今天小編分享的科技經驗：小扎今天搞了個大新聞，想把大模型變成下一個“安卓”。，歡迎閲讀。
距離 OpenAI 上次説考慮開源 GPT-3，已經過去兩個多月了。
結果，GPT-3 開源的影子一點兒沒瞅着，反倒是一直熱衷于開源的 Meta 又帶着他們家的羊駝模型來上大分了，發布了一個進階版的 Llama 2。
説起這 Llama 羊駝模型，估計大夥兒之前也見識過了，一經問世，就在開源社區的各大榜單中刷屏。
也是從 LLaMA 開始，什麼斯坦福的 Alpaca、UCB 的 Vicuna。。。各種基于 LLaMA 的小模型一個接着一個地蹦出來。
别看這些二創的模型參數量小，和千億參數的 GPT 模型比起來，效果其實也還不錯。
前段時間網上不是發了一個大模型的排名嘛，第四名的 Vicuna 可沒比 GPT-3.5 遜色多少。
而這次的 Llama 2，又來了波更新。
相比上一代 Llama，Llama 2 增加了 40% 預訓練數據，Token 數翻了差不多一倍到 2T，模型的參數量也擴展到了 700 億。
在長文本的支持能力上，訓練文本的視窗也從之前的 2048 擴展到 4096 。而且還發布了一個微調之後的 Llama 2-Chat 模型，專門針對應用場景的優化。
也可以這麼理解，更新過後的 Llama 2 初始屬性更強了，更新更快了，等級上限也更高了。
不過，這些還都只是小菜。
Llama 2 最大的亮點，就是開源、免費、可商用，而且還支持在高通的芯片上運行。
這跟上一代 Llama 源代碼泄露的 " 被開源 " 可不太一樣，之前即使允許二創，也只是停留在研究領網域。
可以免費商用，就相當于拿到了 Meta 準用許可的 " 免死金牌 "，你拿去幹啥都不用擔心回頭被告侵權。
當然了，這許可也是有點限制的，要是產品的日活超過 7 億，那就還得去申請一下。
而在高通的芯片上運行，也一反過去大模型受制于英偉達芯片的常态。
看來，Llama 2 這次，大有要一舉打破 OpenAI 和英偉達封鎖的意思啊。
所以消息一出，很快就在網上引起了一波轟動。
有不明覺厲的吃瓜群眾跟風誇贊的，還有人馬上用 Llama 2 做了個應用程式出來。
甚至于，Meta 的首席 AI 科學家 Yann LeCun 楊立昆也在推特上為 Llama 2 站台，説它将會 " 徹底改變大語言模型的行業格局 "。
Llama 2 這次的更新當真就有這麼厲害嗎？
本着求證的态度，差評君聯系到了在學術圈和開源社區，都頗具影響力的智源 AI 研究院，得到的答案是：這次 Llama 2 的更新，其實并不是重點，開源可商用才是。
而與開源的羊駝模型形成對比的 GPT，就因為閉源（ 不開放源代碼 ）而備受吐槽。
當然，關于這開源和閉源的争論，其實從 PC 時代就已經開始了。
當年的開放源碼運動裏，就誕生出了大家熟知的 Linux 系統。
因為開源之後，大夥們都能上手魔改代碼、移植應用等等，基于 Linux 的開源生态也扎着根長出了枝葉。
而如今的路由器、交換機、智能洗衣機、智能電飯煲、交換機、伺服器等等設備上，幾乎搭載了各類 Linux 系統。
包括幾年前的美國火星車登錄成功，還把 Linux 帶上了火星。
而開源，也逐漸演變成為了一種 " 開放共享 " 的精神。
如果沒有開源，紅帽、ubuntu 等桌面作業系統很大概率就不會出現，安卓也不會拿下如今智能手機近三分之二的市場份額。
歷史總是驚人的相似，現在開源與閉源的戰火很明顯已經蔓延到AI領網域。
有意思的是，一直被诟病不太 " Open " 的 Open AI，其實在 GPT-3 之前，一直都是開源的，GPT-2 的代碼、框架還有論文都開放得很徹底。
但到了 GPT-3，就只能看論文了。
也難怪馬斯克當年執意要退出 OpenAI，因為它們完全違背了當初要成立一家開源非營利組織的初衷。
但即使頂着外部輿論壓力，GPT-3 和 GPT-4 仍然雷打不動的堅持閉源。
至于原因，根據 OpenAI 官方的説法，是出于 " 安全 " 的考慮。
這也合理，作為目前最牛叉的大模型，GPT-4 要是真落入了壞人的手裏，的确很麻煩。
但差評君覺着，還有一個原因是，OpenAI 不想放棄現有的技術優勢。
畢竟 GPT-4 跟前輩們相比，無論是在參數量還是性能上都有了大規模的提升，Open AI 不想讓自己的心血白給也可以理解。
説白了，閉源更像是一種商業行為。
但有一説一，閉源的王座并不會一直牢固。
因為從第一代 Llama 開始，大模型開源的這把火就已經被點燃了。開源模型的隊伍日漸壯大，AMD 也宣布要在明年開源 OLMo 大語言模型。
随着更多模型源代碼的開放，将會有越來越多的人參與到模型的迭代更新當中，為開源的生态添磚加瓦。而技術壁壘在這個過程中，也會被慢慢拉平。
而作為打響了羊駝模型開源第一槍的 Meta，也一直在暗戳戳地往裏添柴。
當初，為了請 AI 大拿楊立昆出山，扎克伯格可謂是煞費苦心，不僅答應了他諸多苛刻的要求，而且還立下了研究成果必須開源的規矩。
從 2015 年把 CNN 卷積神級網絡用到 GAN 上，提出了 DCGAN，到開源基于 Python 的深度學習框架 PyTorch，再到如今全網刷屏的 Llama。
這麼多年了，小扎承諾過的 " 開放 " 似乎從來就沒變過。
包括 Llama 之後，Meta 又陸續推出了一系列多模态大模型，像什麼 Imagebind、MusicGen，都是開源的。
而且，對于 OpenAI 口中，出于安全考慮的閉源理由，楊立昆也是不太認同的。
在他看來，使人工智能平台安全、良善、實用的唯一方法就是開源。
換句話説，技術掌握在少數人的手裏是危險的，只有讓監管 AI 的力量也同時進化，才能盡可能地管住 AI。
這在目前看來，暫時只有開源能辦到。
而小扎這步棋，又或者説，當年楊立昆堅持開源埋下的種子，或許很快就能看到收獲。
比如在定制化的大模型上，開源會跑得比閉源更快。
不可否認的是，OpenAI 大模型的能力的确很能打，但 OpenAI 的團隊到底能不能根據具體的行業和應用場景去做适配，還需要打個問号。
打個比方，一家服裝廠要用 GPT-4 來優化貨物的調度流程，廠裏原材料的運送、存儲，成品的質量檢測，裏邊兒涉及到太多的行業 Know-How，如果不是由企業自家的開發者來操作，OpenAI 最終交付出來的效果不一定能滿足企業的業務需求。
畢竟，咱也不能指望一個搞 AI 的公司，突然就懂服裝了。。。
就算咱抛開質量不談，算力成本一攤下來，中小企業也很難吃得消。更何況，有些企業的數據涉及商業機密，全都交由 OpenAI ，老板估計也不放心。
但開源的優勢就在于，開發者可以在源代碼的基礎上，根據業務需求對模型進行微調。
和從頭訓練大模型相比，在開源的基礎上，運用 LORA 這類低成本的微調方法去構建一個适配下遊任務的模型，顯然後者的性價比更高。
當開源大模型滲透到越來越多的行業以後，開發者反饋的業務需求越多，模型迭代的速度也會越快。
先占領市場，再用量變來催化質變。
當然了，無論是開源，還是閉源，其實都沒有絕對的對錯之分。
OpenAI、谷歌之流堅持閉源也無可厚非。
畢竟幾十億美元砸出來的優勢擺在那，在模型層級、Token 長度、推理等等能力上，還是領先現在的開源模型不少。
但開源大模型現在勢頭正猛，搶先一步實現商業化也不無可能。
就像不久前 Altman 説的那樣，AI 之後會分化，開源負責商業化落地，而閉源則負責研究超級智能。
所以差評君大膽猜測，AI 大模型的行業格局，或許會是一兩家頭部閉源，其他開源模型建立起社區生态的局面。
而在開源推動下的商業化落地，也可能會很快地重塑生活的方方面面，説不定哪天你家的掃地機器人就能幫你遛狗了。
差評君還是很期待，在開源的加持下，AI 究竟能給我們的生活帶來什麼樣的變化。
