文|新眸 吳明燦
編輯|桑明強
最近的科技圈狂歡，屬于ChatGPT。
自從OpenAI公司公開了ChatGPT的公測平臺后，ChatGPT就迅速霸占了國內各平臺的科技榜單，短短一周，用戶量已經突破了1百萬人。但事實上，它不是一個新概念，確切的說，他算是介于GPT-3和GPT-4中間的一個彩蛋，而且，GPT-3已經是現象級的AI產品了。
在ChatGPT之前，OpenAI推出了GPT-3，同樣是對人類語言的理解，GPT-3對比ChatGPT來說就顯得冰冷。后來，在GPT-3的基礎上，ChatGPT引入了人類偏好學習機制，讓他的回答更貼近人類，不僅如此，ChatGPT學會了糾正提問中的錯誤，并對一些敏感的問題做出回避。
在一些業(yè)內人士看來，ChatGPT的出現對傳統(tǒng)的搜索引擎是一個沖擊。無論是谷歌還是百度，用的都是一套“推薦制”的搜索方式，而ChatGPT跳過了網頁瀏覽和整合這個步驟，直接給你一個答案，而這樣的搜索結果顯然更加效率，能大量節(jié)省用戶瀏覽和比對的時間。
更有人預言，ChatGPT會顛覆現在已有的產業(yè)業(yè)態(tài)，就像當年互聯網對線下商業(yè)的沖擊一樣。那么，事實真的如此嗎？這篇文章我們來好好聊一聊。
01 ChatGPT帶來了什么改變？
大約在6年前，一篇大名鼎鼎的論文《Attention Is All You Needed》正式發(fā)表，它第一次提出了注意力機制（Attention），并且在Attention的基礎上創(chuàng)造了一個全新的NLP（自然語言處理）模型Transformer。
Transformer是GPT和BERT的前身。谷歌和OpenAI在自然語言處理技術上的優(yōu)化，都是基于這個模型。
后來，從2018年開始，GPT技術基本上是一年迭代一次，所使用的參數量從初代GPT的1.17億，增加到GPT-3的1750億。優(yōu)化的背后，是OpenAI巨額的研發(fā)經費投入。據相關數據顯示，GPT-3訓練一次的費用是460萬美元，總訓練成本達到了1200萬美元，不僅測試成本非常高，GPT技術對算力的要求也是目前AIGC技術領域最高的。
各項技術算力需求，圖源國盛證卷
與此同時，在大算力的驅動下，AIGC生成的結果會更優(yōu)質，更效率。從第一代的GPT技術到現在的ChatGPT，如今的技術已經可以讓AI跟人進行自然的交流。因此，它也就具有了更多的應用場景，比如搜索引擎、電商客服等。
有趣的是，最近大家都在擔憂谷歌會不會被ChatGPT替代掉的問題。關于這個問題，我們先來看一個應用場景：我從旅游景點推薦的方向，分別問了ChatGPT這樣幾個問題，它給出的答案如下：
ChatGPT問答測試，圖源新眸自制
以往我們需要查找一項攻略的時候，需要經歷四個步驟才能得到答案：輸入、檢索、整理、結果，而ChatGPT跳過了中間的兩個步驟，實現了從輸入到結果的新搜索方式。
總結起來，就是ChatGPT技術已經可以替代部分的搜索引擎功能，大幅提高了用戶的檢索效率。再回到ChatGPT的核心技術上，GPT的全稱是生成式預訓練模型（Generative Pre-Training Transformer），ChatGPT也就是在無監(jiān)督無標記，這種更符合日常溝通的條件下，識別人的語言并進行對話。
某種程度上，NLP技術的優(yōu)劣，決定了AI對人類意圖的理解能力，如果AI能理解人類的意圖，就能生產更符合人類需求、更優(yōu)質的產品。
作為AIGC賽道上重要的一個階段，NLP技術的升級是整個AIGC技術更新的第一步。
ChatGPT在原來GPT的模型基礎上加入了人類反饋學習的機制，也就意味著，新的GPT技術將更好的理解人類的自然語言。
用建筑設計領域舉個例子，AIGC技術如果能完美的理解設計師的意圖，就能免去很多繁瑣和重復的工作，在提高效率的同時，也能釋放勞動力的潛力，創(chuàng)作者可以逃離重復的工作，利用多余的時間進行自我提升。
從GPT-1到如今的ChatGPT，在NLP技術上的優(yōu)化和迭代，讓AIGC技術有能力開拓更多的應用場景。如果將優(yōu)化后的AIGC技術落實在企業(yè)應用端，也會進一步提高企業(yè)效率，釋放更多的人力成本。
AIGC應用場景，圖源紅杉資本
02 焦慮是留給其余AI企業(yè)的
在技術圈和投資者們都為AIGC技術狂歡的同時，感到焦慮的是大部分AI企業(yè)。對于AI賽道上的其他企業(yè)來說，OpenAI和它們之間已經形成了很大的差距。
在ChatGPT發(fā)布之前，不是沒有人挑戰(zhàn)OpenAI的技術。
自從OpenAI發(fā)布了GPT-3并創(chuàng)開創(chuàng)了AIGC大算力的發(fā)展前景的時候，不少工程師開始研究對NLP過程進行瘦身，在保證運行效果不變的情況下，通過降低算力和參數量的需求，開發(fā)Transformer模型在應用端的潛力，目的在于希望小企業(yè)也能有能力運用NLP的新技術，但其實這是比較難實現的，尤其是參數量的需求對于AIGC技術來說是剛需，越多的參數量，所產出的AIGC作品也就更優(yōu)質。
就像一位分析師在李rumor公眾號中所提出的問題：“如果商用智能作為公司助手，你是會選擇高價但是能精準提高效率的，還是低價但是準確率只有70%-80%的產品呢？”從長期投資的角度來看，企業(yè)是會傾向更精準的機器的。
最典型的例子是，在GPT-3發(fā)布之后不久，Meta AI推出了OPT技術。
OPT和GPT-3的運行效果幾乎沒有什么區(qū)別，參數量也是很巧合的1750億。不僅如此，Meta AI還將OPT技術做了開源，提供給所有需要的企業(yè)和個人作為研發(fā)的基礎技術。
那么問題來了，推特上的一位數字科技的風險投資人Andrew Steinwold這樣評論GPT-4技術，他說：“GPT-3需要1750億參數，GPT-4明顯會擁有100萬億的參數量，你們想用GPT-4做出什么樣的東西來呀？”
也許GPT-3對參數和算力的要求還能被一些比較大的企業(yè)滿足，如果換做是參數量翻了幾百倍的GPT-4，能跑得動巨額參數的企業(yè)也只能是鳳毛麟角了。
AIGC未來對算力和規(guī)模的要求，對于進入賽道尚且年輕的企業(yè)來說更是不可能超越的。某種意義上，OpenAI憑借著大規(guī)模和大算力，在同行和自己之間構建了足夠厚的技術壁壘，而這份研發(fā)投入，是非常難超越的。在全球市場排在頭部的企業(yè)也就幾家，能做到微軟這個量級的企業(yè)就更少了。
這也是OpenAI開發(fā)GPT技術讓人感到害怕的地方。
對于AIGC這個賽道來說，算力、算法、數據都是促使它優(yōu)化的主要因素，而GPT技術的迭代升級，將大數據的重要性放到了一個空前的位置。在大算力、大投資、大規(guī)模的要求下，后來的AIGC企業(yè)想要做出更好的技術，只會變得更難。
也有人會問，為什么國內做不出ChatGPT這樣的產品？是創(chuàng)新力不夠嗎？其實，創(chuàng)新力是一個因素，但不是全部。
03 我們距離ChatGPT還有多遠？
我們從融資、科研投入、技術三個方面分別聊聊國內的情況。
國內企業(yè)有很多從事AIGC研究的企業(yè)，例如盜夢師、TIAMAT等，但是國內的投資人對AIGC的狂熱度遠不及海外。在海外獨角獸公司Jasper和Stability AI在今年10月相繼獲得了1.25億美元和1.01億美元的融資后，國內的AIGC企業(yè)目前只有TIAMAT完成了百萬美元的天使輪的融資。
先不看投資人的金錢實力，單憑投資邏輯，對于國內投資市場來說，投資人更關心AIGC的商業(yè)化落地問題。百度集團副總裁吳甜就曾針對AI的深度學習說過這樣的話：“深度學習技術已經開始向多個行業(yè)進行大規(guī)模地滲透推廣，但目前AI大生產仍處于起步階段?！边@也意味著，其實企業(yè)內部也對AIGC的商業(yè)化程度不夠自信。
再比如PICO這樣的元宇宙系列產品，最近也面臨著銷售瓶頸，這樣的情況時國內很多高科技企業(yè)都會面臨的問題，技術是好的，但落實在產品銷售上就賣的不好，從某種程度上也會抵消企業(yè)內部對一個新產品的信心。
由于國內的AI企業(yè)在核心技術門檻上并不具備先天的優(yōu)勢，如果想實現凈利潤的提升，最終總會走向技術商業(yè)化。筆者此前針對科大訊飛的商業(yè)模式做過一些了解，對于科大訊飛來說，語音技術門檻被突破，單純做技術不能賺錢的話，它會先選擇賣產品掙錢，先將技術在產品端落地了，有一份收入來源，剩下的就邊走邊看。
在這樣的邏輯下，國內AI企業(yè)就會更關注一項技術能不能實現快速實現商業(yè)化，是否可以在產品端落實之后帶來收益。
但是OpenAI的思路明顯和國內的大部分企業(yè)都不一樣，OpenAI之前獲得了微軟的20億投資，進行GPT的開發(fā)。GPT-4技術需要的大算力和大規(guī)模，顯然在近幾年是不能回本的。光是GPT-3在測試階段就花出去了千萬美金，作為算力要求翻了幾百倍的GPT-4技術，在開銷方面也只會成百倍的增加。
總結起來，這也是國內外科研邏輯的不同。相比國外，國內更追求商業(yè)產品的落地，投資人在對一些概念性的產品進行投資時也更加謹慎。然而，在大算力的新競爭生態(tài)下，融資投入的增加對于AIGC企業(yè)來說非常重要。
其次，是研發(fā)人員待遇的問題，根據市場調研數據，國內的企業(yè)研發(fā)人員相比于美國的企業(yè)，收入更依賴工齡和學歷。
中美兩國研發(fā)人員收入對比，圖源OECD
最后從國內AIGC相關的技術發(fā)展方面，根據Gartner數據統(tǒng)計，國內的數字化技術還集中在發(fā)展階段。而美國的大部分技術都已經可以平穩(wěn)發(fā)展。還有一個現象就是，在國內很多技術就算發(fā)展了5-10年也還是分布在創(chuàng)新孵化階段，然而美國的很多技術在發(fā)展了1-2年后就能進入成熟階段。從這個個統(tǒng)計結果來看，美國的企業(yè)相比于國內，研發(fā)效率明顯更高。
綜上來看，國內企業(yè)想要發(fā)展AIGC技術，首先要解決的就是資金問題。按照國內高科技投資的邏輯，AIGC技術在獲得大量融資前，應該先讓投資者看到它的應用前景。但是現在的AIGC賽道，雖然應用場景很多，但是商業(yè)前景還不夠明朗。
04 談談AIGC這門生意
實際上，盡管AIGC的技術一直在迭代升級，AIGC的商業(yè)化推進其實是困難的。首先，AIGC對于算力的要求越來越大，不是一般企業(yè)可以負擔的起的，也只有一些大的B端企業(yè)可以負擔AIGC的大規(guī)模和大運算需求，這樣一來將來能使用AIGC技術做應用的公司并不多。
其次，AIGC的應用路線還很模糊，就拿搜索引擎這一應用場景來說，ChatGPT還不足以取代傳統(tǒng)的搜索引擎。
網絡上關于ChatGPT擊敗傳統(tǒng)搜索引擎的論調很多，我們回到前文提到的旅游推薦的應用場景去說，當我提問ChatGPT能不能給我一些旅游建議的時候，它直接給出了答案，搜索效率是提上去了，但是這個答案一定就是我需要的嗎？未必。
比如，我問它圣誕節(jié)倫敦有哪些值得去的地方。它給我列出了5個城市，現實的情況是，英國的圣誕活動各地都有，它直接給我列出的5個城市，一定程度上也減少了我的選擇。
ChatGPT現在的問題在于，他給出的答案往往是大眾性質的、普適化的，而非個性化的。
在用戶剛開始做檢索的時候，大部分情況下對自己的需求是沒有很明確的認知的。而在使用傳統(tǒng)瀏覽器的時候，往往是在檢索過程中才能進一步縮小自己的需求范圍，而ChatGPT是直接將用戶能看到的答案范圍進行了縮減，它給出的答案是正確的，但不一定就是最合適用戶的。
就現在的情況看，AIGC的應用前景并不明朗，盡管AIGC可以運用在多種場景中，但好的技術，不一定能在商業(yè)上迅速落地。
盡管OpenAI用錢燒出了GPT技術的迭代，但是這一做法也有它的市場局限性，在大算力的要求下，沒有多少企業(yè)可以承擔得起GPT-3 的運作，就算是面向大眾測試的ChatGPT，它的參數量要求也很大，將來如果運用在B端市場，對于多數的企業(yè)來說是個不小的負擔。ChatGPT的出現也只是AIGC的一次技術迭代升級罷了，它的應用前景還不明朗，現在就談到勞動力替代和技術壟斷，還太早了。