AI大模型应用：现状与未来展望

1.9K 0

大模型技术的应用已经渗透到我们的日常工作中，显著减少了撰写方案时的恐惧心理。在过去的工作中，许多人未曾有过撰写大量方案的经历，但现在，借助AI大模型的帮助，即使是毫无头绪的需求，也能迅速生成初步版本。如果一家应用的效果不尽如人意，还可以尝试其他平台，切换成本极低。然而，对于笔者而言，写作任务如将采访录音整理成稿件，依然是AI难以胜任的工作。因此，尽管AI在某些方面提供了便利，但从消费者角度来看，为其付费仍显得不太实际。对于大模型公司而言，现阶段的主要收入来源依然是为企业客户提供私有模型部署服务，尤其是那些出于安全考虑不愿直接调用API接口的大型企业。然而，由于底座模型的缺陷、高昂的成本、难以深入的场景应用等因素，这些企业在部署私有模型时也面临诸多挑战。

商业化之路漫长

技术的快速发展促使大模型应用逐步普及，无论是面向企业和消费者的AI应用都在广泛推广。然而，真正实现商业化的道路依然遥远。许多公司尚未找到依赖大模型盈利的有效途径，主要原因在于高昂的训练、推理和人力成本。例如，OpenAI尽管年化收入超过34亿美元，但预计年底将有50亿美元的亏损，投入高达85亿美元用于模型训练和人员配置。对于创业公司而言，训练大模型所需的算力投入巨大，动辄数千万元，一般企业难以承受。这种高投入对于尚未实现盈利的企业来说，无疑是一次巨大的冒险。

焦虑与期望并存

今年6月，创新工场联合CEO汪华在AGI Playground 2024上指出，很多人感到焦虑，担心在算力上的巨额投资最终只成就了英伟达，而非自身的应用爆发。这种焦虑源于对大模型应用何时能真正爆发的不确定性。事实上，进入2024年后，人们的关注点已从底座模型转向AI应用的商业化。尽管如此，很少有公司能够依靠大模型实现盈利。汪华认为，焦虑的存在是正常的，但大模型的应用发展需要时间和耐心。

数据与场景的双重挑战

海通证券自2023年初开始布局大模型建设，与商汤合作，构建了证券领域的垂直大模型。该模型已在内部启动了多项应用，如投顾知识库和研报资讯生成等。然而，进一步的功能实现仍需攻克数据质量的问题。算力问题可以通过资金解决，但高质量的语料数据却难以获取。此外，行业语料无法共享，导致各企业只能依赖自身拥有的有限数据。对于大模型服务商而言，筛选适合介入的场景并与企业共同完成应用开发，是当前的关键挑战。

前景与机遇

尽管面临诸多挑战，但大模型技术的发展前景依然广阔。达观数据董事长陈运文认为，大模型的成熟速度可能比预期更快，未来的技术迭代将克服现有问题。陈运文将大模型比作汽车的发动机，强调其强大的潜力，但也指出需要配套功能模块的支持才能真正落地应用。科大讯飞的相关负责人表示，B端市场仍然是大模型落地最快的领域，通过与各行业的深度合作，大模型的能力将不断提升。正如汽车技术的进步最终实现了对马车的替代，大模型技术也有望在未来几年内迎来爆发式增长。