文|Alter
根據(jù)北京市經信局公布的數(shù)據(jù)，截止到2023年10月初，國內公開的AI大模型數(shù)量已經達到238個。
盡管學術界對大模型的參數(shù)量并沒有明確的標準，許多10億級參數(shù)的模型并不能和GPT4相提并論，國內大模型的爆發(fā)式增長，無疑揭示了一個既定事實：和每一次風口出現(xiàn)時一樣，總有人一窩蜂地涌入，試圖在新一輪的創(chuàng)業(yè)潮中搏一個機會。
就像創(chuàng)新工場董事長李開復的觀點：AI大模型是絕對不能錯過的歷史機遇。因為這將是有史以來最大的平臺革命，它將比Windows、安卓要大10倍甚至更多，它會讓每個應用改寫，會重構人類的工作，會讓有創(chuàng)意的那些人的聰明才智被放大10倍或者更多......
為了不錯過“百年一見”的歷史機遇，一場“百模大戰(zhàn)”正在上演，可問題在于：當前的大模型戰(zhàn)場，當真是屬于創(chuàng)業(yè)者的機會嗎？
01、“插件”更像是一種過渡
大模型的爆火，屬于多種因素疊加的結果，其中讓大多數(shù)人印象深刻的標志性事件有兩個：一個是ChatGPT的走紅，月活用戶量在兩個月的時間里就超過一億；另一個是英偉達CEO黃仁勛的比喻，認為“AI的iPhone時刻已經來臨”。
冷靜下來思考，這兩個事件都有著鮮明的移動互聯(lián)網色彩，將月活視為一個產品成敗的標準，將某個產品的爆炸性增長視為市場需求被激活的晴雨表。這樣的邏輯是否合理還不得而知，但深深影響了大模型商業(yè)模式的構建。
于是，很多大模型都在打造自己的“應用中心”。OpenAI上線了ChatGPT插件，付費用戶可以調用插件解決某類需求，目前ChatGPT上已經有近1000個插件；國內的百度也在積極布局，發(fā)布文心一言插件生態(tài)平臺“靈境矩陣”，并計劃提供百億流量、億元基金等激勵來扶持插件生態(tài)。
個中緣由并不難理解。
無論是站在移動互聯(lián)網塔尖的蘋果，還是出貨量穩(wěn)居前五的安卓廠商，無不構建了應用市場的變現(xiàn)模式，衍生出了廣告排名、支付分成、游戲聯(lián)運等多種盈利方式。甚至微信這樣的超級APP，也通過小程序實現(xiàn)了類似的機制。
就現(xiàn)階段來看，像手機廠商一樣經營“插件生態(tài)”，可能是大模型平臺當下的最佳選項，而開發(fā)者同樣樂見其成。
就像移動互聯(lián)網催生的流量紅利，灌溉了大大小小的應用，倘若大模型可以沿著移動互聯(lián)網的軌跡增長，大概率將帶來了新一輪的紅利。為大模型平臺開發(fā)插件，可能會得到平臺的流量傾斜，拿到大模型時代的門票，乃至通過“降維打擊”的方式顛覆固有的市場格局。
問題在于，大模型平臺能否成為占領用戶習慣的入口？在互聯(lián)網和移動互聯(lián)網時代，入口一詞頻頻被提及，可以細分為內容、應用、操作系統(tǒng)、硬件四個維度，充當著用戶獲取信息、解決問題的第一觸點。
眼下的挑戰(zhàn)在于，坊間普遍認為通用大模型會趨向寡頭化，最終只剩下兩到三家，開發(fā)者選擇加入哪個大模型插件生態(tài)，就像是一場豪賭。畢竟ChatGPT的訪問量已經連續(xù)三個月下滑，而且功能相似的聊天機器人應用仍層出不窮，在大多數(shù)用戶的習慣養(yǎng)成前，無法斷言哪個大模型會是最后的贏家。
把視野再放大一些的話，聊天機器人可能并不是大模型的終極應用，更像是一個啟蒙產品。
比如華為已經將大模型和語音助手小藝融合，不排除越來越多的智能手機、智能音箱、智能家居類廠商有同樣的計劃，語音助手逐漸成為人們喚醒大模型的主流方式；再比如一些人鼓吹的Agent，即可以能自主理解、規(guī)劃決策、執(zhí)行復雜任務的智能體，自動幫主人處理一些繁瑣的流程性工作。
無論是哪一種情況，都意味著插件不過是一種過渡，用戶需要的只是連接某個服務，不需要知道服務來自哪個插件。先調用某個插件才能獲得某項能力的交互，注定是大模型初級階段的產物。
02、垂直大模型是金礦嗎？
事實似乎也是如此。不管是ChatGPT還是同類產品，插件的主要貢獻者集中在獨立開發(fā)者和人數(shù)較少的小團隊，那些手握上千萬用戶和海量數(shù)據(jù)的產品，好像對插件背后的機會窗口不太感興趣。
畢竟插件生態(tài)的主導者是通用大模型，插件的作用可以歸類為AI+的范疇，目的是為了擴展大模型的多元能力。借用百度集團資深副總裁何俊杰的觀點：“如果說大模型是一顆聰明的大腦，那么插件就是大模型的手和腳?！?/p>
典型的例子就是文檔處理類的插件，調用大模型的能力對用戶的文檔進行處理，再基于文檔完成摘要、問答、創(chuàng)作等任務。插件扮演的終歸是工具的角色，而工具類產品的宿命普遍不太樂觀：風口期收獲了大把的流量，但大多數(shù)工具沒能走通變現(xiàn)的路子，風口過后還要買流量來維持增長。
有野心的開發(fā)者不甘心做插件，做通用大模型的“寄生品”，瞄準了更有吸引力的選擇：
一種是基于大模型的能力開發(fā)獨立應用，或為自己的應用接入大模型廠商的API，進而提升產品的服務能力；另一種是在通用大模型或開源大模型的基礎上，訓練適用于垂直場景的模型。據(jù)說北京市已經有115個AI大模型，其中垂直大模型占到了103個。
前者的挑戰(zhàn)在于，目前的產品主要集中在對話型、繪畫類產品上，且以To C場景為主。只不過C端用戶仍以閑聊、娛樂為主，尚未產生實實在在的生產力，導致付費意愿通常比較低。同時還存在產品同質化的現(xiàn)象，以閑聊類產品為例，早期的產品普遍基于公開語料，假如用戶的提問難以產生有價值的數(shù)據(jù)，差異化也就無從談起。
To B漸漸成了行業(yè)內心照不宣的選項。
大模型的能力聽起來很美好，大多數(shù)企業(yè)卻用不起來，原因在于通用大模型無法很好地解決垂類問題。對于B端企業(yè)來說，可以將自己服務行業(yè)的專業(yè)知識灌輸給大模型做進一步的訓練與微調，訓練完后在本地進行私有部署，再來解決對應垂類問題。
這就為垂直大模型提供了充足的想象空間，也是創(chuàng)業(yè)者扎堆的賽道。B端企業(yè)的場景比較明確，并且積累了海量的數(shù)據(jù)，既能為大模型訓練提供數(shù)據(jù)，還提供了大模型效果的檢驗場。
相對不那么樂觀的是，現(xiàn)階段愿意為大模型付費的，還只有金融為首的個別場景，不少行業(yè)還在觀望中。以金融大模型為例，目前發(fā)布了金融大模型的企業(yè)有螞蟻集團、Bloomberg、MorganStanley、Lemonade、蘇黎世保險、度小滿、瑞穗金融集團等，要么手握海量金融數(shù)據(jù)，要么有自研大模型的背景，都不是靠一腔熱血闖進市場的創(chuàng)業(yè)者。
簡而言之，大模型的想象空間越大，想要從中尋找機會的企業(yè)就越多，留給創(chuàng)業(yè)者的機會窗口并沒有太多。況且還有一個無法規(guī)避的問題：在和大廠同臺競爭的過程中，創(chuàng)業(yè)者有資本試錯嗎？通往大模型的遠方有千萬條路，也意味著會有千萬個死胡同。
03、創(chuàng)業(yè)者“無法承受之痛”
首當其沖的正是合規(guī)問題。國內在7月初出臺了大模型備案要求，依靠API接口獲取境外大模型能力的模式受到挑戰(zhàn)，導致年初時就接入OpenAI做應用的團隊，在不同程度上陷入了困境。
比如某在線設計平臺，曾是國內最早推出AI生圖的產品之一，并圍繞AI生圖搭建了社區(qū)生態(tài)。但在9月初的時候，這家平臺突然宣布“網站維護”，一直到一個多月后，依然是“網站升級中”的狀態(tài)。而在每天都有新事物出現(xiàn)的大模型行業(yè)，早期的先發(fā)優(yōu)勢正不可避免地隨著時間消亡。
和過往幾次“風口”最大的不同，在大模型的曙光面前，創(chuàng)業(yè)者很興奮，監(jiān)管卻很理性，為了避免大模型市場重蹈野蠻生長的局面，避免大模型走向失控，相關政策和法規(guī)密集出臺。
就在不久前，科技部、工信部、教育部等10部門聯(lián)合印發(fā)《科技倫理審查辦法（試行）》，明確提到：算法、模型和系統(tǒng)的設計、實現(xiàn)、應用等遵守公平、公正、透明、可靠、可控等原則，符合國家有關要求，倫理風險評估審核和應急處置方案合理，用戶權益保護措施全面得當?shù)取?/p>
幾乎在同一時間，全國信息安全標準化技術委員會發(fā)布了《生成式人工智能服務安全基本要求》（征求意見稿），涉及語料安全、模型安全、安全措施、安全評估等多個方面。
其中在語料安全要求中，不僅明確提出語料可溯源，包括開源語料和自采語料，還提出要建立語料來源黑名單，不使用黑名單來源的數(shù)據(jù)進行訓練?！皯獙Ω鱽碓凑Z料進行安全評估，單一來源語料內容中含違法不良信息超過5%的，應將該來源加入黑名單?！?/p>
也就是說，在監(jiān)管趨嚴的背景下，等待開發(fā)者的不單單是備案問題，而是系統(tǒng)性的合規(guī)要求。無論是調用大模型API做創(chuàng)新的應用層開發(fā)者，還是想在垂直領域分一杯羹的垂類大模型，“蒙眼狂奔”的選項已經消失，必須要謹慎應對潛在的合規(guī)和安全風險。
如果開發(fā)者基于某個不合規(guī)的通用大模型訓練產品，為了滿足合規(guī)需求而切換大模型的話，需要重新處理數(shù)據(jù)，因為不同大模型的訓練數(shù)據(jù)不同，開發(fā)者需要重新對數(shù)據(jù)進行清洗、預處理和標注；需要基于新模型訓練和調優(yōu)，包括訓練算法、超參數(shù)，以及反復的實驗和調整；在模型部署和應用過程中，還要考慮不同的部署平臺和框架……
垂直大模型大發(fā)展需要應對的潛在風險更多。就像《生成式人工智能服務安全基本要求》中提到的，預訓練、優(yōu)化訓練等環(huán)節(jié)的輸入端數(shù)據(jù)均納入“訓練語料”的范疇，過去靠采集境外數(shù)據(jù)進行訓練的方案已經行不通，勢必要花更多的精力進行數(shù)據(jù)采集、清洗、標注。數(shù)據(jù)影響著大模型的“智商”，同時也左右著垂直大模型的生死。
相比于巨頭們充沛的資源，大模型創(chuàng)業(yè)者面臨的挑戰(zhàn)將越來越多，現(xiàn)階段是合規(guī)，下階段可能就是盈利了。
04、寫在最后
用一句話形容大模型時代的創(chuàng)業(yè)者：表面上鮮花著錦，實際上烈火烹油，從搶跑到碰壁，不過才半年時間。
也許大模型時代不缺少機會，但每一條賽道都不會是康莊大道，不缺少沖出一家家獨角獸的機會，比例上注定是九死一生。結果大概率和一次次淘金熱一樣，淘到金子的人寥寥無幾，賣水人悄悄發(fā)了財。