通用智能遭遇重重阻碍，国产 AIGC仍有希望
AIGC背后充满了故事，在一家家企业手握巨额融资之时，人们耳边再次响起了警钟。诚然，在新的浪潮之下，符合商业规律的企业才能笑到最后。在国外竞品大踏步前行之际，国内的通用智能企业境遇如何？
前景很乐观，但当下似乎并没那么好过。
来自OpenAI的压力
似乎OpenAI的进步更快。
前些日子，在ChatGPT推出后，不仅是英文对话，在中文领域，该系统的用户体验也超越了国内的众多产品。以至于，一时间，人们的朋友圈被ChatGPT的对话刷屏。
一些国内企业表示，以目前的进度来看，光是追上OpenAI，就感觉“很吃力”。
虽然，目前OpenAI的终端产品由于众所周知的问题未在国内市场全面铺开，但对于具有技术理想的相关企业来说，这种滋味是十分难受的。有人将这种情况描述为北斗未出现时的导航行业，“从信创的角度考虑，中国的AIGC是肯定要有的，但技术差距也是不可忽视的”，一位投资人评价道。
客观来说，造成国内AIGC落后于同行的原因是多方面的：有A100显卡的获得受到制约、国内人才队伍发展较慢等诸多原因。其中，在硬件方面，大模型训练过于依赖进口GPU显卡，虽行业间出现了便宜的国产替代品，但以目前的技术水平，还不能给出满意的性能支持；而在人才队伍方面，一些行业人士称“算法工程师多，但会大模型的凤毛麟角”。
全局来看，当下，似乎仅有百度公司、清北高校等团队立志于全身心投入于此。大模型所谈者甚多，但行业“孤勇者”数量寥寥。
国产AIGC的进击障碍
摆在通用智能或大模型发展之路的另一个障碍是小模型。
大模型，因其在训练数据过程中引入多模态等数据，让数据标注的数量大规模增加，使之展现可打破行业藩篱的普适性。相对于小模型而言，具有通用性好、边际成本低、效率高等特点。
在一些具有前瞻思维的技术派眼里，大模型对于各行各业的影响将是摧枯拉朽式的，他们一致认为大模型是“当之无愧”的未来发展方向。技术上，大模型的发展上限更高，其会在未来某个时间点达到各种小模型的用户体验阈值。
其次，国内通用智能的AIGC缺少数据训练场景。
类似ChatGPT的训练场景尤为缺乏。这款产品之所以短时间之内进步神速，因大量用户为其充当了免费的数据标注员。目前情况来看，可与ChatGPT相较的数据训练场景在国内还鲜有见到。
另外，产业界对大模型有着浓烈的观望情绪。
业界普遍存在这样的忧虑：目前大模型应用不成熟，骤而上马将会对原有业务造成冲击。通用智能企业需要客单价高、数据训练场景丰富的派单需求，但这个问题又与企业的现实考量和预算投入相互矛盾。
没有数据用来训练、没有大钱（投资除外）养活产品，是摆在现实的两大难题。
国内AIGC的扩散难
元宇宙爆火，燃遍各行各业。它能否成为助力通用型AIGC扩散的有力平台？
这是一个有趣的想象。答案是，可以，但很难。
目前，AIGC和元宇宙的发展虽然存在相关性，不过就目前的情况来看，二者还未完全合流，处在“你做你的、我做我的”的阶段。
举例来说，在一些社群中，我们曾讨论这样的使用场景：在在线绘画App中嵌入AIGC功能，使用户在提交绘画作品后自动生成AIGC图片。但实际上，在第三方App中嵌入AIGC难度很大，要有能力处理高并发，要低延时，从而不影响用户体验，成本颇高。
在同样爆火的数字人中，AIGC的应用场景也不算多。目前，市面上绝大多数数字人均属“服务型数字人”。它们被广泛应用在虚拟的办事大厅、博物馆、手语电视台的手语节目等场景之中。
剖开数字人产业链可以看得更加直观：在这个产业链中，底层为算法层，负责驱动面部表情和手势动作；中层为渲染层；上层为构成层，负责建立数字人图像。但除了底层“数字脑”领域，其他层面与通用智能结合较少。
整体来看，目前的数字人大多承担着IP形象功能，能说话的数字人还比较少。在一些先进的数字人中，“中之人”又是必不可缺的因素（其承担动作捕捉、虚拟拍摄、表情抓取和后期合成、渲染精修等工作的真人）。表面上，这种数字人比较高端，但其背后通常有大量人员为其服务，制作成本虽有所降低，但整体制作成本也并不低廉。
以上原因都阻止了AIGC或通用智能扩散至寻常百姓家。