今天小編分享的科學經驗：大模型應用，必須警惕“速成幻覺”，歡迎閲讀。
我們知道，大模型會編造不正确的答案，產生 " 幻覺 "。
其實，在應用層面，還存在一個更隐蔽的 " 幻覺 "，就是創業公司忽略了大模型落地所需要的長周期、重基建和工程化難度，帶來的 " 速成幻覺 "。
随着 " 百模大戰 " 拉開序幕，大模型過剩帶來的市場擠壓，也給整個大模型生态帶來了行業洗牌的風險。
越來越多的人有了共識，基礎通用大模型競争激烈，注定是少數人的遊戲。創業公司随時可能倒掉，造成項目爛尾。
具備技術、產品和行業優勢的 " 第一梯隊 " 大廠，比如百度的文心大模型 3.5，已經跟國内其他模型拉開了差距，具有了一定的先發優勢和市場打開度，更容易在這場白熱化競争中生存下來。
既然大模型很難 " 速成 "，那麼創業公司的 " 幻覺 "，又是從何而來的呢？
第一種 " 幻覺 "
開源幹翻閉源
創業公司紛紛入局大模型，給它們勇氣的，不是梁靜茹，而是開源。
以 Meta 的 Llama 2、智譜 AI 的 ChatGLM 為代表的開源大模型，陸續免費并支持授權商用，這無疑是一件好事，讓創業公司不用重復造輪子，可以用開源大模型作為基座模型，快速開發出相應的商用版本大模型或大模型應用。
開源的低門檻、低成本，帶來了 " 開源幹翻閉源 " 的幻覺。
為什麼説是幻覺？我們可以從企業視角為出發點——即使有了開源模型，想要落地應用大模型，還有哪些必要條件？
一是雲基礎設施。
大模型落地需要進一步微調、訓練、運行，要在雲平台上運行。而創業公司跟 OpenAI 、百度等閉源頭部公司的一大差距，就在于缺少跟雲平台的 " 緊耦合 "。
眾所周知，OpenAI 有微軟的大力支持，百度文心大模型背後是百度智能雲，這些大廠自研大模型，都對雲基礎設施的計算硬體集群、資源調度等，進行針對性的協調優化，大模型 +AI 雲的緊密配合，可以更高效地利用計算資源，降低大模型的邊際成本。
海外大模型開源社區的 " 明星 " 如 Together 會為企業客户提供開源模型及配套的雲平台，MosaicML 也提供 Mosaic Cloud 和多雲混合服務，國內的開源項目如 ChatGLM，也選擇與多家雲廠商合作。
可以看到，開源項目跟雲平台的 " 松耦合 "，會受到雲平台的配合度、商業政策等的影響，一旦後期出現資源漲價、利益抽成、研發意向變化，都會給基于開源的大模型項目帶來商業化風險。
其次，是二次開發。
基于開源模型的創業公司，往往是在底座模型的基礎上做一些微調，靈活有餘，但開源模型的分支多、變異快、創新迭代速度快，不承諾任何确定性，一般由程式員自組織來完成開發，這就導致基于開源的大模型穩定性不足，對客户技術團隊二次開發能力要求很高，選型難度也很大。
目前看，第一梯隊的大廠推出的基礎大模型，更能滿足企業對大模型穩定性、可靠性的需求。
因為閉源大模型，遵循的不是開源範式，而是工程範式，所以，會以保證開發質量為前提，對用户需求進行明确的描述，組織工程師按照規範的開發流程和周期，以确定的時間和預算，更好的控制開發質量，保證開發效率。
開源是一件好事，但開源并不是一把萬能鑰匙。如果不解決基礎設施、二次開發等瓶頸，創業公司也無法靠開源，快速取得成功。
第二個 " 幻覺 "
三五個人幹翻大廠
因為開源，創業公司和互聯網企業都可以叫賣大模型，這就產生了第二個 " 幻覺 "：三五個人的創業團隊，就能幹翻 AI 大廠。
需要注意的是，" 百模大戰 " 帶來了白熱化的淘汰賽，同時，大模型還在以周為部門進行迭代。
在激蕩的市場競争中，具有長期研發能力和投入意願的大廠，更容易保持動态的生長力和持久的話語權，體現在幾個方面：
一是模型本身的技術城池。
谷歌研發人員此前曾發文稱，因為開源，谷歌和 OpenAI 都沒有護城河。這在長期看是對的，但大廠在大模型技術上的領先性，也是現實存在的優勢，這個技術代差，足以在大模型的商用周期中，為大廠帶來顯著的競争優勢。
而且，大模型具有數據上的 " 飛輪效應 "，更早應用、更多用户的大廠大模型，會不斷拉大效果差距。比如國內最早推向大眾的文心大模型，其 3.5 版本已經在一些基準測試中，超過了 GPT3.5 的表現，而宣稱達到 GPT-3.5 的 Llama 2 剛開源不久，因此目前國產開源大模型最多也就達到 GPT-3 的水平。
二是持續迭代的成長能力。
大模型落地不是一蹴而就的，企業應用大模型也不能上馬後很快不了了之，後續的算力成本、數據工程負擔、每一次迭代的資金壓力，很快就成為困擾很多大模型公司的頭疼問題。
目前，已經有不少曾經想走商業閉源路線的大模型創業公司，直接宣布退出競争。光年之外中途離場，被美團接手；Hugging Face 專注賣算力資源和咨詢業務，做大模型更多是 " 面子工程 "。科大訊飛等企業的财報表現，也會直接影響到市場對其 " 是否有錢繼續做大模型 " 的信心。
從成長性看，有資金實力、基礎設施完整、商業表現良好的大廠，才能陪企業用户走得更遠。
比如 " 文心一言 "3 月 16 日推出以來，在一個月内完成 4 次迭代，将推理成本降為原來的十分之一，離不開百度在大模型上的長期投入，以及人、錢、卡、基建等多種方面的儲備，才讓文心一言可以持續進化，在高速迭代的大模型競争中保持領先。
三是完善的工具鏈。
沒有人會否認，大模型是拿來用的，不是為了當擺設或 " 公關效應 " 的。
要用，就要考慮到技術和場景的适配。不同行業和企業對于大模型落地的需求，可能是完全不同的，這種差異化，需要更完善、全面的配套工具，來降低應用門檻。舉個例子，行業 + 大模型需要進行專有數據的清洗、标注、向量化等工作，這個過程是非常復雜的。
三五人的創業團隊，很難将主要研發力量，放在開發這些看上去技術含量不高、但對用户十分重要的工具上。
這時候，百度等大廠長期押注 AI 的優勢就凸顯出來了，已經沉澱了從數據集、模型訓練、開發部署等整套流程的工具，并且開箱即用，把大模型到產業落地的門檻不斷降低，從而開啓增長飛輪。
四是長期積累的行業 Knowhow。
大模型產業化，走向 ToB 和 ToG 是大勢所趨，要求對行業 Knowhow 有深層次的理解。因此，政企客户在大模型選型時，非常看重廠商的成功案例和行業服務經驗。
AI 大廠在產業已經深耕多年，因此大模型的商業開發度更高。目前，百度 " 文心大模型 + 飛槳深度學習框架 " 的組合已與 300 多家客户合作，在 400 多個企業場景中取得良好測試效果，并打造了 10 多個行業大模型。
與之相比，還沒有走通產業場景的創業公司，在技術體驗、功能創新、工程能力等細節上，可能還需要花費更多時間去摸索。
從這些角度看，頭部大模型已經建立起了較為明顯的優勢，并且還在持續進化。三五人的創業公司，想要在高速迭代的大模型競争中幹翻大廠，需要補的課有點多。
第三個 " 幻覺 "
大模型能 " 賺快錢 "
創業公司通過 " 資金換規模 " 的短平快戰略，上市融資再套現離場，來兑現投資回報，已經越來越難了，在大模型領網域并不現實。那麼，另一條路就是通過 ToB 客户付費，來完成大模型的商業化。
眾所周知，ToB 行業要幹苦活累活。
企業客户在業務場景中接入大模型，可能帶來一系列復雜的整合動作，是一個體系化工程，這就要求大模型廠商不能單一快節奏地交付，而要提供解決方案式的整體能力，以及長時間的更新運維服務。
一個項目的交付、運維、迭代、回款等，可能以年計，是無法快進快出的。所以，大模型下沉到行業，必須打消 " 賺快錢 " 的念頭，以長期主義的心态來做生意。
構建服務團隊、形成衣務基因，對創業公司及其背後的投資機構的耐心和定力來説，是不小的考驗。
與之相比，大廠在長期走向 ToB/ToG 市場的過程中，已經經歷了客户的捶打，鍛煉出了更加成熟的服務鐵軍，也證明了自身的定力。
以百度為例，對于不同行業，有深入了解客户的交付、運維和保障專屬團隊，在大模型落地應用時，能夠給予更具針對性的方案，從而減少無效支出，讓大模型更好地幫助企業提質增效。
大模型廠商不能一心只想 " 賺快錢 "，要沉下心來走向產業深處。同樣的，企業引入大模型也不能一心只 " 圖便宜 "，要從智能化轉型更新的這個生命周期出發算總賬，綜合考慮改造、交付、運維等多項成本。
大模型強大的理解能力和泛化能力，會加速產業智能化的進程，也讓 AI 企業和創業公司發現了新的機會。
就像啤酒總是伴随着泡沫，在一擁而上的大模型創投熱潮中，創業公司和企業客户也很容易陷入 " 速成幻覺 "。
大模型走向產業的長路，更需保持冷靜和理性，警惕 " 爛尾 " 風險。希望大家真正飲下的，是用時間和技術沉澱的精釀，而非随時可能消失的 " 泡沫 "。
