#01从机器翻译看大模型应用落地

大模型正在经历的周期，就是几年前机器翻译经历的。

作为NLP（自然语言处理）中发展最成熟的技术，机器翻译走过的技术演变、产品落地和商业化，可作前车之鉴。

7年前谷歌神经网络机器翻译横空出世，机器翻译突然“说人话”了。统计机器翻译的词语堆叠，突然间流畅通顺。偶尔有疯子式的过译和漏译，但效果足够惊艳。我还记得那个被惊艳到的下午，还发了个朋友圈。

2017年前后，国内一批机器翻译创业公司出现了，大厂也开始组建机器翻译团队，腾讯翻译、阿里翻译、火山翻译、360翻译、金山翻译……

两三年间，出现一大批机器翻译产品，我兴奋地写下《机器翻译产品全景图》。

2020年后，机器翻译公司开始祛魅。技术门槛降低，业务起家的“传统”公司进入，并且做得比纯机器翻译公司更接地气，更落地。

现在的大模型公司顶着光环，好像想象力无限，但一看应用，清一色的对话加上一批大同小异的预置prompt。

随着Llama2等开源大模型的出现，也许用不了2年，大模型也会经历祛魅过程。当然，在这个过程中，一大批尝试性的产品会出现。

然后，“传统”公司进入，把大模型能力直接装进自己的服务中。大模型技术成功业务落地的同时，也意味着大模型公司的分化，可能会倒下一批，还有一批融合到垂直业务，变成一家家从大模型切入的垂直业务公司。

日光之下，并无新事。

#02 行业大模型是否是一个伪命题

几点思考：

• 加拿大计算机科学家里奇·萨顿那篇著名的《The bitter lesson》总结得好：只要增大模型，就可以大力出奇迹，大即是好。

• 从数据角度：一些私有数据大的领域，或者公开数据明显少于私有数据的领域，比如金融，医疗，jungong领域，不知数据优势能大到何种程度，但对于大部分领域来说，互联网的数据其实是更多的。

• 从类比人的角度：对于大部分行业来说，优秀的本科生短时间学习行业知识，比高中生学行业知识，会有更高的认知和应用。比如传统的nlp技术，其实就类似在初中高中就分流，比如中专大专、卫校技校。

• 智能某种程度上就是对现实建模，并且建模的准确度高，能迅速反馈和解决问题。这种能力就是通用的。

• 类比识人：如果一个人在一个领域有成就，往往在别的领域也会有成就。一个人只能在一个领域有成就，底层能力不可迁移，说明不是一流高手。大模型也如是。

通用大模型正在eating垂直模型：垂直／行业模型一段时间的积累，被通用大模型的升级吃掉，如此循环往复。

#03如何看待国产大模型既卷模型，又卷上层应用？

国内大模型厂商几十家，欧美叫得出名字的一只手能数过来。有的朋友开始骂国内大模型厂商不争气：不务正业，不卷技术，模型都没做好，开始来卷上层应用。

我认为有几个原因：

• 国人对科技的态度确实重实用而轻科研，有点“务实”过头的文化和风气。

• 目前模型层和应用层之间似乎看起来很薄，除了类似Dify（模型私有化）和LangChain（中间件）、Zilliz（向量数据库）的中间层，看起来似乎还是太薄，还没有太多中间层的空间。另外，还有jasper.ai这样应用层被击穿的前车之鉴。

• 大模型的应用虽多，目前看起来也远算不上百花齐放。应用层考验对模型和场景的深度理解，以及打破互联网惯性的ai-native思维，极其考验产品经理的产品力。

• 电刚刚发明的时候，大家应该也在卷电灯行业（我瞎猜的，没有考证）。

正好昨天有朋友问我建议，我能分享的是：

• 大模型公司一定会做应用，这个传统在机器翻译时代就存在了。谷歌翻译插件不就是一个杀手级应用吗？所以，接受模型公司会下场的事实。

• 有人把大模型类比于操作系统，类比于个人电脑。认为大模型之上会叠加很多层。比如芯片上面的服务器，数据库，硬件，软件，甚至软件也分层。大语言模型上面会是厚厚的一层。

• 这种类比有一定借鉴意义，但第一性原理告诉我们，类比是危险的，基于事实的层层推理才符合物理。

• 大模型上面有多厚，现在没人知道，但值得尝试在上面盖房子。开始了才会看到下一层是什么，行动产生信息。

• 吊诡的是，从另一角度看，大模型的边界已经显现（王建硕的观点，非常认同），就像window95奠定了Windows的格局，iphone4定义了智能手机（回想一下，从iphone5到iphone15的十一代，和iphone4有什么实质区别吗？并没有。

• 一面是模糊，一面是清晰。上一层可能在当下很薄，在未来很厚。我们现在最缺乏的，是一种“自律的自由”：一方面是对大模型边界的认知，一方面是从旧桎梏中释放的自由和想象力。

#04 大模型预示着脑力时代的终结？

写专利的时候，简单写了个规则，请GPT4给我设计了一个算法，算法有模有样，我试着请它写专利交底书提纲，它也写得有模有样。

今天的大模型就是这样——没有一项精通，但在几乎所有领域都有模有样。

想象你开了一个巨大无比的公司，以极低成本招来了各行各业人才，并且达到了行业中等水平……再把范围扩大，整个社会突然涌入几乎无限的“中等人才”供给……这难道不是一个巨变的开始吗？

“搬砖”的工作在未来不会再有了，考虑到Agent之类智能体的组合能力，未来的世界，如果不能在一个领域做到极致，仅仅因为每个公司都需要那么一个岗位（这是目前大部分机构的招人逻辑），这样的岗位早晚要自动化。

我们的世代，很难想象秦朝组织数十万人，肩扛手推修万里长城的方式，有多浪费人力。未来的时代，也很难想象今天的白领和程序员，处理成批的文档和代码，有多浪费脑力。用四个字形容：暴殄天物。

脑力劳动的时代在渐渐远去，创造力的时代徐徐来临——不论前景是好是坏，纵观人类历史，这无疑是一个巨大的终止符和未知的开始。

#05 打造一家三年后的主流公司

• GPT3阅读了24T、3000亿词的文本语料，覆盖了几乎所有行业岗位从业者的岗位知识。除了少部分没有联网的职业，大模型角色扮演几乎覆盖所有职业。

• 想象你开了一家100人的公司，除了你，其他99个是AI。AI产品、AI设计、Ai开发、AI测试、AI项目经理、AI客服、AI市场、AI销售、AI财务（只是不需要行政和人力：）

• 当然这99个AI有三个问题：

◦ 能力中等：都不是专家，但经过微调能达到中位数水平。

◦ 信任问题：他们可能会出错，有幻觉，恐怕每个岗位要增加一个对应的岗位QA（监工）。

◦ 如何协作：虽然有Agent的概念，实际落地还有点远，可以放到AI agent的话题谈。

• 目前大部分公司，都在依靠人力杠杆产生的规模效应。特别是大规模的流水线项目，比如翻译，编程，设计，研究，文案，编辑，那种密密麻麻的大片工位……可能有巨大的AI红利未被释放。

• 如果不是一个公司，某些平台也可能失去竞争力，比如Upwork、猪八戒网，这类职业和技能大军组成的平台。未来可能会出现虚拟数字人版的upwork和猪八戒网。

• 今天正处于虚拟个体到虚拟组织的演进阶段。三年后，虚拟和人类混合组织就是主流公司，甚至虚拟为主。