垂直大模型，落地有多难？

当下大模型赛道的现状：一边是创业公司基于开源大模型速成，一边是大厂在各种内卷大模型参数。 

据机构不完全统计，目前中国10亿参数规模以上的大模型已发布79个。在大参数内卷的过程中，市场开始出现另一种声音“不具备发展方向的参数提升是没有意义的”。 

为此，在发展方向上，当下一部分大模型已经聚焦到垂类领域应用。基于成千上万的模型发展，底座或许会发生改变，但仔细一想，也总需要有人能够在垂类行业中跑出来。 

同时，在发展初期，虽然闭源大模型在质量上更优，也相对安全，但大模型生态终究需要一定程度的内卷，开源实际上可以助长大模型的繁荣。另一个角度，基于开源众多企业有了赛道参赛的资格，但也总有人轻易就倒在了第一关匣——算力短缺。 

说到底，大模型数量是在以倍数的数量在增长，但如果片面的看待大模型日益增长的数量，那么某种程度上也会忽略掉背后部分公司对大模型的抉择、挣扎，甚至是选择后放弃的可能性。 

众所周知，人工智能三要素是：算力、算法和数据。开源只是处于算法阶段，之后企业还需要对其进行大量的算力支持和数据训练，这背后的成本是高昂的。 

01 垂直大模型，创业公司还有盼头吗？ 

在开源大模型选择上，基于成本和定制开发的原因，选择小参数模型的创业型企业不在少数，甚至是该类企业的首选。 

一个是预训练成本问题。 

国盛证券曾经估算，GPT-3训练一次的成本约为140万美元，对于一些更大的LLM模型，训练成本介于200万美元至1200万美元之间。 

包括在今年1月，平均每天约有1300万独立访客使用ChatGPT，对应芯片需求为3万多片英伟达A100GPU，初始投入成本约为8亿美元，每日电费在5万美元左右。 

更何况，在大量资金投入之前，还需要大量的数据资源来支撑模型训练。为此，另一个原因是预训练需求问题。 

有业内也曾表达过对此的看法：“大模型本身的泛化能力仍受限于数据。” 

因为如果一旦对大模型的高质量数据筛选和训练得过少，大模型的输出质量问题是很明显的，在体验上，用户的体验感也会大大降低。 

可以说，在预训练的过程中，仅仅是在数据的积累上就已经花费了大量的资金与时间。 

更何况，在大模型赛道中，大多数的创业公司都是围绕在行业垂直领域进行发展，付出虽然相对少，但一定不轻松。 

具体一点来说就是，如果大模型要改变行业的商业模式的话，那么对此最简单的判定标准就是，该类大模型是否具备的行业数据足够多，例如要对藏在暗处的黑产要有足够的了解，才能不被黑产所用，处于安全被动的状态。 

另一个判定的标准就是，大模型在运行之时所处理的数据，最终输出的质量如何。 

说到底，想要基于开源模型去打破模型垄断，还需要对大量的数据进行足够的优化提升，并且对基础设施的投入足够完善。 

如今的开源大模型实际上更像是网络时代的Android，没有大厂的落地场景、数据积累等优势的创业公司，发展起来很不容易，但仍然存在机会。 

事实上，达摩院也曾将“大小模型协作发展”视为未来趋势之一。 

就连创业公司追一科技相信“垂直大模型是坚实的机会，就像发现美洲大陆这件事远不只成就了一人而已”。 

于是如今我们可以看到众多创业公司开始选择入局大模型赛道，其中包括毫末智行、创新奇智、元语智能等AI创业公司所推出的DriveGPT雪湖·海若、奇智孔明、ChatYuan元语等大模型。 

不过，国内虽然尚未有产品面向C端，但基于B端，大厂已经开始实现初步落地的过程中。 

据悉，目前大厂都在计划通过云的方式对外输出大模型的能力，云计算成为A大模型落地的最佳方式，模型即服务(MaaS)越发受到关注，而这也将带来大模型成本的降低。 

那么，创业公司还存在盼头吗？ 

02 胜负在于产品体验与市场需求相匹配？

根据权威杂志《Fast Company》预测，OpenAI 2023年的收入将达到2亿美元，包括提供API数据接口服务、聊天机器人订阅服务费等。 

很显然，各行业对大模型的需求是存在的，但基于安全性的考虑，加之to B对大模型亦步亦趋的态度，大模型当下安全系数有限。于是，在相对基础，需求量高的对话、文档内容生成、问答，包括协同办公中对话、文档生成等众多场景，互联网大厂也在优先做。 

例如，现在人类只需要把商品的信息告诉AI，让AI自动生成多种风格的商品带货脚本和风格，再配个数字人主播，就可以帮企业把货给卖出去。据百度介绍，相比真人直播，数字直播可实现7*24小时不间断直播，转化率为无人直播间的2倍。 

在云上基础设施作为大模型创业的必要底座下，拥有云计算的互联网大厂具有一定的优势。 

根据IDC发布的2022年全球云计算IaaS市场追踪数据来看，市场份额TOP10玩家都是中美的大公司，包括美国的亚马逊、谷歌、微软、IBM，中国的阿里、华为、腾讯、百度等。 

虽然大模型的开闭源之争，终究不会是靠某一个或几个产品的出现而终结，还要更多顶尖人才参与、技术迭代和资金支持。 

但横做对比，众多AI创业公司也缺少了一份如同创业独角兽公司MiniMax的运气。（不同的是MiniMax注重的是通用大模型） 

7月20日，腾讯云对外披露助力MiniMax研发大模型的最新进展。目前，腾讯云长期支持MiniMax的千卡级任务稳定运行在腾讯云上，可用性达99.9%。 

据悉，自2022年6月起，基于算力集群、云原生、大数据、安全等产品能力，腾讯云为MiniMax搭建了从资源层、数据层到业务层的云架构。 

现实似乎再度证明了，拿到入场券是第一步，接下来考验的是市场玩家们探索商业化和技术升级的能力。直白一点来说，AI创业公司想要在赛道中跑到最后，每一步都不能落下。 

某种程度上来说，在大模型研发上创业公司也并非全无优势。 

虽然部分互联网大厂已经实现初步场景落地，亦或是开始售卖服务获得收入，但大厂以及MiniMax的目光更多是聚焦在通用大模型上。 

而垂直大模型仍然是真空地带。特别是对于传统企业群体来说，考虑到自身业务的IT属性低、投出产比低等问题，选择自研大模型的概率较低。 

例如创新奇智聚焦在工业大模型产品“奇智孔明”；拥有一定数据优势，往语言上发展的ChatYuan元语大模型；主打自动驾驶生成式大模型DriveGPT雪湖·海若。 

不过有一说一 ，训练的数据和方向不同，成本差别很大。 

先是元语大模型从零开始做一次训练的成本能做到千万人民币量级。而在自动驾驶生成式领域上，比ChatGPT 多设计一套新的语言，紧接着再把所有的真实道路驾驶数据，并“翻译”成统一的语言的DriveGPT雪湖·海若，也存在着一定的成本投入。 

某种程度上，AI创业公司能够实现对大模型的大量投入，更多的是得益于ChatGPT商业和营销方面的成功，能够瞬间让人们目睹了大模型的可落地性，而不是继续隐匿在漫长的技术迭代中。 

为此，当下实现落地的第一步，就是大模型的训练成本、推理成本一定能做到比搜索还要低，而且还能保证即时性。 

03 从概念到落地，到底有多难？

有观点认为，能跑出来的中国大模型创业公司，很可能是垂直整合型。 

简单来说就是，一边在做底层大模型的同时，找准一个模型最终的主应用场景，一边收集用户数据并做出快速的迭代。 

目测，元语智能更偏向于这一类。总结起来看，在很长的一段时间内元语智能都聚焦在自然语言大模型业务上。 

元语COO朱雷并表示，“不会为了跟风盲目拓展图片、视频业务，元语的目标是实现‘ChatGPT’等前沿语言大模型的全面国产化。语言大模型的生态已经足够大了，做好业务聚焦很重要。” 

但对于其他往自动驾驶、工业生产等垂直大模型发展的创业公司来说，或许缺乏对一些特殊的行业数据掌握。 

毕竟，在垂直大模型赛道，未来企业竞争的一个核心因素，就是私有数据和私有经验，个体公司的流程并不被大模型者知晓时，可能就会有独特的竞争力。 

另外，业务聚焦的过程中，还需要到数据从源头到预训练、输出的准确性。 

目前，生成式人工智能在监管上也正在受到更多关注。近日国内发布了 《生成式人工智能服务管理办法（征求意见稿）》，明确要求不得出现歧视，生成内容应当真实准确、防止生成虛假信息等，如果出现，除内容过滤外，还要通过模型优化等进行优化。 

但如果是作为生成式人工智能的固有缺陷，这在从技术上难以保证和彻底解决。 

此外，在更好的开源模型的出现，保不齐会伴随着更多跃跃欲试的公司会涌进来，这对于创业公司来说，有何尝不是竞争？ 

例如当下的Llama 2，7月18日，Meta公司发布了首个开源人工智能模型Llama的商业版本 Llama 2。有企业认为，根据现在的各种评测文档，除了代码能力差一些，其实很多地方已经开始接近ChatGPT。 

或许未来开源社区的狂热浪潮会让具备基础能力的大模型普及化，以后私有化大模型就是白菜价。直白一点来说就是，企业可能会非常便宜地使用私有化大模型。 

更重要的一个点是，汤道生曾表示：“通用大模型有很强的能力，但并不能解决很多企业的具体问题，在100个场景中可以解决70%—80%的问题，但未必能100%满足企业某个场景的需求。但企业如果基于行业大模型，再加上自身数据进行精调，可以建构专属模型，打造出高可用的智能服务。” 

当然，这种私有化大模型还未到来，但赛道中的创业公司，一定是机遇和困境齐具。 

本文来自微信公众号“互联网那些事”（ID:hlw0823），作者：永遇乐，36氪经授权发布。