歡迎來到深圳市明佳達(dá)電子有限公司

發(fā)布ChatGPT僅三個(gè)多月后，OpenAI親手為這場大模型熱潮再添了把柴火。

北京時(shí)間3月15日凌晨，OpenAI在官網(wǎng)上宣告了多模態(tài)大模型GPT-4的誕生。優(yōu)化了模型可支持的輸入模態(tài)、文本長度等性能之外，OpenAI在GPT-4的基礎(chǔ)上升級(jí)了ChatGPT，并一舉開放了API——迭代的速度之快，令人咋舌。

在這場屬于大模型的狂飆中，數(shù)字已經(jīng)讓人麻木。首先是模型的參數(shù)量——此前，OpenAI用GPT-3（參數(shù)量達(dá)1750億）將大模型的參數(shù)量卷上千億級(jí)別，但很快，谷歌在3月6日推出的多模態(tài)大模型PalM-E，則用5620億的參數(shù)坐上了“史上最大視覺語言模型”的位置。

其次是公司狂飆的估值。全球早期項(xiàng)目數(shù)據(jù)服務(wù)商Dealroom的報(bào)告顯示，全球生成式AI企業(yè)的估值達(dá)到總計(jì)約480億美元，在2年里翻了6倍。

國內(nèi)AI賽道升溫來得晚，但企業(yè)估值飆升的速度有過之無不及——王慧文的AI公司“光年之外”，天使輪的估值達(dá)到了2億美金。一家由某位技術(shù)大拿近期創(chuàng)立的大模型企業(yè)，模型demo還沒影子，天使輪的估值也讓其進(jìn)入了億元美金俱樂部——而在元宇宙的風(fēng)口中，百萬美金，似乎已經(jīng)是國內(nèi)創(chuàng)企天使輪的估值天花板。

風(fēng)口中，也有一些糾結(jié)、負(fù)面的聲音浮現(xiàn)。

3月2日晚，一篇主題為“為什么感覺歐美的AI比我們強(qiáng)”的貼文引起不少爭議。發(fā)帖者比較了中美的AI發(fā)展環(huán)境，將歐美AI的發(fā)展視作臥薪嘗膽的“精英教育”，而國內(nèi)則是重商業(yè)化的“功利教育”，最后得出了一個(gè)略顯絕望的結(jié)論：人的命運(yùn)在子宮里就注定了，機(jī)器人也不可幸免。

但豐富的數(shù)據(jù)維度和廣闊的應(yīng)用場景，是上一波持續(xù)了10多年的互聯(lián)網(wǎng)浪潮，留給中國創(chuàng)業(yè)者的富礦。近一個(gè)月以來，不少有場景、有用戶數(shù)據(jù)的小企業(yè)，已經(jīng)基于國內(nèi)外大模型的基座，訓(xùn)練出適配自身業(yè)務(wù)的小模型。而一家擁有百億參數(shù)大模型儲(chǔ)備的公司，也自行“瘦身”，針對(duì)金融、廣告等領(lǐng)域，推出了輕量化的模型，以進(jìn)行新一輪的數(shù)據(jù)儲(chǔ)備。

當(dāng)下，用小模型打磨算法的利刃，為大模型的研發(fā)做好技術(shù)儲(chǔ)備，或許是中國創(chuàng)業(yè)者在未來實(shí)現(xiàn)彎道超車的一條通路。

“全才”大模型 vs “專家”小模型

如何讓AI更聰明、更像人，本質(zhì)上是一個(gè)教育問題。

此前的很長一段時(shí)間，人們熱衷于將AI送進(jìn)“專科院?！?，學(xué)會(huì)解決特定問題的能力——參數(shù)量往往低于百萬的小模型由此誕生。比如谷歌旗下的AI公司DeepMind，讓AlphaGO對(duì)上百萬種人類專業(yè)選手的下棋步驟進(jìn)行了進(jìn)修，最終在2016年以4:1的成績戰(zhàn)勝圍棋名將李世石。

但?？平逃谋锥艘埠苊黠@，小模型大多都有偏科的毛病。比如面對(duì)寫營銷文案時(shí)，精于圖片生成的小模型就碰了壁。同時(shí)，?？频慕逃Y源分散，每個(gè)小模型都需要分別從頭進(jìn)行基礎(chǔ)訓(xùn)練。

作為父母的人類，大多有著培養(yǎng)出全才的期望。2017年，谷歌發(fā)明了一種新的教育方式：Transformer模型。

以往的“?？平逃敝?，AI的學(xué)習(xí)十分依賴人類對(duì)學(xué)習(xí)資料的標(biāo)注和挑選，比如AlphaGO的學(xué)習(xí)資料來自于專業(yè)棋手，而非上圍棋興趣班的孩子。而Transformer訓(xùn)練方式的精髓在于讓AI通過大量的預(yù)習(xí)，自行對(duì)不同科目的學(xué)習(xí)資料“劃重點(diǎn)”。

用于訓(xùn)練的數(shù)據(jù)越多，模型預(yù)習(xí)的效果越好；參數(shù)越多，模型劃出的重點(diǎn)也就越精確。自行劃重點(diǎn)的教育方法解放了人類的雙手，同時(shí)讓AI對(duì)不同科目多管齊下，實(shí)現(xiàn)了跨領(lǐng)域的知識(shí)積累。

2018年，谷歌基于Transformer發(fā)布了首個(gè)參數(shù)過億的基礎(chǔ)模型BERT，并在翻譯這門科目上，成績遠(yuǎn)優(yōu)于神經(jīng)網(wǎng)絡(luò)培訓(xùn)（比如CNN和RNN）模式下培育的模型。

自此，Transformer席卷了模型教育界，大模型的“大”，也被不少公司卷了起來。目前，100億的參數(shù)量被業(yè)界認(rèn)為是模型能力實(shí)現(xiàn)躍升的拐點(diǎn)。

大模型最為直觀的優(yōu)越性，在于有小模型難以企及的推理演繹能力，能理解更復(fù)雜、更廣闊的場景。

除了內(nèi)容生產(chǎn)領(lǐng)域外，大模型還能用在哪？移動(dòng)互聯(lián)網(wǎng)服務(wù)商APUS創(chuàng)始人李濤還舉了一個(gè)例子：一線城市的交通擁堵，80%的問題根源不在于過多的車輛，而在于協(xié)同程度低的智慧交通系統(tǒng)——每個(gè)路口紅綠燈的秒數(shù)設(shè)置成多少？不同路段的紅綠燈如何配合？僅靠人或者小模型，這些問題難以解決。

而大模型的出現(xiàn)，讓巨量的交通數(shù)據(jù)有了用武之地，“人最多只能根據(jù)一個(gè)路段的交通情況做出決策，而大模型能夠看得更全面”。

大模型更大的潛力，還在于能夠降低小模型訓(xùn)練的成本。大模型好比是歷經(jīng)了義務(wù)教育的孩子，在此基礎(chǔ)上，上大學(xué)選專業(yè)，進(jìn)而成為更高階的專業(yè)人才是件成本較低、水到渠成的事。

這也意味著，有了大模型作為基座，從中訓(xùn)練出針對(duì)特定應(yīng)用場景的輕量模型，能夠省去從0開始培養(yǎng)基礎(chǔ)理解的過程。當(dāng)然，這一做法的風(fēng)險(xiǎn)是，大模型的能力會(huì)直接影響培育出模型的質(zhì)量。

以ChatGPT為代表的生成式AI，則是大模型時(shí)代下，從象牙塔走向廣闊應(yīng)用的第一批優(yōu)秀畢業(yè)生。GPT-3.5是掩藏在語言生成能力出眾的ChatGPT背后的大模型基座，低調(diào)，但作用巨大——如今，它已經(jīng)的教育資源已經(jīng)升了級(jí)，迭代成了GPT-4。

不過，大模型時(shí)代的到來，并不意味著高精尖的中小模型將被淘汰。落地到具體的應(yīng)用，經(jīng)濟(jì)性就不得不被企業(yè)納入考量之中，給成本昂貴的大模型“瘦身”顯得尤為重要。“具體的應(yīng)用場景，未來依然會(huì)是中小模型的天下?！崩顫偨Y(jié)。

發(fā)展大模型難在哪？

一個(gè)月以來，不少號(hào)稱“類ChatGPT”的對(duì)話應(yīng)用涌入市場。

僅從日常對(duì)話體驗(yàn)出發(fā)，每一款產(chǎn)品的差異似乎并不大。忽悠或取悅提問者、時(shí)效性差等問題仍是通病，但相較囿于特定場景和答題模板的智能客服，當(dāng)下涌現(xiàn)的對(duì)話機(jī)器人已經(jīng)讓人初步有了“想繼續(xù)聊下去”的興趣。

但再往下深究模型的參數(shù)、Token等細(xì)節(jié)，一切又變得不那么樂觀。自研模型達(dá)到百億參數(shù)規(guī)模的初創(chuàng)企業(yè)寥寥無幾，而參數(shù)規(guī)?？捎^的企業(yè)，不少又有些貓膩。

為了測試大模型的能力，一位互聯(lián)網(wǎng)企業(yè)的戰(zhàn)略分析師向36氪展示了他設(shè)計(jì)的創(chuàng)意寫作、新聞檢索、邏輯推理等300-400組Prompt（問答提示），對(duì)十多個(gè)突破10億參數(shù)規(guī)模的“類ChatGPT”應(yīng)用進(jìn)行逐一測試需要花上兩三個(gè)月的時(shí)間。

測試后，他發(fā)現(xiàn)大多產(chǎn)品的回答模式和ChatGPT太類似了：“很難讓人不懷疑，‘自研’模型的水分有多少?！?/span>

為什么目前國內(nèi)仍然沒有出現(xiàn)ChatGPT？多數(shù)從業(yè)者都覺得答案顯而易見，卻又讓人無奈：做大模型不僅得花大量金錢和時(shí)間“死摳”，還需要愿意不計(jì)成本投入其中的社會(huì)環(huán)境。

算力、算法、數(shù)據(jù)、場景，這是跑通大模型的四個(gè)關(guān)鍵要素。前兩者也是可以想見的浮于海平面上的困難，尤其對(duì)于小公司而言。

《ChatGPT中國變形記》一文對(duì)這些靈魂拷問都有所提及：想要跑通一次100億以上參數(shù)量的模型至少需要用1000張GPU卡訓(xùn)練一個(gè)月，一定程度上決定算法能力的人才又大多聚集在硅谷或?qū)嵙π酆竦拇髲S。

掩藏在海面下的困難，則是長期以來囿于商業(yè)回報(bào)的行業(yè)價(jià)值觀。

“自改革開放以來，中國經(jīng)濟(jì)保持了30多年的高速增長期，并快速躋身世界前列，這和互聯(lián)網(wǎng)發(fā)展拉動(dòng)更多行業(yè)進(jìn)行快速商業(yè)化落地有很大關(guān)系?！币幻趪鴥?nèi)外互聯(lián)網(wǎng)企業(yè)AI團(tuán)隊(duì)近20年的從業(yè)者告訴36氪。但發(fā)展的經(jīng)驗(yàn)，亦成了慣性的枷鎖，“在ChatGPT所帶來的新機(jī)會(huì)面前，我們不可避免地仍然用舊的商業(yè)回報(bào)的視角去加以評(píng)估”。

不少投資人也覺得，爽快地拿錢是件不容易的事。受中概股形勢嚴(yán)峻、企業(yè)赴美上市難等因素影響，不少科技企業(yè)對(duì)美元基金的態(tài)度變得保守謹(jǐn)慎。而如今政府主導(dǎo)基金在人民幣LP中的比例加大，基金募集人民幣面臨更大的挑戰(zhàn)。

夾在其間的雙幣基金更是面臨著兩頭不討好的困境?！俺藗€(gè)別不缺錢的頭部基金，大部分投資機(jī)構(gòu)都在觀望?！币幻p幣基金投資人表示。

即便訓(xùn)練出了大模型，依然沒有人敢斷定，資金回報(bào)一定會(huì)在“5+2”的投資周期后到來。

3月2日，OpenAI以$0.002/1000 tokens（約等于100萬個(gè)單詞/18元人民幣）的“白菜價(jià)”公開了ChatGPT的API，往行業(yè)投擲了一枚不確定性的炸彈。僅過了半個(gè)月，GPT-4又以終結(jié)者的姿態(tài)空降賽道。這更是讓國內(nèi)不少企業(yè)覺得：“卷不過?！?/span>

而商業(yè)變現(xiàn)的想法，看似只需在現(xiàn)有應(yīng)用上前綴“AI+”一般簡單，卻又不甚明朗。

“朦朧美”，不少投資人如此形容近兩個(gè)月AI賽道上的標(biāo)的?！霸诳萍夹袠I(yè)，很多新技術(shù)一開始都是主題投資，投的是一種想象力經(jīng)濟(jì)。”一名經(jīng)歷了元宇宙、Web3等諸多風(fēng)口的投資人告訴36氪，“我們傾向于認(rèn)為目前的‘AI+’都有做成的可能，但也正因?yàn)槿绱?，企業(yè)的vision（遠(yuǎn)見卓識(shí)）和商業(yè)模式在尋求融資的過程中會(huì)被更加強(qiáng)調(diào)?！?/span>

一個(gè)月前見到一名雙幣基金的投資人時(shí)，她正拒絕了一家立下“1年內(nèi)訓(xùn)練出大模型”軍令狀的公司。最近再見她，對(duì)方用同樣的兩個(gè)問題勸退了不少趕風(fēng)口的企業(yè)：

“你們做大模型的必要性在哪？”

“有什么明確的商業(yè)模式嗎？”

場景和數(shù)據(jù)，國內(nèi)小模型的機(jī)會(huì)

但好在，中國不缺AI模型的落地場景，以及豐富的用戶數(shù)據(jù)——這讓國內(nèi)公司在培育大模型這一“西瓜”的同時(shí)，還能收割輕量化模型撒下的“芝麻”。

回到模型訓(xùn)練的本質(zhì)：量變引起質(zhì)變。暴力出奇跡的基礎(chǔ)在于海量的數(shù)據(jù)，而我國超10億規(guī)模的互聯(lián)網(wǎng)民，已經(jīng)給大模型的研發(fā)提供了足夠的燃料。席卷了近十年的數(shù)字化浪潮，又讓AI在足夠多的成熟產(chǎn)業(yè)有快速落地的可能，同時(shí)又能為方興未艾的行業(yè)注入新血。

不少曾經(jīng)立下“All in 大模型”flag的基金，經(jīng)歷了近3個(gè)月的火熱后，選擇自行降溫。一名雙幣基金投資人告訴36氪，團(tuán)隊(duì)已經(jīng)調(diào)整了投資戰(zhàn)略，“比起投一家模型層公司，不如和現(xiàn)有的portfolio（投資組合）討論如何接入模型優(yōu)化業(yè)務(wù)?！?/span>

但聚焦到特定的應(yīng)用場景，最終發(fā)揮作用的往往不是大模型，而是輕量的中小模型。大模型涉獵廣，但對(duì)具體場景的推理演繹能力往往不如“專家”中小模型。另一方面，從更現(xiàn)實(shí)的成本問題出發(fā)，中小模型能將大模型運(yùn)行所需的算力成本降到1/10甚至1/100。

李濤認(rèn)為，國內(nèi)企業(yè)現(xiàn)階段可以奉行的是“拿來主義”，基于海外的開源大模型，將中小模型打磨至頂尖水平：

“現(xiàn)在國內(nèi)企業(yè)能跑通的是這樣一條路：用海外大模型對(duì)落地場景進(jìn)行驗(yàn)證，再基于我們豐富的數(shù)據(jù)資源訓(xùn)練中小模型，最后落地至具體場景——大模型的4個(gè)要素，除了算力是長跑，剩下3個(gè)都是能夠把握在手里的?！?/span>

這也意味著，國內(nèi)有場景、有數(shù)據(jù)的模型層公司，在OpenAI給予的競爭壓力下，依然能抓住不少機(jī)會(huì)。中小模型落地后，各行各業(yè)積攢的數(shù)據(jù)又能成為自研大模型的“飛輪”。

目睹OpenAI踏出一條明路后，也有更多人愿意不計(jì)較太多成本，涌向“無人區(qū)”。

比如基于“用AI操縱AI”的想象力，在海外，一些通過大模型搭建“下一代RPA（Robotic process automation，機(jī)器人流程自動(dòng)化）平臺(tái)”的公司，已經(jīng)受到了資本的青睞。

最典型的案例是去年4月，含著谷歌AI核心研發(fā)團(tuán)隊(duì)這一“金湯匙”出生的美國AI創(chuàng)企Adept，迅速拿下了6500萬美元的A輪融資。類似方向的公司還有得到a16z投資的Replicate，以及德國的Deepset。

“RPA+AI”這一應(yīng)用方向的突破性在于，將大模型落地為調(diào)用和控制智能工具的中臺(tái)，讓企業(yè)在少代碼化操作的情況下智能化調(diào)用相應(yīng)的數(shù)字工具。一名相關(guān)方向的國內(nèi)創(chuàng)業(yè)者預(yù)估，“未來十年內(nèi)，RPA行業(yè)可能不再單獨(dú)存在，數(shù)字化工具可以無代碼地直接連接到個(gè)體?！?/span>

2019年-2021年期間，海外流向生成式 AI 業(yè)務(wù)的資本增加了約 130%，增長主要由機(jī)器學(xué)習(xí)運(yùn)維（MLOps）、文本寫作、數(shù)據(jù)等領(lǐng)域拉動(dòng)。

服務(wù)于模型訓(xùn)練、管理、運(yùn)維的一些中間業(yè)態(tài)也初步形成。比如，一些企業(yè)研究出了讓模型訓(xùn)練成本更低、效率更高的模式，讓人們只需用一張消費(fèi)級(jí)GPU的顯存，就能實(shí)現(xiàn)對(duì)ChatGPT的部分復(fù)刻。

無論是保守冷靜，還是擁抱不確定性，投資人們首先要面對(duì)的是浪潮中水漲船高的企業(yè)估值。多少是企業(yè)的本事，多少是泡沫中的水分，在被ChatGPT卷起的AI夢(mèng)真正落地前，讓賽道去偽存真，也需要經(jīng)歷一定的時(shí)間。

公司首頁：m.xm-car.cn