今天小編分享的互聯網經驗：國產大模型，也分「武當」和「少林」，歡迎閲讀。
國產大模型，WAIC（世界人工智能大會）來了半壁江山。
這也是 ChatGPT 技驚四座大半年後，30 多個國產大模型第一次在同一個舞台上，接受不同背景參會者的審視。
能明顯感受到，相較于半年前效仿 OpenAI 大煉通用語言模型的熱潮，如今 WAIC 呈現出的國產大模型圖景，已經大致分為 " 增值派 " 和 " 聚焦派 " 兩大路徑。
所謂的 " 增值派 "，指的是不僅研發通用大模型基座，還基于基座提供模型 API、算力、訓練、部署等配套裝務的廠商，典型案例是推出 MaaS（Model as a Service）平台、攜 " 通用大模型、行業大模型、雲、芯片 " 等全家桶到場的雲廠商們。
帶着全套模型服務方案入場的大廠們
而 " 聚焦派 " 則恰恰相反，找準少量應用場景深挖，推出垂直領網域的大模型，是他們的策略。這些廠商往往是資源能力和服務範圍有限的創企，比如聚焦在金融等四個領網域的瀾舟科技，或者是原有業務的應用場景十分聚焦。
這兩天被不少學生和家長圍觀的網易有道則是後者的典型案例。他們在教育領網域推出的 " 子曰 " 大語言模型，參數規模為 200 億，在一眾動辄上千億的通用大模型中并不算大。
基于網易有道 " 子曰 " 大模型的虛拟人口語教練。
即便派系分化，但對大模型感到 " 臉盲 "，仍是不少觀展者給 36 氪的反饋：不同廠商呈現出的大模型能力和服務體系大同小異—— " 增值派 " 廠商将大模型和雲、部署等服務打包售賣，" 聚焦派 " 廠商則是兩手抓：一邊賣行業模型服務，一邊賣自身被 AI 更新後的應用。
" 逛了一圈大模型，感覺都差不多，沒有留下太深的印象。" 一名 7 月 6 日開幕當天就蹲守在的電器公司銷售經理，背着上司 " 改造公司 OA 系統 " 的指标來到 WAIC，但現實與理想仍有差距。
有 ChatGPT 珠玉在前，多數廠商背負了不小壓力。即便在部分任務的表現能力能與 GPT-4 掰手腕，但大部分廠商都承認，通用大模型的表現與目前賽道的 " 天花板 "GPT-4，依然存在不小差距。
好與壞，難判斷
數十家大模型企業，上百款產品，怎麼合作？如何落地？不少參會者迷失在巨大的上海 WAIC 展館裏。
對大模型判斷失準，症結首先出在難以統一的模型能力評判标準上。
曠視科技多次在公開采訪中表示，會持續在大模型技術方向進行投入。曠視 CTO 唐文斌告訴 36 氪，模型的測評分為學術和業務兩個标準，更易證明的是前者，但對落地最有價值的在于後者。
若是讓曠視站在客户的角度選模型合作方，一定得在實際業務中長期跑起來後，結合 ROI、效益等指标綜合評判，" 應用價值是檢驗大模型能力的最好标準 "。
" 學術和工程之間隔着鴻溝。" 第四範式聯合創始人、首席架構師胡時偉説，模型的算法、參數都是學術 " 肌肉 "，但能不能給客户解決實際問題，需要考驗模型廠商本身對具體行業、具體業務的認知。模型的實用價值并非是靜态、單維的。
他直言 WAIC 不是一個拉客户的場合：" 這裏你怎麼在短時間内給客户證明模型的業務價值？"
大模型讓人臉盲的另一個現實原因則在于，目前不同廠商的模型能力仍然沒有拉開差距，尤其是通用大模型與 GPT-4 存在明顯差距。
一個典型的例子是，對于 C 端應用場景明晰且有數據積累的有道而言，在通用大模型的基礎上精調是捷徑，但有道依然選擇了自訓 " 子曰 " 大模型的荊棘路。" 國產通用大模型的能力滿足不了垂直場景需求 " 就是有道的工作人員給 36 氪列舉的其中一個原因。
沿着 Transformer 的訓練路徑，目前 GPT-4 就是面世模型中的能力天花板，也給國内廠商提供了行之有效的技術路線參考。但在今年 3 月 36 氪的專訪中，百度 CEO 李彥宏認為創企做類似 ChatGPT 的大語言模型是 " 重復造輪子 "：" 創業公司重新做一個 ChatGPT 其實沒有多大意義。"
" 這個階段國内大部分廠商只能做重復造輪子的工作。" 面壁智能聯合創始人兼 CTO 曾國洋對 36 氪説道，"GPT-4 也被證明與 AGI（通用人工智能）有差距，但國内公司先得追上 GPT-4，才有資格開始造車。"
在他看來，造輪子不等于沒意義，而是在模型發展初期需要做的 "Dirty Work"。曾國洋打了個比方，就像學數學，現階段廠商是洗數據、堆參數、調試代碼的小學生，需要打好 10 以内數學運算的基礎；等到上了大學，廠商才有可能去碰線性代數、微積分等更高維的東西，跳出造輪子的階段去做創新。
用 B 端的生意打磨輪子
現階段，C 端場景的價值并不大——這是不少模型廠商的共識。
真金得用火煉，但不少 C 端場景都不夠復雜，對模型能力的打磨效果不顯著。" 用模型直接做 toC 應用，滿足的基本是生成功能，這是一個交付流程很短的場景。" 商湯的工作人員對 36 氪表示。
再者，即便 C 端能帶來大量的用户反饋數據，但企業還需面對 " 多數據、低質量 " 的問題。一名網易有道的工作人員告訴 36 氪，訓練 " 子曰 " 最可用的數據來自于試題和标準答案，靠用户反饋的數據依然需要大量的人工清洗和标注。
因此，靠 B 端業務獲得營收，并在業務場景中用較高質量數據資源提高工程能力，是不少模型廠商如今的發力點。
極少公開露面的 AI" 當紅炸子雞 "MiniMax，這次特地來為合作方金山辦公站了台，順勢推出了自研通用大模型 Abab 的 5.0 版本。這兩家公司在今年 5 月攜手推出了 " 中國版辦公 Copilot" ——自動生成 PPT 大綱和模板、PDF 文檔重點提取等熱門功能，在 WPS 的展位大屏上循環播放。
WPS AI 的功能。圖源：WPS
" 高質量的标注數據，依然是稀缺資源。"MiniMax 技術總監劉啓君對 36 氪直言。對 2022 年就儲備了一批顯卡的 MiniMax 而言，算力還不算卡脖子的問題，但想要讓模型能力更上一層，高質量的标注數據必不可少。
為了用最低的成本獲取高質量數據，和 B 端的頭部廠商合作是 MiniMax 所選的捷徑。劉啓君分析與 WPS 合作的理由：" 一是 WPS 積累的數據足夠高質，可以直接拿來用；二是 WPS 的業務場景涉及圖片、文字識别、提取、轉換等復雜的場景，可以借此打磨模型能力。"
不過具體到對 B 端場景的選擇，" 增值派 " 和 " 聚焦派 " 選擇的是截然不同的兩條路徑。
" 拿着錘子找釘子 "，即場景的橫向擴張，多年來是具有豐富客户資源、的 " 增值派 " 大廠的标配。
"（大廠商）最主要的考量是用大模型業務帶動大廠的其他業務，比如雲、芯片。" 一名參加展會的券商告訴 36 氪。比如，對于 BTA、華為等具有雲計算優勢的廠商而言，将通用大模型的 API 服務與雲計算結合，就能做訓練、微調和部署等端到端的好生意。
不過，捆綁銷售的策略也意味着 " 增值派 " 的服務對象往往是本身具有雄厚經濟實力的政府和國央企——客户只需拿出數據，企業就能提供模型精調、部署等全套裝務。36 氪從阿裏雲工作人員和多個咨詢客户的口中了解到，通義千問的私有化部署方案，目前給出的參考價格高達百萬、甚至千萬元一年。
與之相對的，" 聚焦派 " 則往往從 B 端企業的細分需求切入，除了能在較短時間内創收，也能與相繼發布通用模型的 BTA 等雲廠商打差異化策略。
比如第四範式和瀾舟科技布局的重點，往往都延續了之前就有客户積累和工程經驗的 B 端場景。第四範式這次 WAIC 帶來了 " 式説 " 大模型的一些行業進展，其中一個行業案例是與一家零售企業的合作，此前，決策類的 AI 技術已經被廣泛應用在電子菜單推薦系統的開發，如今基于大模型的生成式 AI，開始逐漸被應用于對門店管理系統的改造。
在談及周圍 " 廠均 " 抛出十多個行業模型方案，胡時偉告訴 36 氪，他并不擔心大廠造成的競争壓力，因為先找到釘子比拿着錘子更重要：" 我要再次強調，模型研發和落地之間有鴻溝。"
而企業瞄準 B 端發力的目的，最終是讓造輪子和造車兩條腿一起走起來。
與大部分廠商一樣，MiniMax 仍然有對标 OpenAI 的野心。" 我們只做一個通用大模型基座，不做分開做行業大模型。" 劉啓君覺得現階段 MiniMax 這樣資源有限的企業需要集中算力、數據和金錢資源辦大事，即提升通用模型的能力。他透露，目前 MiniMax 能夠按周迭代模型能力。
7 月 6 日的 WAIC 開幕式上，" 深度學習之父 " 楊立昆重申 "LLM 不會是那條通往人類智能的道路 "。這也讓許多廠商嘗試跳脱出 Transformer 的框架，去做創新。" 做創新性的研究，包括和學界合作是國内廠商今年開始很重要的命題。" 胡時偉説。
