今天小编分享的科技经验：小扎今天搞了个大新闻，想把大模型变成下一个“安卓”。，欢迎阅读。
距离 OpenAI 上次说考虑开源 GPT-3，已经过去两个多月了。
结果，GPT-3 开源的影子一点儿没瞅着，反倒是一直热衷于开源的 Meta 又带着他们家的羊驼模型来上大分了，发布了一个进阶版的 Llama 2。
说起这 Llama 羊驼模型，估计大伙儿之前也见识过了，一经问世，就在开源社区的各大榜单中刷屏。
也是从 LLaMA 开始，什么斯坦福的 Alpaca、UCB 的 Vicuna。。。各种基于 LLaMA 的小模型一个接着一个地蹦出来。
别看这些二创的模型参数量小，和千亿参数的 GPT 模型比起来，效果其实也还不错。
前段时间网上不是发了一个大模型的排名嘛，第四名的 Vicuna 可没比 GPT-3.5 逊色多少。
而这次的 Llama 2，又来了波更新。
相比上一代 Llama，Llama 2 增加了 40% 预训练数据，Token 数翻了差不多一倍到 2T，模型的参数量也扩展到了 700 亿。
在长文本的支持能力上，训练文本的視窗也从之前的 2048 扩展到 4096 。而且还发布了一个微调之后的 Llama 2-Chat 模型，专门针对应用场景的优化。
也可以这么理解，更新过后的 Llama 2 初始属性更强了，更新更快了，等级上限也更高了。
不过，这些还都只是小菜。
Llama 2 最大的亮点，就是开源、免费、可商用，而且还支持在高通的芯片上运行。
这跟上一代 Llama 源代码泄露的 " 被开源 " 可不太一样，之前即使允许二创，也只是停留在研究领網域。
可以免费商用，就相当于拿到了 Meta 准用许可的 " 免死金牌 "，你拿去干啥都不用担心回头被告侵权。
当然了，这许可也是有点限制的，要是产品的日活超过 7 亿，那就还得去申请一下。
而在高通的芯片上运行，也一反过去大模型受制于英伟达芯片的常态。
看来，Llama 2 这次，大有要一举打破 OpenAI 和英伟达封锁的意思啊。
所以消息一出，很快就在网上引起了一波轰动。
有不明觉厉的吃瓜群众跟风夸赞的，还有人马上用 Llama 2 做了个应用程式出来。
甚至于，Meta 的首席 AI 科学家 Yann LeCun 杨立昆也在推特上为 Llama 2 站台，说它将会 " 彻底改变大语言模型的行业格局 "。
Llama 2 这次的更新当真就有这么厉害吗？
本着求证的态度，差评君联系到了在学术圈和开源社区，都颇具影响力的智源 AI 研究院，得到的答案是：这次 Llama 2 的更新，其实并不是重点，开源可商用才是。
而与开源的羊驼模型形成对比的 GPT，就因为闭源（ 不开放源代码 ）而备受吐槽。
当然，关于这开源和闭源的争论，其实从 PC 时代就已经开始了。
当年的开放源码运动里，就诞生出了大家熟知的 Linux 系统。
因为开源之后，大伙们都能上手魔改代码、移植应用等等，基于 Linux 的开源生态也扎着根长出了枝叶。
而如今的路由器、交换机、智能洗衣机、智能电饭煲、交换机、伺服器等等设备上，几乎搭载了各类 Linux 系统。
包括几年前的美国火星车登录成功，还把 Linux 带上了火星。
而开源，也逐渐演变成为了一种 " 开放共享 " 的精神。
如果没有开源，红帽、ubuntu 等桌面作業系統很大概率就不会出现，安卓也不会拿下如今智能手机近三分之二的市场份额。
历史总是惊人的相似，现在开源与闭源的战火很明显已经蔓延到AI领網域。
有意思的是，一直被诟病不太 " Open " 的 Open AI，其实在 GPT-3 之前，一直都是开源的，GPT-2 的代码、框架还有论文都开放得很彻底。
但到了 GPT-3，就只能看论文了。
也难怪马斯克当年执意要退出 OpenAI，因为它们完全违背了当初要成立一家开源非营利组织的初衷。
但即使顶着外部舆论压力，GPT-3 和 GPT-4 仍然雷打不动的坚持闭源。
至于原因，根据 OpenAI 官方的说法，是出于 " 安全 " 的考虑。
这也合理，作为目前最牛叉的大模型，GPT-4 要是真落入了坏人的手里，的确很麻烦。
但差评君觉着，还有一个原因是，OpenAI 不想放弃现有的技术优势。
毕竟 GPT-4 跟前辈们相比，无论是在参数量还是性能上都有了大规模的提升，Open AI 不想让自己的心血白给也可以理解。
说白了，闭源更像是一种商业行为。
但有一说一，闭源的王座并不会一直牢固。
因为从第一代 Llama 开始，大模型开源的这把火就已经被点燃了。开源模型的队伍日渐壮大，AMD 也宣布要在明年开源 OLMo 大语言模型。
随着更多模型源代码的开放，将会有越来越多的人参与到模型的迭代更新当中，为开源的生态添砖加瓦。而技术壁垒在这个过程中，也会被慢慢拉平。
而作为打响了羊驼模型开源第一枪的 Meta，也一直在暗戳戳地往里添柴。
当初，为了请 AI 大拿杨立昆出山，扎克伯格可谓是煞费苦心，不仅答应了他诸多苛刻的要求，而且还立下了研究成果必须开源的规矩。
从 2015 年把 CNN 卷积神级网络用到 GAN 上，提出了 DCGAN，到开源基于 Python 的深度学习框架 PyTorch，再到如今全网刷屏的 Llama。
这么多年了，小扎承诺过的 " 开放 " 似乎从来就没变过。
包括 Llama 之后，Meta 又陆续推出了一系列多模态大模型，像什么 Imagebind、MusicGen，都是开源的。
而且，对于 OpenAI 口中，出于安全考虑的闭源理由，杨立昆也是不太认同的。
在他看来，使人工智能平台安全、良善、实用的唯一方法就是开源。
换句话说，技术掌握在少数人的手里是危险的，只有让监管 AI 的力量也同时进化，才能尽可能地管住 AI。
这在目前看来，暂时只有开源能办到。
而小扎这步棋，又或者说，当年杨立昆坚持开源埋下的种子，或许很快就能看到收获。
比如在定制化的大模型上，开源会跑得比闭源更快。
不可否认的是，OpenAI 大模型的能力的确很能打，但 OpenAI 的团队到底能不能根据具体的行业和应用场景去做适配，还需要打个问号。
打个比方，一家服装厂要用 GPT-4 来优化货物的调度流程，厂里原材料的运送、存储，成品的质量检测，里边儿涉及到太多的行业 Know-How，如果不是由企业自家的开发者来操作，OpenAI 最终交付出来的效果不一定能满足企业的业务需求。
毕竟，咱也不能指望一个搞 AI 的公司，突然就懂服装了。。。
就算咱抛开质量不谈，算力成本一摊下来，中小企业也很难吃得消。更何况，有些企业的数据涉及商业机密，全都交由 OpenAI ，老板估计也不放心。
但开源的优势就在于，开发者可以在源代码的基础上，根据业务需求对模型进行微调。
和从头训练大模型相比，在开源的基础上，运用 LORA 这类低成本的微调方法去构建一个适配下游任务的模型，显然后者的性价比更高。
当开源大模型渗透到越来越多的行业以后，开发者反馈的业务需求越多，模型迭代的速度也会越快。
先占领市场，再用量变来催化质变。
当然了，无论是开源，还是闭源，其实都没有绝对的对错之分。
OpenAI、谷歌之流坚持闭源也无可厚非。
毕竟几十亿美元砸出来的优势摆在那，在模型层级、Token 长度、推理等等能力上，还是领先现在的开源模型不少。
但开源大模型现在势头正猛，抢先一步实现商业化也不无可能。
就像不久前 Altman 说的那样，AI 之后会分化，开源负责商业化落地，而闭源则负责研究超级智能。
所以差评君大胆猜测，AI 大模型的行业格局，或许会是一两家头部闭源，其他开源模型建立起社区生态的局面。
而在开源推动下的商业化落地，也可能会很快地重塑生活的方方面面，说不定哪天你家的扫地机器人就能帮你遛狗了。
差评君还是很期待，在开源的加持下，AI 究竟能给我们的生活带来什么样的变化。
