòu)調(diào)整不僅可以進(jìn)一步聚集資源，更可以窺見谷歌追趕的決心。

合并后的 Google DeepMind 以及 Google Research，目標(biāo)是攻克多個人工智能關(guān)鍵項(xiàng)目，其中第一個即為多模態(tài)模型。有消息傳出，谷歌正在用 Youtube 的視頻數(shù)據(jù)訓(xùn)練 Gemini。鑒于大模型的下一個關(guān)鍵技術(shù)將是多模態(tài)，這增加了谷歌是否會領(lǐng)先的猜測。

畢竟，谷歌擁有 30 億級用戶，在一年幾百億美金收入的前提下，也擁有強(qiáng)大的技術(shù)能力——這使得它即便反應(yīng)不足夠快，但只要在技術(shù)上不落后，也能利用規(guī)模優(yōu)勢守住自己的安全城池。

縱觀巨頭的商業(yè)布局，極客公園經(jīng)廣泛交流后總結(jié)出幾個結(jié)論：

巨頭間的恐慌期已經(jīng)結(jié)束，紛紛重新瞄準(zhǔn)了自己的目標(biāo)，核心是維持自己在產(chǎn)業(yè)的最高位，同時(shí)，如果有機(jī)會對競爭對手進(jìn)行攻擊，自然也不會錯過。

在大模型這波范式革命前，理論上，任意一家成熟公司利用好大模型則可能具備對巨頭發(fā)起閃擊戰(zhàn)的能力，而任何一個巨頭如果不能快速行動，將大模型融入產(chǎn)品，則面臨著被降維偷襲的風(fēng)險(xiǎn)——如微軟搜索之于谷歌搜索，微軟云服務(wù)之于亞馬遜云服務(wù)。

大模型帶來的可能性廣闊而未知，此前確立的商業(yè)邊界會重新模糊。

巨頭訓(xùn)練自己的中心化大模型的目的，與 OpenAI 所常常談到的‘達(dá)到 AGI’不同，其戰(zhàn)略意義更多出于防守。除了業(yè)務(wù)與 Chatbox（聊天機(jī)器人）強(qiáng)相關(guān)的 Google，各家未必強(qiáng)求訓(xùn)練出一個世界頂尖的 ChatGPT 形態(tài)的產(chǎn)品，更在意的是使用大模型防守自己的業(yè)務(wù)，具備反閃擊戰(zhàn)的能力。

但由于技術(shù)尚在發(fā)展中，想利用大模型發(fā)起閃擊戰(zhàn)顛覆對手，或者用大模型本身規(guī)?；@益，也遠(yuǎn)沒有想象中容易：微軟自今年 2 月份推出 New Bing 后，曾一度被認(rèn)為流量增長超過了谷歌，但 4 月以來，有報(bào)告顯示，必應(yīng)的搜索份額不升反降，截止 7 月，谷歌搜索的地位并沒有被撼動的趨勢。而一位計(jì)劃用大模型服務(wù) toB 領(lǐng)域的創(chuàng)業(yè)者告訴極客公園，巨頭想用大模型提供標(biāo)準(zhǔn)化服務(wù)，也一定程度會陷入激烈競爭：以他所在的 SaaS 公司為例，其后臺接入多個大模型（語言模型、翻譯模型等）——OpenAI、Google、開源模型等，‘讓他們卷價(jià)格和性能去吧’，這位創(chuàng)業(yè)者這樣說道。

此外，大模型時(shí)代的硅谷，‘Brain Drain（人才流失）is very real’。多個從業(yè)者告訴極客公園。無論從歷史還是當(dāng)下，任何巨頭不能使用大模型構(gòu)建出有競爭力的業(yè)務(wù)，頂級的 AI 工程師就會很快流失。早在 2022 年，因?yàn)?Meta 專注于元宇宙概念，曾被曝出多個資深 AI 專家跳槽，倫敦分部幾乎全部垮掉。OpenAI 早期更是從 Google 挖走了一百多人來擴(kuò)展業(yè)務(wù)。而離開一家公司的頂級 AI 程序員，在短期內(nèi)基本不可能回流。

最后，AGI 時(shí)代的云計(jì)算仍是絕對的巨頭賽場——云計(jì)算本身就是巨頭的生意，而訓(xùn)練大模型需要巨大的算力。正如同淘金熱下，掙錢的將是賣鏟子的人——大模型底層和應(yīng)用均有較高不確定的當(dāng)下，云廠商一定會從中獲得利潤，在當(dāng)下，如何提供‘更優(yōu)質(zhì)的云服務(wù)’，比如用更低的算力優(yōu)化計(jì)算結(jié)果、滿足模型訓(xùn)練的需求與場景，將是巨大的優(yōu)勢。

03

中間層的繁榮，才能

把應(yīng)用‘抬進(jìn)’大模型時(shí)代

對于創(chuàng)業(yè)公司而言，一名硅谷創(chuàng)業(yè)者告訴我們，‘美國現(xiàn)在是中間層在繁榮，已經(jīng)幾乎沒有新的創(chuàng)業(yè)者要做下一個OpenAI了?！?/p>

所謂中間層，是指要將大模型融合到應(yīng)用，中間所需的一系列工程能力、AI 能力，由此需求出發(fā)，涌現(xiàn)出的一批‘工具?！玳_發(fā)工具鏈（如 Langchain）、模型工具鏈（做數(shù)據(jù)標(biāo)注、向量數(shù)據(jù)庫、分布式訓(xùn)練等）。

‘這類公司通常干的是苦活累活’，與此同時(shí)，由于業(yè)務(wù)壁壘淺（不是完成技術(shù)的從 0 到 1，而是完成 1 到 100），‘中間層’最易受到上下游（大模型和應(yīng)用）的擠壓——比如誕生于 2022 年 10 月的 LangChain，你可以將其理解為程序員的工具庫，因其能夠幫助普通人（企業(yè)）構(gòu)建大模型應(yīng)用，為他們提供過程中所需的工具組件和任務(wù)集（LangChain 封裝了大量 LLM 應(yīng)用開發(fā)邏輯和工具），因而迅速崛起。但最近半年來，眼看著大模型的能力一再進(jìn)化，并開放了插件，LangChain 的價(jià)值也受到?jīng)_擊。

但極客公園在走訪美國硅谷調(diào)研后發(fā)現(xiàn)，與年初投資人們的消極判斷不同，鑒于巨頭們都在入場中心化大模型，這為中間層提供了巨大的機(jī)遇，在海外，中間層正在蓬勃發(fā)展。

正如云計(jì)算時(shí)代，Snowflake（基于底層云計(jì)算構(gòu)建了它的數(shù)據(jù)庫 PaaS 平臺） 和 AWS 相互成就一樣。大模型時(shí)代，中間層和底層算力平臺（及基礎(chǔ)大模型）也正在相互成就。這是因?yàn)樗懔ζ脚_的最終消費(fèi)者是應(yīng)用程序公司，而中間層的公司正在幫助做應(yīng)用的公司快速部署大模型，這進(jìn)一步增加了底層云計(jì)算資源的消耗。

換句話說，中間層的繁榮，直接決定了底層云計(jì)算的‘管道’能開多大，同時(shí)也是上層應(yīng)用生態(tài)得以百花齊放的條件。在硅谷，中間層的一批公司正站在各自不同生態(tài)位上，把應(yīng)用層‘抬’進(jìn)大模型時(shí)代，在這過程中，中間層自身也捕獲了更大的價(jià)值。

他們是怎么做的？

Databricks 的信仰之躍：

13 億美元收購 Mosaic，

數(shù)據(jù)平臺搖身變?yōu)锳I平臺

原本，數(shù)據(jù)領(lǐng)域的格局一經(jīng)確立、就難以松動：尤其是來自集中度高的行業(yè)客戶，極其注重其數(shù)據(jù)的安全性與私密性，以維持自身的競爭壁壘。在海外，除了三大云廠商，Snowflake 和 Databricks 在數(shù)據(jù)領(lǐng)域做得最好。這樣的格局恒久穩(wěn)定，除非一次革命性的技術(shù)躍遷，否則，數(shù)據(jù)領(lǐng)域的客戶很難遷移——大模型時(shí)代帶來了這次機(jī)會。

Databricks 抓住了這次機(jī)會。

成立于 2016 年的 Databricks 本是一個數(shù)據(jù) + 人工智能的開發(fā)平臺，因其早期數(shù)據(jù)湖的主張和布局（數(shù)據(jù)湖對 AI 能力要求更高），積累了一定 AI 能力。生成式 AI 爆火后，Databricks 通過一系列行動，迅速補(bǔ)上了大模型相關(guān)能力，這些行動包括：收購 Okera（數(shù)據(jù)治理平臺）、發(fā)布 Dolly 系列開源模型、以及最重要的，以 13 億美金收購開源大模型企業(yè)平臺 MosaicML。

13 美金的收購象征了 Databricks 的決心。這家公司比對手們更早意識到，在集中度強(qiáng)的行業(yè)，企業(yè)一定傾向于部署一個私有的大模型。

現(xiàn)在的 Databricks 不僅僅是一個數(shù)據(jù)倉庫，一個數(shù)據(jù)湖，還提供 AI 訓(xùn)練、模型管理等一整套服務(wù)。日前，他們發(fā)布了自然語言驅(qū)動的數(shù)據(jù)訪問工具——LakehouseIQ，宣布提供開源 LLM 庫——Databricks Marketplace，以及 AutoML（一種自動化機(jī)器學(xué)習(xí)技術(shù)）能力——Lakehouse AI。

這些工具與服務(wù)意味著，企業(yè)或個人能夠更輕松地接入公司數(shù)據(jù)，用自然語言就能進(jìn)行數(shù)據(jù)分析。

過去一個月，不少行業(yè)人士認(rèn)為，接下來，數(shù)據(jù)或許是軟件公司利用大模型做出差異化最重要的因素——前提是算力成本的降低、開源模型的進(jìn)步，以及模型部署服務(wù)的滲透。也因此，數(shù)據(jù)領(lǐng)域上下游的中間層公司，如 Databricks，將占據(jù)更重要的位置。

近日，Databricks 公布了一個數(shù)字：過去 30 天，在其平臺上訓(xùn)練 Transformer 模型的客戶超過 1500 家。這驗(yàn)證了在當(dāng)下，中間層公司所面對的蓬勃需求。

據(jù)極客公園了解，Databricks 的毛利率高達(dá)百分之六七十——一位大模型創(chuàng)業(yè)者指出，Databricks 通過購買多家云廠商（微軟、AWS 等）的算力，并疊加自身的 AI 訓(xùn)練、模型管理、數(shù)據(jù)管理等服務(wù)，以更高的價(jià)格打包出售，是其高利潤的原因，‘本質(zhì)上是賺算力的錢?！?/p>

而 Databricks 聯(lián)合創(chuàng)始人辛湜告訴極客公園，幫助客戶部署 AI 或者大模型的有很多，但數(shù)據(jù)平臺有天然的優(yōu)勢——‘?dāng)?shù)據(jù)在這里’，AI 平臺首先要是一個數(shù)據(jù)平臺，才可以長久。

Scale AI：

千金難買精標(biāo)數(shù)據(jù)，效率為王

簡單來說，收集、策劃和清洗數(shù)據(jù)集是模型生產(chǎn)中最大的挑戰(zhàn)。

大模型創(chuàng)業(yè)潮中，大多數(shù)企業(yè)在模型生產(chǎn)中花時(shí)間最多、花金錢最多、花精力最多，遇到困難最多的，是整理數(shù)據(jù)，做數(shù)據(jù)的特征工程、特征轉(zhuǎn)化。

據(jù) AI Infrastructure Alliance 在 2022 年的年度調(diào)查顯示，收集、策劃和清洗數(shù)據(jù)集是模型生產(chǎn)中最大的挑戰(zhàn)。

如今數(shù)據(jù)領(lǐng)域風(fēng)頭最盛的 Scale AI 創(chuàng)立于 2016 年，最初主要為無人車提供數(shù)據(jù)標(biāo)注服務(wù)，后來逐漸積累了包括電商、短視頻甚至政府機(jī)構(gòu)的客戶。過程中，它積累了 1000 人的科技管理團(tuán)隊(duì)，幾十萬來自全球的長期外包人員和嚴(yán)格的驗(yàn)收體系。這些積累使得它在大模型時(shí)代快速轉(zhuǎn)身，為企業(yè)提供 RLHF 的微調(diào)業(yè)務(wù)。目前，硅谷頂尖的 AI 公司，包括 OpenAI，Cohere，Inflection AI 都是它的客戶。

2016 年，19 歲的華裔創(chuàng)始人 Alexandr Wang 已經(jīng)有了兩年工程師經(jīng)驗(yàn)。在硅谷的當(dāng)紅公司、美國知乎 Quora，他看到了硅谷科技大公司在和遠(yuǎn)程的外包人員合作上的效率痛點(diǎn)，于是，大一的他從 MIT 輟學(xué)創(chuàng)立了 Scale AI。

傳統(tǒng)大廠做數(shù)據(jù)標(biāo)注時(shí)，欠缺的并不是技術(shù)，而更多的是對外包人員的即時(shí)反饋和管理。在數(shù)據(jù)量龐大的情況下，外包人員的數(shù)量會非常龐大，許多大廠會再找埃森哲這樣的公司去替它們管理外包人員。這在無形之中使得外包人員、提供數(shù)據(jù)標(biāo)注軟件的工程師、以及真正需要數(shù)據(jù)訓(xùn)練模型的算法工程師——三者之間的溝通不暢。企業(yè)支付的價(jià)格很高，但數(shù)據(jù)標(biāo)注質(zhì)量卻并不高。

Scale AI 的專長是利用超規(guī)格的工程團(tuán)隊(duì)和高素質(zhì)的外包管理人員，解決數(shù)據(jù)標(biāo)注的效率和成本問題。他們在全球招募外包人員進(jìn)行數(shù)據(jù)標(biāo)注，同時(shí)將總部設(shè)在硅谷，雇傭高質(zhì)量的硅谷工程師根據(jù)企業(yè)任務(wù)快速構(gòu)建新的數(shù)據(jù)標(biāo)注平臺，再根據(jù)外包人員的反饋及時(shí)對平臺的功能做出調(diào)整。并通過全球化的招募系統(tǒng)，將價(jià)格降到最低——相比于美國大廠為了保證反饋需要在國內(nèi)招人標(biāo)注，Scale AI 可以根據(jù)任務(wù)難度，將簡單的任務(wù)分發(fā)給發(fā)展中國家的數(shù)據(jù)標(biāo)注員，同時(shí)只需支付當(dāng)?shù)氐淖畹凸べY。

這又是一家快速轉(zhuǎn)身抓住機(jī)會的公司。據(jù)極客公園了解，Scale AI 最初在 RLHF 方面并沒有太深的積累，但是通過過去數(shù)據(jù)標(biāo)注方面的積累和極強(qiáng)的工程能力，公司迅速開發(fā)出了適合 RLHF 標(biāo)注的軟件。

借大模型的東風(fēng)，Scale AI 預(yù)計(jì)今年業(yè)務(wù)將增長一倍，據(jù)悉毛利在 60% 左右。今年初，首席執(zhí)行官 Alexandr Wang 在推特上表示，他預(yù)測 AI 實(shí)驗(yàn)室很快就會在人類標(biāo)注數(shù)據(jù)上花費(fèi)與底層算力同等量級的數(shù)十億美元。

承接硅谷模型水平最高的客戶和擁有最高數(shù)據(jù)標(biāo)注吞吐量，利用這些優(yōu)勢，Scale AI 進(jìn)一步提供了 Evaluation 和 api 服務(wù)。前者可以為訓(xùn)練模型的企業(yè)提供人工測試、給出客觀的建議；后者則可以讓企業(yè)自行接入模型，對模型進(jìn)行特定業(yè)務(wù)能力的測試。

自成立以來，這家提供數(shù)據(jù)標(biāo)注服務(wù)的公司已經(jīng)經(jīng)歷了兩次大方向的調(diào)整，但只要數(shù)據(jù)時(shí)代不斷發(fā)展，永遠(yuǎn)會有新的長尾數(shù)據(jù)需要數(shù)據(jù)標(biāo)注。這決定了這樣的公司將被持續(xù)需要。

Hugging Face 崛起：開源、GPT4

的對手和百花齊放的企業(yè)模型

無論是期待拉平 OpenAI 的大模型能力，還是企業(yè)想擁有基于自己的數(shù)據(jù)精調(diào)大模型，開源，都被寄予厚望——這導(dǎo)致了 Hugging Face 的崛起。

Hugging Face 是一個專門針對機(jī)器學(xué)習(xí)的開源平臺和社區(qū)，在當(dāng)下則被視為大模型領(lǐng)域的 Github。截止極客公園發(fā)稿前，Hugging Face 上擁有超過 27 萬的模型，超過四萬八千個數(shù)據(jù)集。而僅僅一個多月前，這個數(shù)據(jù)還是 21 萬多個訓(xùn)練模型和三萬八千個數(shù)據(jù)集。增長速度十分驚人，其流行程度可見一斑。

成立之初，Hugging Face 只是一個做聊天機(jī)器人的創(chuàng)業(yè)公司，因?yàn)楣緲I(yè)務(wù)需要，一直關(guān)注 NLP 技術(shù)。Transformer 架構(gòu)剛剛出現(xiàn)時(shí)，研究者想要接入大模型的成本很高，因?yàn)橐淮沃貙懛桨傅姆窒恚℉ugging Face 分享了自己將基于 tensorflow 實(shí)現(xiàn)的 BERT 模型用 pytorch 進(jìn)行了重寫的方案），Hugging Face 受到了極大的關(guān)注。此后，在 Github 中由 Hugging Face 創(chuàng)建的 Transformers 庫里，不斷有其他研究者在其中添加自己的開源模型。很快，Transformers 庫很快成為 GitHub 增長最快的項(xiàng)目，Hugging Face 也轉(zhuǎn)身開始創(chuàng)建自己的開源平臺。

Hugging Face 的中國區(qū)負(fù)責(zé)人王鐵震告訴極客公園，在技術(shù)上，Hugging Face 針對 AI 的特點(diǎn)做了許多優(yōu)化，比 GitHub 更適合 AI。例如 ：

Hugging Face 支持大文件的上傳。

免費(fèi)提供 hosting，免費(fèi)提供全球 CDN 的 deliver。

開發(fā)者在 Hugging Face 平臺可以做版本控制以及開源協(xié)作，可使用交互式的方式直接展示模型效果，還可以一鍵部署，快速將模型部署到亞馬遜云上使用起來。

文化上，Hugging Face 也做了許多細(xì)致的、ROI 并不高的工作，來培養(yǎng)開源社區(qū)的氛圍。比如對第一次來貢獻(xiàn)代碼的開發(fā)者進(jìn)行非常細(xì)致的輔導(dǎo)。

從早期主要思考如何幫助研究者快速部署模型，Hugging Face 逐步向工業(yè)界發(fā)展，開始嘗試提供更多的工具，讓企業(yè)能夠更快速地用上一個學(xué)術(shù)界發(fā)布的新模型。

現(xiàn)在，通過 Hugging Face，企業(yè)不但可以直接通過 API 接入大模型的能力，也可以通過上傳自己的數(shù)據(jù)，由 Hugging Face 在多種不同的模型和訓(xùn)練方法上，找到最適合企業(yè)的那一個，直接訓(xùn)練一個屬于企業(yè)自己的大模型。

Hugging Face 沒有特別披露過它的營收狀態(tài)，但據(jù)福布斯披露，在 2022 年，Hugging Face 已接近盈虧平衡，擁有了英特爾、 eBay、輝瑞、彭博社等超過一千家客戶，2023 年乘上大模型浪潮，客戶只會更多。最新報(bào)道稱，Hugging Face 的估值可達(dá) 40 億美金。

除了為大公司提供高附加值的定制服務(wù)，如果開源大模型繼續(xù)發(fā)展，成為行業(yè)的主流，那么擁有幾十萬個開源大模型的 Hugging Face，也完全有能力為中小開發(fā)者提供標(biāo)準(zhǔn)化的產(chǎn)品。

Moveworks：用 Copilot 再造

‘受大模型沖擊最大的’RPA 賽道

RPA（Robotic process automation），即機(jī)器人流程化自動化，意為借由機(jī)器人和 AI，無需使用人員具備任何代碼知識，通過拖拉拽，即可快速構(gòu)建一個‘可自動化執(zhí)行的流程’。

事實(shí)上，RPA 是無代碼的一種，顧名思義，這意味不需要寫代碼就可以運(yùn)行程序，約等于用自然語言進(jìn)行軟件交互，這正是大語言模型最擅長的事情。因此，RPA 也被視為最容易被大模型顛覆的賽道。

過去，Moveworks 這一公司深耕于 RPA 賽道。2016 年，Moveworks 創(chuàng)始人意識到，AI聊天機(jī)器人的潛力，可以在沒有人工參與的情況下，解決很大一部分員工的支持問題。聊天機(jī)器人背后的模型可以為員工提供自助服務(wù)，以解決常見請求。

最初，Moveworks 解決了員工的 IT 支持問題。2021 年 3 月后，Moveworks 擴(kuò)展了其員工服務(wù)平臺，以解決涉及其他業(yè)務(wù)線的問題，包括人力資源、財(cái)務(wù)和其他設(shè)施。Moveworks 還發(fā)布了一個內(nèi)部通信解決方案，允許公司領(lǐng)導(dǎo)向員工發(fā)送交互式信息。

員工與 Moveworks 聊天機(jī)器人交談，提交他們的請求，Moveworks 對其進(jìn)行分析，然后通過與其他軟件應(yīng)用程序的集成來解決這些請求，包括：打通企業(yè)級系統(tǒng)的 API 和本地服務(wù)部署的系統(tǒng)（agent），和打通知識庫系統(tǒng)。

在大模型到來后，這家公司也完成了快速升級，從企業(yè)內(nèi)的聊天機(jī)器人發(fā)展為幫助企業(yè)客戶做 copilot，通過對話來連接人和軟件系統(tǒng)?！谖磥?，公司的人力資源部可能變成模型資源部?！晃唤咏?Moveworks 的人士表示。這也為大模型時(shí)代的公司管理及雇傭、協(xié)作方式提出了新的想象。

Sambanova 的狂想：

軟硬件全棧體系，挑戰(zhàn)英偉達(dá)！

硅谷的投資人覺得它的產(chǎn)品不錯，而創(chuàng)業(yè)者們覺得它是瘋子——成立于 2021 年的 Sambanova 充滿爭議。

原因在于，一家 500 人的公司既在做芯片、也在做模型，同時(shí)還要將模型部署到企業(yè)。號稱要提供全棧服務(wù)的 Sambanova 目前已經(jīng)募集了 6 輪共計(jì) 11 億美元融資，估值 51 億。最近一輪 6 融資為 6.76 億美元，于 2021 年 4 月由軟銀愿景基金 2 領(lǐng)投，淡馬錫和新加坡政府投資公司跟投。投資方還有英特爾資本、 GV （前谷歌風(fēng)投）、貝萊德基金等。

這家公司認(rèn)為，伴隨著人工智能崛起，需要與之匹配的新型計(jì)算系統(tǒng)。CPU 和 GPU 這樣傳統(tǒng)的馮·諾伊曼架構(gòu)處理器傾向于指令流（flow of instructions），而非數(shù)據(jù)流（flow of data）。在這樣的架構(gòu)中，人們難以控制緩存數(shù)據(jù)的位置，也就幾乎難以控制數(shù)據(jù)如何在系統(tǒng)中移動。

為此，Sambanova 以軟件的視角重新定義硬件?！?GPT-3 這樣的大模型，需要串聯(lián)上千塊 GPU 進(jìn)行訓(xùn)練、運(yùn)行?！疌EO Rodrigo Liang 說過，這帶來了企業(yè)使用大模型的門檻。這家公司的愿景是消除這種門檻——通過提供包括硬件設(shè)計(jì)、軟件構(gòu)建、模型預(yù)訓(xùn)練和部署在內(nèi)的服務(wù)，減少企業(yè)使用 AI 模型的復(fù)雜度和人力投入。

公司的三位聯(lián)合創(chuàng)始人皆擁有出色的學(xué)術(shù)背景：其中兩位為斯坦福大學(xué)教授——Kunle Olukotun 是多核處理器設(shè)計(jì)的先驅(qū)，另一位為機(jī)器學(xué)習(xí)教授 Christopher Ré。CEO Rodrigo Liang 此前為甲骨文公司的工程主管——這為其大膽愿景提供了幾分說服力，畢竟，Sambanova 號稱將英偉達(dá)視為對手。

Sambanova 稱，在其全棧系統(tǒng)設(shè)備 SambaNova Suite 上部署企業(yè)模型的成本，與 Nividia+Azure 云服務(wù)的方案相比，僅是其 30 分之一。公司的目標(biāo)客戶是希望結(jié)合內(nèi)部數(shù)據(jù)，定制千億級別規(guī)模參數(shù)以上的中大型企業(yè)和政府組織。目前，咨詢公司埃森哲已宣布成為其客戶，而更早之前，美國能源部的阿貢國家實(shí)驗(yàn)室 （ArgonneNationalLabs） 也是其早期客戶，購買了其 DataScale 系統(tǒng)。

04

應(yīng)用層的窘境：熱度最高，

但還未真正‘起跑’

一場技術(shù)變革能夠真正抵達(dá)大眾，最終靠的是百花齊放的應(yīng)用。

在當(dāng)下，大模型應(yīng)用被寄予厚望。無論在海外還是國內(nèi)，相較于基礎(chǔ)設(shè)施層、大模型層與中間層，應(yīng)用層的創(chuàng)業(yè)熱度是更高的——因?yàn)楹笳叩募夹g(shù)門檻沒有那么高，又直接面向用戶、容易拿到結(jié)果，對于創(chuàng)業(yè)者來說更容易上手。

左圖為獲得融資的生成式 AI 初創(chuàng)公司數(shù)量排名，排名前四的都是應(yīng)用層，應(yīng)用層公司占比在 80% 左右。右圖為生成式 AI 初創(chuàng)公司的融資金額排名，應(yīng)用層的融資總額也高于中間層 |來源：Newcomer

但，大模型應(yīng)用層的創(chuàng)業(yè)真的迎來了 iPhone 時(shí)刻嗎？（注：2007 年，iPhone 發(fā)布揭開了智能手機(jī)的時(shí)代，2010 年，iPhone4 的發(fā)布和普及掀起了移動互聯(lián)網(wǎng)應(yīng)用的浪潮。）

實(shí)際上，當(dāng)下大模型應(yīng)用的創(chuàng)新正面臨窘境。

應(yīng)用層的崛起需要倚賴穩(wěn)定的底座，以及豐富的中間層工具。但綠洲資本創(chuàng)始合伙人張津劍指出，相較于海外的很多 AI 應(yīng)用發(fā)展更早（如 AI 視頻獨(dú)角獸 Runway 成立于 2018 年、文案生成獨(dú)角獸 Jasper 創(chuàng)立于 2021 年），中國大模型和應(yīng)用層的發(fā)展幾乎是同步展開的——從今年年初開始，這意味著，應(yīng)用層發(fā)展所倚賴的條件仍不成熟。

按照跟大模型接入的深度，應(yīng)用層創(chuàng)業(yè)可以分為兩類：直接調(diào)用已有大模型（閉源模型 API 接口、開源模型）的應(yīng)用、以及自建模型的應(yīng)用。

百川智能創(chuàng)始人、CEO 王小川告訴極客公園，自研大模型的每次訓(xùn)練成本跟訓(xùn)練 token 數(shù)和參數(shù)量相關(guān)，在中國，每 1 億參數(shù)對應(yīng)訓(xùn)練成本 1.5 到 3 萬人民幣，一個千億級參數(shù)的模型訓(xùn)練單次訓(xùn)練成本預(yù)估在三千萬至五千萬人民幣。如果對于模型的能力有更高要求，比如追上 GPT4.0 的水平，單次訓(xùn)練投入超過 5 億人民幣。這樣的成本門檻就已將許多人攔在門外。但是，通常在訓(xùn)練之前還需要做大量的實(shí)驗(yàn)來確定訓(xùn)練所會采用的策略，外加人力及數(shù)據(jù)上的投入，一個效果好的模型的整體投入會是單次訓(xùn)練投入的 5-10 倍。

如果在可商用的開源模型（如 Llama）上改，亦或是接入已有大模型，效率和效果也都未必令人滿意。且鑒于國內(nèi)大模型的能力較海外尚有差距，‘大部分應(yīng)用層創(chuàng)業(yè)使用的是海外模型，產(chǎn)品直接落地在海外市場?！瘧?yīng)用層創(chuàng)業(yè)者王安屹告訴我們。

技術(shù)如果天天跳躍，只做一層‘薄’的應(yīng)用是很容易被顛覆的——多名投資人表達(dá)了這樣的看法。大模型的迭代速度極快，底層的技術(shù)飛躍將很大程度限制應(yīng)用的發(fā)展。一個典型的例子是，在 GPT-4 發(fā)布后，輔助寫作的獨(dú)角獸 Grammarly 和 Jasper 的價(jià)值迅速被攤薄了。金沙江創(chuàng)投主管合伙人朱嘯虎曾認(rèn)為，‘這兩家公司或?qū)⒑芸鞖w零，根本守不住?！?/p>

實(shí)際上，今天在中國要做一個基于大模型的超級應(yīng)用，甚至能產(chǎn)生商業(yè)正循環(huán)的應(yīng)用，對創(chuàng)業(yè)者的能力挑戰(zhàn)非常大。類似百川智能創(chuàng)始人王小川、出門問問李志飛等極少數(shù)人，目前能同時(shí)具備‘自有模型技術(shù)建立——行業(yè)調(diào)優(yōu)——應(yīng)用生產(chǎn)’的全棧能力，有機(jī)會脫離國內(nèi)基礎(chǔ)大模型的發(fā)展進(jìn)度，開始構(gòu)建直通應(yīng)用的完整競爭力。而大部分在場景、交互、產(chǎn)品定義能力上有特點(diǎn)和優(yōu)勢的創(chuàng)業(yè)者，因?yàn)閲鴥?nèi)大模型本身的技術(shù)不成熟、產(chǎn)業(yè)鏈不健全，基本很難進(jìn)行‘端到端’的探索實(shí)踐。

‘恐懼和憂慮肯定是有的。’360 集團(tuán)副總裁梁志輝告訴極客公園，一旦大模型的能力迭代至另一境界，的確可能顛覆團(tuán)隊(duì)半年來的所有努力，‘但真正的玩家必須在這時(shí)下場，不管能不能贏，否則你連上牌桌的機(jī)會都沒有?！褐据x說。

極客公園創(chuàng)始人張鵬也提及發(fā)起這次 AGI Playground 大會的初衷：‘join and play to earn the lead time（加入并參與，去贏得領(lǐng)先時(shí)間）’——在他看來，AGI 的技術(shù)變革必然蘊(yùn)含巨大機(jī)遇，但當(dāng)下，大模型帶來的創(chuàng)業(yè)機(jī)會距離真正爆發(fā)還有一定時(shí)間，這時(shí)候無論創(chuàng)業(yè)者還是投資人，提前‘下場’未必一擊中，但‘參與’、‘實(shí)踐’都是在為自己、或團(tuán)隊(duì)贏得‘Lead time’，以便能在真正起跑時(shí)‘Be ready’。

‘中美創(chuàng)業(yè)者的勇氣和心態(tài)有一定不同。’真格基金合伙人劉元提到。極客公園調(diào)研硅谷后也驗(yàn)證了這一點(diǎn)，相較于中國創(chuàng)業(yè)者，美國的年輕團(tuán)隊(duì)更敢想、敢干——在硅谷，我們接觸到了一系列尚且‘粗糙’的項(xiàng)目靈感：比如用 AI 做訓(xùn)犬的 copilot、亦或是人類的社交助手。這或許和硅谷的創(chuàng)業(yè)文化相關(guān)，人們花更多時(shí)間思考差異化的價(jià)值，也更包容探索中的失敗。

盡管當(dāng)下應(yīng)用層創(chuàng)業(yè)受到諸多限制，但客觀上仍存在機(jī)會：比如，雖然模型本身已經(jīng)具備了很多能力，但在一些需要更專業(yè)的數(shù)據(jù)體系支撐、對服務(wù)要求更高的場景中，模型的服務(wù)能力依然有限。

創(chuàng)業(yè)者王安屹指出，在 2G（政府）、2B（企業(yè)）等場景，這些領(lǐng)域的數(shù)據(jù)獲取難度高，更容易形成壁壘。在國外，有專門做法律場景的 Harvey.ai 等公司。國內(nèi)，也有創(chuàng)業(yè)公司主攻零售、醫(yī)療、營銷等垂直場景——需要注意的是，在國內(nèi)，數(shù)據(jù)化是當(dāng)下的首要挑戰(zhàn)，‘企業(yè)普遍存在數(shù)據(jù)散落在各地、且難以被提取等問題，因此（產(chǎn)品）建立數(shù)據(jù)飛輪，可能要從幫助企業(yè)能更容易地收集數(shù)據(jù)開始。’

此外，數(shù)據(jù)飛輪也能幫助應(yīng)用產(chǎn)品形成壁壘、避開模型的能力邊界。對此，投資人 Kyle 指出，隨著大模型的每一次迭代，都有應(yīng)用層的產(chǎn)品被唱衰。但隨著時(shí)間推移，部分產(chǎn)品的表現(xiàn)依然很頑強(qiáng)，收入、用戶等數(shù)據(jù)并沒有如預(yù)期下降。

再以文案生成器 Jasper.AI 為例，盡管一再被‘唱衰’，但用戶反饋顯示，Jasper 的文案生成表現(xiàn)依然處于市場領(lǐng)先地位。創(chuàng)立兩年，Jasper 已經(jīng)積累了一定的用戶數(shù)據(jù)，‘這也是產(chǎn)品價(jià)值力的體現(xiàn)?！疜yle 認(rèn)為，這來自創(chuàng)始人較強(qiáng)的工程能力（更好地調(diào)用大模型）、對業(yè)務(wù)場景（B 端文案）的深刻理解、以及時(shí)間上的先發(fā)優(yōu)勢。

對于創(chuàng)業(yè)者而言，找到場景、拿到需求至關(guān)重要——‘悲觀者往往正確，而樂觀者往往成功’，張津劍說，‘最終能勝出的應(yīng)用層項(xiàng)目，一定是抓住一個確定的用戶需求，通過不斷的用戶反饋和數(shù)據(jù)積累，進(jìn)一步迭代產(chǎn)品，從而形成壁壘、避開模型的能力邊界。’

05

中國大模型生態(tài)推演：

巨頭是重要玩家，

但不止是巨頭的游戲

在 ChatGPT 爆火后，國內(nèi)玩家們歷經(jīng)半年的狂熱，已逐步冷靜下來。據(jù)極客公園觀察，與年初相比，國內(nèi)的創(chuàng)業(yè)者、巨頭公司，其中不少人已放棄大模型軍備競賽之路，而轉(zhuǎn)向更務(wù)實(shí)的思考——大模型最終如何落地？有怎樣的應(yīng)用價(jià)值？如何探索商業(yè)化？

經(jīng)過 7 月初在上海的 WAIC（世界人工智能大會），三十多家大模型‘百模齊放’，擁有大模型本身已經(jīng)不再令人驚奇。從功能上而言，擁有文生文、文生圖、代碼 Copilot 能力的模型也不在少數(shù)。

但整體看來，中美大模型的商業(yè)生態(tài)呈現(xiàn)出不同的氣候。

從模型能力上而言，中國模型的能力大多處于初步可用、但不及 GPT3.5 的水平，開源可商用的模型亦相對缺乏，這也一定程度上影響了工具層和應(yīng)用層創(chuàng)業(yè)；

從商業(yè)生態(tài)而言，美國已經(jīng)初步顯現(xiàn)模型層、中間工具層、應(yīng)用層的不同生態(tài)位。中間工具是圍繞定制、部署、使用而出現(xiàn)的一系列工具，例如模型托管平臺如 Hugging Face，模型實(shí)驗(yàn)管理工具平臺 Weights&Biases，像 DataBricks、Snowflake 這樣的數(shù)據(jù)庫也在原有平臺上疊加模型相關(guān)的能力與產(chǎn)品，目的是讓企業(yè)級用戶在平臺上一站式使用數(shù)據(jù)定制化模型。

而在中國，大模型創(chuàng)業(yè)公司之外，獨(dú)立的工具層生態(tài)尚未成氣候，目前提供相關(guān)功能的主要是以大廠為代表的云平臺，外加零星的創(chuàng)業(yè)公司。而在產(chǎn)業(yè)探索進(jìn)程上，中國 C 端應(yīng)用尚未大規(guī)模放開，如百度、金山尚處于邀請碼內(nèi)測階段，知乎曾發(fā)布基于大模型的新功能，也處于內(nèi)測階段，行業(yè)仍在等待合規(guī)。B 端服務(wù)則處于混沌狀態(tài)，一些行動較快的模型創(chuàng)業(yè)公司嘗試為企業(yè)做定制化模型，處于積累案例經(jīng)驗(yàn)的階段，而企業(yè)需求與技術(shù)提供方之間存在溝通隔閡，則是更普遍存在的情況，更重要的是，中國行業(yè)的信息化數(shù)字化程度整體較為落后，這顯然會影響速度，但長遠(yuǎn)來看，留給模型廠商的空間更大。

基于這些不同情況，現(xiàn)階段中國創(chuàng)業(yè)者在大模型領(lǐng)域，所要解決的主要任務(wù)亦不同。

在中國，任何涉及 toC 的大模型服務(wù)，合規(guī)先行是必然趨勢，合規(guī)模型將會率先在市場上提供服務(wù)，并在大規(guī)模 toC 的應(yīng)用場景上獲得先機(jī)；模型質(zhì)量上，媲美 GPT3.5 的優(yōu)質(zhì)基礎(chǔ)模型依舊是訓(xùn)練目標(biāo)。而在訓(xùn)練過程中，由于算力整體有限，高效集中資源并使用，將更加重要。除了需要考慮算力的集中和分配，減少不必要算力消耗的訓(xùn)練技巧也將是重要的經(jīng)驗(yàn)。

極客公園了解到，有消息表示，隨著監(jiān)管明確，第一批合規(guī)模型放出是值得期待的。同時(shí)目前在 toB 領(lǐng)域的應(yīng)用上，實(shí)際上已沒有官方的合規(guī)要求，這將助推大模型落地企業(yè)，也將推動工具層和應(yīng)用層發(fā)展。

目前，模型公司紛紛宣布開源模型可商用，極客公園了解到，在參數(shù)規(guī)模上，國內(nèi)的開源可商用模型將穩(wěn)定在 13B （130 億）左右的規(guī)模。趨勢上，國內(nèi)少數(shù)有能力的創(chuàng)業(yè)公司將繼續(xù)訓(xùn)練更大規(guī)模的模型，并選擇閉源；而也會有很大一部分企業(yè)，則會根據(jù)需求訓(xùn)練模型，不以規(guī)模為絕對的追求，而是滿足業(yè)務(wù)探索需求。比如騰訊內(nèi)部自研了一批從十億到千億規(guī)模的模型，金山為了更好地響應(yīng)辦公文檔‘WPS AI’的用戶需求，內(nèi)部也訓(xùn)練了小模型，作為接入的基礎(chǔ)模型能力補(bǔ)充。

另外，隨著應(yīng)用及場景拓展，模型輸出能力的方式將變得更受關(guān)注。按照模型能力輸出的方式，具體可以分為中心化和非中心化兩種方式。

中心化模式即企業(yè)調(diào)用通用大模型、或第三方行業(yè)垂直模型的 API 去構(gòu)建業(yè)務(wù)功能；非中心化模式則是指，企業(yè)根據(jù)使用場景和功能，用專有數(shù)據(jù)微調(diào)（Finetune）擁有一個甚至多個模型。這樣的專用模型甚至不必追求規(guī)模，可以相互協(xié)作解決問題。業(yè)界普遍認(rèn)為，只需要在百億參數(shù)規(guī)模上進(jìn)行特定領(lǐng)域的知識增強(qiáng)，便能夠在特定功能上達(dá)到比通用模型更加有效的效果。

極客公園在調(diào)研后認(rèn)為，在中國（美國也類似），第二種非中心化模式的市場占比將會更高。按照百川智能的創(chuàng)始人王小川的觀點(diǎn)，‘80% 的價(jià)值可能是蘊(yùn)含在非中心化的模型和服務(wù)里的’。實(shí)際上，像電商、社交、游戲等存在巨頭、集中化程度高的垂直領(lǐng)域，巨頭絕不會使用他人的模型來構(gòu)建業(yè)務(wù)。

背后的邏輯在于，在這些領(lǐng)域內(nèi)，數(shù)據(jù)是關(guān)鍵性資產(chǎn)，通用模型不具備服務(wù)某一領(lǐng)域的能力，接入數(shù)據(jù)后才具有專業(yè)能力，但所謂的行業(yè)模型一旦模型能力全行業(yè)共享后，意味著一定程度上競爭壁壘的消弭，因此必然會形成各家在數(shù)據(jù)墻內(nèi)訓(xùn)練專用模型的形態(tài)。未來，隨著模型支持業(yè)務(wù)的場景和功能變得豐富，模型群落將逐漸形成。

金山辦公是目前的典型案例，在測試階段，金山辦公已接入了 MiniMax、智譜、百度三家不同的基礎(chǔ)模型對外提供服務(wù)，同時(shí)在一些簡單的推理任務(wù)上，直接使用自研的小模型。

而在集中度不高的商業(yè)領(lǐng)域，或者非完全市場化的一些關(guān)鍵行業(yè)，或許會出現(xiàn)一個領(lǐng)域模型以 API 服務(wù)多家的形式。華為發(fā)布盤古大模型時(shí)，同時(shí)發(fā)布在政務(wù)，金融，制造，礦山，氣象等垂直領(lǐng)域發(fā)布模型，便是這種布局思路。

此外，在中國未來的大模型體系里，巨頭仍然會是大模型商業(yè)世界的核心玩家。

中國尚沒有出現(xiàn) DataBricks、Hugging Face 這樣的模型工具平臺，取而代之的是各大云廠商推出的服務(wù)與平臺。雖然對外宣傳的側(cè)重各有不同，但形式基本一致，以云平臺搭載多個模型提供服務(wù)，其中包括第三方模型+自研模型。騰訊甚至在發(fā)布模型平臺之外，發(fā)布了作為中間層工具的向量數(shù)據(jù)庫產(chǎn)品。

最鮮明的是火山引擎，以 Maas 的形式在云上集結(jié)了多家大模型對外輸出服務(wù)。同時(shí)火山引擎提出，未來企業(yè)使用大模型會呈現(xiàn)‘1+N’的模式。而火山引擎推出的‘模型商店’，目的就是方便企業(yè)挑選合適的模型進(jìn)行組合。百度最早發(fā)布文心一言大模型，現(xiàn)在也已在百度上線第三方模型?；鹕揭?、騰訊雖然沒有官宣，但趨勢已經(jīng)形成：自研模型將會和第三方模型一起在云平臺上提供服務(wù)。

在今天，巨頭比任何公司都更警惕范式革命的降臨。因?yàn)槔碚撋?，巨頭隨時(shí)可能被對手發(fā)起閃擊戰(zhàn)——一旦大模型能力注入產(chǎn)品提供顛覆性的價(jià)值，對于原有業(yè)務(wù)可能是巨大的沖擊。而經(jīng)歷移動互聯(lián)網(wǎng)時(shí)代多年的積累，上一代互聯(lián)網(wǎng)平臺已經(jīng)呈現(xiàn)出生態(tài)位的復(fù)雜性。以阿里、騰訊、字節(jié)、百度為代表，它們既擁有現(xiàn)成的 toC 場景以及規(guī)模優(yōu)勢，提供云平臺服務(wù)的同時(shí)也自研模型。當(dāng)自研模型能力注入原有場景后，toC 領(lǐng)域的邊界會重新模糊。由此也不難理解，為何巨頭無法承受錯過大模型的代價(jià)。

復(fù)雜性亦體現(xiàn)在巨頭和生態(tài)的復(fù)雜競合關(guān)系中。

在國內(nèi)，巨頭們紛紛聚焦云業(yè)務(wù)與‘模型商店’的模式：既以云業(yè)務(wù)‘服務(wù)’其他第三方模型創(chuàng)業(yè)公司，同時(shí)也有自研模型、有可能會與創(chuàng)業(yè)公司的模型競爭——這將帶來的復(fù)雜問題是，無論是從技術(shù)上還是業(yè)務(wù)上，彼此的邊界如何明確。

以字節(jié)旗下的火山引擎為例，大模型領(lǐng)域的創(chuàng)業(yè)者如果用火山訓(xùn)練和部署了精調(diào)模型，歸屬權(quán)是否必須屬于火山云？而未來的創(chuàng)業(yè)公司，如果在火山云上為客戶提供 MaaS 服務(wù)，由此所帶來的用戶數(shù)據(jù)，與這家創(chuàng)業(yè)公司是否必須隔離開（即創(chuàng)業(yè)公司無法接觸到所服務(wù)的客戶的數(shù)據(jù)）？這些都是火山引擎曾經(jīng)與創(chuàng)業(yè)者們的分歧所在。

精調(diào)模型的歸屬問題背后，也指向云平臺的擔(dān)心：創(chuàng)業(yè)者使用了云平臺的算力之后，直接打包走模型能力和所服務(wù)的客戶，于是云平臺僅僅扮演了‘一次性服務(wù)’的角色，并未成為真正的 Maas 平臺。

而數(shù)據(jù)隔離背后的邏輯更為復(fù)雜。首先，確實(shí)有安全性問題，模型公司進(jìn)入，破壞了云平臺原有數(shù)據(jù)安全體系，需要有所隔離。其次，模型公司如果不斷接觸用戶數(shù)據(jù)，極可能以客戶數(shù)據(jù)不斷增強(qiáng)自己的模型能力，這將形成模型公司與 MaaS 平臺關(guān)系的不平衡，會讓平臺角色退向算力供應(yīng)商，而非在生態(tài)中更上的站位。這種非本地部署的 MaaS 方式，也會帶來行業(yè)核心客戶的競爭力流失，進(jìn)而破壞云平臺的存在根基。

盡管被動，但目前，創(chuàng)業(yè)者又很難離開火山這樣的云平臺。不僅因?yàn)橥ㄟ^火山能夠找到模型的潛在客戶，更因?yàn)榛鹕綋碛兴懔?，且提供的服?wù)‘很便宜’，‘只有這里能訓(xùn)’。

另外在 MaaS 模式下，巨頭麾下的云平臺本身與其他提供模型的第三方企業(yè)是合作與上下游關(guān)系，但巨頭自研的模型，與第三方模型同樣作為選項(xiàng)進(jìn)入自家的‘模型商店’，又會帶來一定的競爭關(guān)系。長遠(yuǎn)看來，這樣的競合也會成為影響生態(tài)的關(guān)鍵因素。

好在可以確定的是，豐富的生態(tài)中，絕不只有大模型這一個競爭點(diǎn)。在國內(nèi)，巨頭一定是最重要的玩家，但大模型絕不止是巨頭的游戲。

不少人認(rèn)為，巨頭無法對抗組織重力，‘可能還不如小創(chuàng)業(yè)公司聚焦。’且在當(dāng)下宏觀環(huán)境中，國內(nèi)巨頭并不推崇無限擴(kuò)張，這為生態(tài)上下游的創(chuàng)業(yè)公司都留足了機(jī)會與空間。在此背景下，業(yè)內(nèi)人士認(rèn)為，‘大廠的戰(zhàn)略投資部將重新變得重要，因?yàn)閬碜约夹g(shù)的狙擊將隨時(shí)發(fā)生，戰(zhàn)投的使命是為公司探索未來?！?/p>

長期而言，圍繞模型形成的生態(tài)和商業(yè)模式將成為競爭壁壘。據(jù)極客公園觀察，國內(nèi)的大模型創(chuàng)業(yè)公司已經(jīng)在圍繞模型培育生態(tài)，方式包括完善面向開發(fā)者的工具和技術(shù)模塊，開源版本及社區(qū)運(yùn)營等。

一個企業(yè)用戶，是直接尋求模型企業(yè)的服務(wù)，還是選擇云平臺方案，會受諸多因素影響，比如成本、方案便捷性、行業(yè)競合關(guān)系、對模型自主的需求、自身技術(shù)實(shí)力等。而互聯(lián)網(wǎng)巨頭目前的業(yè)務(wù)格局，既會帶來快速滲透場景的優(yōu)勢，又可能會因本身業(yè)務(wù)多重性帶來的競合關(guān)系，存在一定牽制。

‘百模大戰(zhàn)’在中國很可能不會持續(xù)太久，有關(guān)大模型本身的競賽也將很快不再是產(chǎn)業(yè)的焦點(diǎn)，誰能率先提升中國大模型的能力到 GPT-3.5 甚至 4.0 的水平、誰能在未來非中心化模型崛起的時(shí)代，‘多快好省’地幫企業(yè)落地大模型構(gòu)建現(xiàn)實(shí)競爭力、誰能率先把大模型能力落到細(xì)分場景和產(chǎn)業(yè)形成顛覆性創(chuàng)新，將是下一個階段的核心看點(diǎn)。

現(xiàn)在送您60元福利紅包，直接提現(xiàn)不套路~~~快來參與活動吧！

關(guān)鍵詞：