大模型應用，必須警惕“速成幻覺”

我們知道，大模型會編造不正確的答案，產生“幻覺”。

其實，在應用層面，還存在一個更隱蔽的“幻覺”，就是創業公司忽略了大模型落地所需要的長周期、重基建和工程化難度，帶來的“速成幻覺”。

隨著“百模大戰”拉開序幕，大模型過剩帶來的市場擠壓，也給整個大模型生態帶來了行業洗牌的風險。

越來越多的人有了共識，基礎通用大模型競爭激烈，注定是少數人的游戲。創業公司隨時可能倒掉，造成項目爛尾。

具備技術、產品和行業優勢的“第一梯隊”大廠，比如百度的文心大模型3.5，已經跟國內其他模型拉開了差距，具有了一定的先發優勢和市場打開度，更容易在這場白熱化競爭中生存下來。

既然大模型很難“速成”，那么創業公司的“幻覺”，又是從何而來的呢？

第一種“幻覺”：開源干翻閉源

創業公司紛紛入局大模型，給它們勇氣的，不是梁靜茹，而是開源。

以Meta的Llama 2、智譜AI的ChatGLM為代表的開源大模型，陸續免費并支持授權商用，這無疑是一件好事，讓創業公司不用重復造輪子，可以用開源大模型作為基座模型，快速開發出相應的商用版本大模型或大模型應用。

開源的低門檻、低成本，帶來了“開源干翻閉源”的幻覺。

為什么說是幻覺？我們可以從企業視角為出發點——即使有了開源模型，想要落地應用大模型，還有哪些必要條件？

一是云基礎設施。

大模型落地需要進一步微調、訓練、運行，要在云平臺上運行。而創業公司跟OpenAI 、百度等閉源頭部公司的一大差距，就在于缺少跟云平臺的“緊耦合”。

眾所周知，OpenAI有微軟的大力支持，百度文心大模型背后是百度智能云，這些大廠自研大模型，都對云基礎設施的計算硬件集群、資源調度等，進行針對性的協調優化，大模型+AI云的緊密配合，可以更高效地利用計算資源，降低大模型的邊際成本。

海外大模型開源社區的“明星”如Together會為企業客戶提供開源模型及配套的云平臺，MosaicML也提供Mosaic Cloud 和多云混合服務，國內的開源項目如ChatGLM，也選擇與多家云廠商合作。

可以看到，開源項目跟云平臺的“松耦合”，會受到云平臺的配合度、商業政策等的影響，一旦后期出現資源漲價、利益分成、研發意向變化，都會給基于開源的大模型項目帶來商業化風險。

其次，是二次開發。

基于開源模型的創業公司，往往是在底座模型的基礎上做一些微調，靈活有余，但開源模型的分支多、變異快、創新迭代速度快，不承諾任何確定性，一般由程序員自組織來完成開發，這就導致基于開源的大模型穩定性不足，對客戶技術團隊二次開發能力要求很高，選型難度也很大。

目前看，第一梯隊的大廠推出的基礎大模型，更能滿足企業對大模型穩定性、可靠性的需求。

因為閉源大模型，遵循的不是開源范式，而是工程范式，所以，會以保證開發質量為前提，對用戶需求進行明確的描述，組織工程師按照規范的開發流程和周期，以確定的時間和預算，更好的控制開發質量，保證開發效率。

開源是一件好事，但開源并不是一把萬能鑰匙。如果不解決基礎設施、二次開發等瓶頸，創業公司也無法靠開源，快速取得成功。

第二個“幻覺”：三五個人干翻大廠

因為開源，創業公司和互聯網企業都可以叫賣大模型，這就產生了第二個“幻覺”：三五個人的創業團隊，就能干翻AI大廠。

需要注意的是，“百模大戰”帶來了白熱化的淘汰賽，同時，大模型還在以周為單位進行迭代。

在激蕩的市場競爭中，具有長期研發能力和投入意愿的大廠，更容易保持動態的生長力和持久的話語權，體現在幾個方面：

一是模型本身的技術城池。

谷歌研發人員此前曾發文稱，因為開源，谷歌和OpenAI都沒有護城河。這在長期看是對的，但大廠在大模型技術上的領先性，也是現實存在的優勢，這個技術代差，足以在大模型的商用周期中，為大廠帶來顯著的競爭優勢。

而且，大模型具有數據上的“飛輪效應”，更早應用、更多用戶的大廠大模型，會不斷拉大效果差距。比如國內最早推向大眾的文心大模型，其3.5版本已經在一些基準測試中，超過了GPT3.5的表現，而宣稱達到GPT-3.5的Llama 2剛開源不久，因此目前國產開源大模型最多也就達到GPT-3的水平。

二是持續迭代的成長能力。

大模型落地不是一蹴而就的，企業應用大模型也不能上馬后很快不了了之，后續的算力成本、數據工程負擔、每一次迭代的資金壓力，很快就成為困擾很多大模型公司的頭疼問題。

目前，已經有不少曾經想走商業閉源路線的大模型創業公司，直接宣布退出競爭。光年之外中途離場，被美團接手；Hugging Face專注賣算力資源和咨詢業務，做大模型更多是“面子工程”。部分企業的表現，也會直接影響到市場對其“是否有錢繼續做大模型”的信心。

從成長性看，有資金實力、基礎設施完整、商業表現良好的大廠，才能陪企業用戶走得更遠。

比如“文心一言”3月16日推出以來，在一個月內完成4次迭代，將推理成本降為原來的十分之一，離不開百度在大模型上的長期投入，以及人、錢、卡、基建等多種方面的儲備，才讓文心一言可以持續進化，在高速迭代的大模型競爭中保持領先。

三是完善的工具鏈。

沒有人會否認，大模型是拿來用的，不是為了當擺設或“公關效應”的。

要用，就要考慮到技術和場景的適配。不同行業和企業對于大模型落地的需求，可能是完全不同的，這種差異化，需要更完善、全面的配套工具，來降低應用門檻。舉個例子，行業+大模型需要進行專有數據的清洗、標注、向量化等工作，這個過程是非常復雜的。

三五人的創業團隊，很難將主要研發力量，放在開發這些看上去技術含量不高、但對用戶十分重要的工具上。

這時候，百度等大廠長期押注AI的優勢就凸顯出來了，已經沉淀了從數據集、模型訓練、開發部署等整套流程的工具，并且開箱即用，把大模型到產業落地的門檻不斷降低，從而開啟增長飛輪。

四是長期積累的行業Knowhow。

大模型產業化，走向ToB和ToG是大勢所趨，要求對行業Knowhow有深層次的理解。因此，政企客戶在大模型選型時，非?？粗貜S商的成功案例和行業服務經驗。

AI大廠在產業已經深耕多年，因此大模型的商業開發度更高。目前，百度“文心大模型+飛槳深度學習框架”的組合已與300多家客戶合作，在400多個企業場景中取得良好測試效果，并打造了10多個行業大模型。

與之相比，還沒有走通產業場景的創業公司，在技術體驗、功能創新、工程能力等細節上，可能還需要花費更多時間去摸索。

從這些角度看，頭部大模型已經建立起了較為明顯的優勢，并且還在持續進化。三五人的創業公司，想要在高速迭代的大模型競爭中干翻大廠，需要補的課有點多。

第三個“幻覺”：大模型能“賺快錢”

創業公司通過“資金換規?！钡亩唐娇鞈鹇?，上市融資再套現離場，來兌現投資回報，已經越來越難了，在大模型領域并不現實。那么，另一條路就是通過ToB客戶付費，來完成大模型的商業化。

眾所周知，ToB行業要干苦活累活。

企業客戶在業務場景中接入大模型，可能帶來一系列復雜的整合動作，是一個體系化工程，這就要求大模型廠商不能單一快節奏地交付，而要提供解決方案式的整體能力，以及長時間的更新運維服務。

一個項目的交付、運維、迭代、回款等，可能以年計，是無法快進快出的。所以，大模型下沉到行業，必須打消“賺快錢”的念頭，以長期主義的心態來做生意。

構建服務團隊、形成服務基因，對創業公司及其背后的投資機構的耐心和定力來說，是不小的考驗。

與之相比，大廠在長期走向ToB/ToG市場的過程中，已經經歷了客戶的捶打，鍛煉出了更加成熟的服務鐵軍，也證明了自身的定力。

以百度為例，對于不同行業，有深入了解客戶的交付、運維和保障專屬團隊，在大模型落地應用時，能夠給予更具針對性的方案，從而減少無效支出，讓大模型更好地幫助企業提質增效。

大模型廠商不能一心只想“賺快錢”，要沉下心來走向產業深處。同樣的，企業引入大模型也不能一心只“圖便宜”，要從智能化轉型升級的這個生命周期出發算總賬，綜合考慮改造、交付、運維等多項成本。

大模型強大的理解能力和泛化能力，會加速產業智能化的進程，也讓AI企業和創業公司發現了新的機會。

就像啤酒總是伴隨著泡沫，在一擁而上的大模型創投熱潮中，創業公司和企業客戶也很容易陷入“速成幻覺”。

大模型走向產業的長路，更需保持冷靜和理性，警惕“爛尾”風險。希望大家真正飲下的，是用時間和技術沉淀的精釀，而非隨時可能消失的“泡沫”。