今天小编分享的科技经验：开源大模型LLaMA 2会扮演类似Android的角色么？，欢迎阅读。
图片来源 @视觉中国
文 | 李智勇
在AI 大模型没有商业模式？等文章中，我多次表达过这样一个观点：不要把大模型的未来应用方式比喻成公有云，大模型最终会是云端作業系統的核心（新通用计算平台），而它的落地形式会很像过去的沃森，以系统型超级应用的形态落地。假如真的这样，那无疑的就需要一个开源的、便宜的 " 安卓 " 来真正启动这种落地。没想到的是这还没过去一个月，LLaMA 2 出现了，并且表现优异。那 LLaMA 2 会在 AI 行业里扮演移动互联网中安卓的角色么？
安卓与历史性时刻
整个移动互联网有两个至关重要的历史性时刻：一个是 iPhone 的发布，这伴随着乔布斯而载入史册；一个则是同年 Android 的发布，相比之下这个则有点默默无闻。但实际上对于移动互联网而言，后者的实际影响大于前者。每年全球手机销量里面 15% 左右为苹果手机，其它基本是安卓手机。
换句话说，没有安卓就没有移动互联网。
那安卓这类作業系統到底是什么？为什么这么关键？我们来简单科普下作業系統的概念。
( 作業系統最简示意图 )
这个图不十分精确，Kernel（内核）那个位置通常还有非常复杂的各种模块，但好在它能清楚说明作業系統是什么。安卓就处于中间的 Kernel 那个位置，对上面的各种应用比如微信、抖音来讲，他们其实根本接触不到麦克风、摄像头、内存、网络等，所有对具体物理设备的使用都要通过安卓这样的系统。
这样的分工好处是什么呢？
降低开发和应用成本。在 IT 行业的早期没有上面的分工，通常都是一个公司（比如 IBM）把所有事都干了。这就导致对人员要求非常高。纯粹从技术复杂度角度看开发一般终端应用的难度如果是 1，那很多作業系統里模块的开发难度估计是 10，并且两者的难度不在一个维度上。同时作業系統只有 1 个，但应用会有无数个（安卓 -- 应用商店）。所以就需要一种更为高效的分工方式，于是行业再分工，作業系統出现了。
高效的分工体系才能导致整个生态的大发展，对于移动互联网安卓就是生态大发展的最关键支点。如果微信团队需要自己做安卓，那很可能我们就看不见微信了。
如果说技术意义上的作業系統是上面那张简图，那商业意义上的作業系統则是一个引擎，为所有应用提供动力，缩减它们的开发成本、缩短周期。
大模型扮演的就是这个角色，但如果它只有一个（chatGPT），并且只是 OpenAI 自己用，那就像只有 iOS 一样，根本就造不出来五花八门的手机，也就不会有移动互联网的真正启动。
过去基于 chatGPT 根本没法打造沃森这样的系统，各种数据风险的考量根本不是一个技术进步就能对冲掉的，谁愿意把数据都上传到 OpenAI 呢，谁愿意依赖一个完全不知道的黑盒呢！
但在过去别的大模型又太差了，LLaMA 2 在改变这种局面，从评测看它基本赶上 GPT3.5，, 也就是说在创造价值的维度它变的能用了，在落地的维度又因为开源而能对冲风险上的顾虑。再发展下去就真的会变成一个新智能生态的引擎，类似安卓的角色。
在前面系列文章里面也曾经多次提到我们普遍的看待大模型的方式是有问题的。如果就看到技术和能力，而看不到它的落地需要一套复杂系统做支撑，那就搞不清它的真正价值创造方式，就会争论是屁胡还是什么，但其实并不对。
人工智能应用会大爆发么？
如果评测结果无误，那现在就需要开始在不同的领網域打造一个个类似沃森的系统。否则可能就晚了。
大模型很关键，提供了打造智能型应用的机会，但就像移动互联网上真正有价值的是微信而不是一个裸的安卓一样，大模型也需要在它上面长出自己的应用。用系统的思维模式很容易看到这类系统型超级应用的关键点。我们换一张图来对此进行说明。
( Alexa 基础架构，本质和安卓一样）
上图是亚马逊 Alexa 的基础架构图，为什么用它呢，因为 Alexa 是现在为止最像云端作業系統的一个产品。
实际上 OpenAI 的插件骨子里也是这模式。可以这么讲从大模型的角度看 OpenAI 的远胜，这种智能的进步大幅缩减应用（上图中的 Alexa Skills Kit）的开发成本，但从系统完备性的角度看 OpenAI 还有很长一段路要走，比如对大规模设备的介入和管控等。
基于这种架构图很容易看出基于大模型的超级应用的关键点：
大模型：会处于中间的部分，负责提供通用智能的能力。也要与其它各类算法相配合，比如感知类算法、推荐类算法等。上图中针对互動做了一点分解，抽成：语音识别（ASR）和自然语言理解，后者会完全被大模型取代，但不会改变架构。
AIoT 基础设施：为了支撑大模型跑好并且和另外几部分连接起来，AIoT 用的东西一个也缺不了，包括大规模设备管理通讯等。这些部分加起来才是过去系统的 Kernel，也就是安卓所扮演的角色（上图中间的部分）。
用户侧（上图右侧）：要提供充分感知，这种感知要有时间维度和空间维度，要有现场和历史数据。我们和智能音箱进行互動的时候，先要喊一嗓子，比如小爱同学等，它要听不到不管后面大模型多厉害也是不行。然后互動的时候肯定需要这个人的建模数据（历史）以及位置等，然后才能做好内容输出。不同场景下这部分会有比较大差别，比如沃森的场景可能就需要个人的 24 小时心电图、病史以及基因数据。这些部分非常关键，需要综合应用 IoT 和各种算法才能达成目标。大模型在这个环节扮演的角色没那么关键。
应用侧（上图左侧）：智能音箱的场景就需要对接各种数据源（chatGPT 的插件就干这事的），总不能天气也靠大模型来生成吧。对于沃森类系统这里就需要行业数据和法规等。
相比于过去应用侧在变薄，但问题是三个部分整个加一起才是智能云系统下的应用，非要类比的话这种新应用的创建有点像需要打造一个个属于特殊领網域的手机。
有无数个领網域需要这种系统型超级应用，医疗、教育、税务、企业、零售、军事、家居等，很久以前 DeepMind 甚至还尝试过给 Google 数据中心做个这样的应用来管空调。
人工智能应用确实会大爆发，在过去大模型是起点和障碍，而不是应用本身。LLaMA 2 提供了跨越低成本跨越这种障碍的可能性。
普遍盈利（break-even）会来么？
在此前的系列文章中我多次总结：从商业角度看，人工智能过去 10 年的创业其实集体性失败了，因为没跑通任何一个像样的商业模式。而真自己做大模型的企业短期亏损会加剧，因为投入增加并且经常会被归零，而议价权并不会增加。
那现在看这会有什么变化么？
有点变化，但不是对做大模型的公司，而是对应用大模型的公司。
可以更低成本创造一种效力巨大的系统型超级应用，甚至可以简单用等于多少人来衡量其效果和商业价值。如果 LLaMA 2 继续再进展下去，那相当于这个超级应用总是可以用便宜却更强劲的引擎。
这时候整体成本可控了，周边的部分也需要投入，但不会像大模型研发那样导致投入产出高度失衡。
这时候效果明显了，过去的 AI 算法其实解决了一些不痛不痒的问题，不创造商业上的核心价值，做闸机和智能音箱能创造什么核心价值？但现在不一样，大模型在技术上的进展保证了，在用和不用上会导致大刀对坦克的差异。比如对企业而言谁能想象电腦、互联网全部都不用的企业？
更关键在于数据飞轮的 Key 看着是在做出系统型超级应用的企业手里，这导致上限会比较高。
在琢磨事上马斯克首先是个商人，从 xAI 发布说起里我画了一张这样的图：
( 数据飞轮的三个阶段 )
每一个大模型每个领網域中最终追求的一定是把这个数据飞轮跑起来，但很遗憾的是到目前为止好像除了 AlphaGo 别的就没跑起来过。
可这不意味着未来也这样，谁在未来能把它先跑起来，谁就是那个领網域的冠军，也就赢了。
现在产业链条上谁最可能把这个飞轮跑起来？
显然是成功落地系统型超级应用的人，他们才是拥有场景和用户的人。
若干年后，回看我们可能会认为 LLaMA 2 是一个类似 2007 年安卓发布的时刻。
小结
我个人前十年主要做系统，中间做了阵战略投资，后十年主要就做人工智能的产研，可能是这种背景的原因导致我越看大模型商业化的路径越觉得是系统型超级应用。希望对此感兴趣的同学和我联系，共同探讨如何在新技术要素下确立新的商业模式。确实，像 DeepMind 那哥们说的：不要扯图灵测试了，现在核心是看看能不能终结人工智能行业的十年亏损，这更关键些！
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体 App
