原文來源：極客公園
作者 | 宛辰
編輯?| 鄭玄
圖片來源：由無界 AI生成
就在一年前的 11 月 30 日，ChatGPT 發(fā)布的夜里，一位軟件創(chuàng)業(yè)者不禁感慨：「過去 20 年白干了，我感覺全部都可以丟掉?！?/p>
但技術(shù)的變化從來擋不住有人順勢而為地向前走。一年之后，已經(jīng)有嘗到大模型「甜頭」的軟件開發(fā)者「凡爾賽」起來：「做好了產(chǎn)品，客戶不知道從哪就突然冒出來?！?/p>
上半年所有人的注意力都在關(guān)注大模型本身，下半年開始，第一批試水大模型應(yīng)用的創(chuàng)業(yè)者，已經(jīng)在各自的場景中迭代出了一些有效的路徑。
從「不做大模型，我們是不是就被淘汰了」的 FOMO 情緒，到今天更多創(chuàng)業(yè)者轉(zhuǎn)向更加縱深的行業(yè) knowhow，大模型落實到應(yīng)用已經(jīng)開始越來越具體地呈現(xiàn)出一些方法，也呈現(xiàn)出一些清晰的問題。
最近，百度智能云聯(lián)合極客公園 Founder Park 社區(qū)，集結(jié)了十?dāng)?shù)位在工具層、應(yīng)用層進行了大模型應(yīng)用落地的創(chuàng)業(yè)者，聚焦「AI 應(yīng)用」進行了 5 個小時的深入交流。
與參會者合影
這可能是國內(nèi)產(chǎn)業(yè)里第一次高度聚焦在大模型應(yīng)用落地的產(chǎn)業(yè)聚會。可以明確的感受到，如果上半年大家的關(guān)注點在探討下一個 10 年時代變革，那么現(xiàn)在已經(jīng)開始聚焦到未來 18 個月的產(chǎn)業(yè)變化，甚至是未來 6 個月的產(chǎn)品和商業(yè)計劃了。
面向未來的思考開始從遠景拉起近景，這是國內(nèi)大模型領(lǐng)域創(chuàng)新者們一個明顯的變化。它體現(xiàn)了大模型技術(shù)的率先實踐者們，從在岸上暢想或焦慮，已經(jīng)下水「摸到了石頭」，真正開始「過河」了。
01「有點意思」的進展
就像 ChatGPT 問世時，所有人詫異的反應(yīng)，創(chuàng)業(yè)者到感受的沖擊更甚。Cocos 引擎聯(lián)合創(chuàng)始人&CEO 林順袒露，「最初探索下來，有些擔(dān)心『AGI 技術(shù)』可能會完全替代傳統(tǒng)的游戲開發(fā)方式」。游戲開發(fā)，正是 Cocos 產(chǎn)品——游戲引擎聚焦的核心場景?！附衲?3 月份，工程師已經(jīng)可以直接用 ChatGPT，花 5、6 個小時寫出一個 3D 版本貪吃蛇的游戲，不需要寫任何一行代碼。」
這樣的場景看上去，「軟件吞噬世界」正在讓位于「AI 吞噬軟件」。無論是 SaaS 廠商，還是 AI 廠商，都感受到了巨大的沖擊。
但當(dāng)創(chuàng)業(yè)者把大模型放在各自的產(chǎn)品里實踐后，也達成了令人興奮的共識：今天的大模型技術(shù)，遠非面向所有人直接可用的程度，AGI 技術(shù)通向最終的應(yīng)用場景，需要他們這樣一群「支線物流」來把大模型技術(shù)帶到千行百業(yè)、千家萬戶。
以 Cocos 所在的游戲開發(fā)行業(yè)來說，林順發(fā)現(xiàn)，大模型讓做出一個東西變得很簡單，但游戲是工業(yè)和藝術(shù)結(jié)合的產(chǎn)品，只是做出來遠遠不夠，更需要精細化，當(dāng)前的大模型僅僅只可用作半自動化來輔助游戲開發(fā)。但用好這半自動化，做好大模型技術(shù)的工具鏈來服務(wù)客戶做游戲開發(fā)，市場卻有強烈的需求。在一些客戶公司，他甚至聽到：「如果不愿意用 Copilot 來編寫代碼，那么明天可以不用來上班了」。
門檻低了，客群也就廣了
林順表示，游戲領(lǐng)域用 AI 算法來做像自動關(guān)卡、自動內(nèi)容、情感分析等功能，這些都不是新故事，但因為大模型的加入，讓這些功能門檻降低了，更多人可以以更簡單地方式參與進來。
無獨有偶，在數(shù)據(jù)分析領(lǐng)域的 Kyligence，也經(jīng)歷了類似的過程。Kyligence 聯(lián)合創(chuàng)始人&CEO 韓卿稱，「原先 Kyligence 產(chǎn)品主要專注在金融等領(lǐng)域的大客戶，但把 AI 產(chǎn)品化后，現(xiàn)在能夠接觸到一些中小型客戶，『意外地』拓展了客戶群」。
過去，像數(shù)據(jù)倉庫這樣的底層產(chǎn)品，即便做得再好，也會有客戶抱怨不好用，因為數(shù)據(jù)倉庫離「業(yè)務(wù)」太遠了，中間隔了 IT 團隊。即便有了數(shù)據(jù)倉庫，客戶仍需要組建技術(shù)團隊和數(shù)據(jù)團隊把它往上做，變成一個平臺、應(yīng)用，業(yè)務(wù)人員才可以真正使用數(shù)據(jù)倉庫。現(xiàn)在，依托自然語言理解的大模型技術(shù)讓更多業(yè)務(wù)人員可以使用數(shù)據(jù)倉庫的能力，尤其當(dāng)把外掛知識庫也放進去。
大模型讓軟件廠商拓寬客群、面向更廣泛的群體。百度集團執(zhí)行副總裁、百度智能云事業(yè)群總裁沈抖打比方稱，大模型相比之前的 AI 技術(shù)，使得應(yīng)用的底座更厚，假如過去技術(shù)到應(yīng)用有 1 萬米的距離，原來的 AI 技術(shù)可以助推到 1000 米，剩下的 9000 米靠定制化來完成?，F(xiàn)在，足夠通用的大模型直接助推到 7000 米的高度，剩下 3000 米靠行業(yè)力量。
也就是說，大模型讓 AI 能力從 1000 米泛化到了 7000 米的高度，技術(shù)到應(yīng)用的門檻大幅降低，這意味著不懂 AI 的各行各業(yè)的行業(yè)專家都能用這項技術(shù)解決問題，AI 應(yīng)用未來極有可能變得更分散而不是更集中。
過去大半年，竹間智能幫不少客戶落地大模型應(yīng)用，其創(chuàng)始人&CEO 簡仁賢在實踐中獲得了相通的思考。在他看來，模型微調(diào)是相對確定的市場需求，但難點在于：「技術(shù)人員要對客戶業(yè)務(wù)的理解得很深刻，未來，商業(yè)分析師和數(shù)據(jù)分析師的人力需求將會增加，而不僅僅是編程或算法工程師?！?/p>
并且，簡仁賢認為先落地大模型的玩家可能不是大客戶，而是可以直接應(yīng)用、使用的中小客戶。大客戶可能需要先搞清楚大模型技術(shù)、做私有化部署、開放源碼等再落業(yè)務(wù)，而更輕巧靈活的中小客戶，正在利用對業(yè)務(wù)理解的深度，率先轉(zhuǎn)身。
不是沒得做了，而是能做更多
也有人擔(dān)心，從通用技術(shù)到最終目標距離的縮短，會壓縮中間?SaaS?廠商的生存空間。即上游的平臺跳過 SaaS 直接賦能最終客戶，或者客戶跳過 SaaS 自己開發(fā)大模型應(yīng)用。
但經(jīng)過半年的摸索，這種擔(dān)憂逐漸減弱。對行業(yè)和場景的深刻理解，成為 SaaS 廠商在大模型時代的優(yōu)勢。今天落地大模型并不是只剩最后一公里的距離，而在倒數(shù)十公里，甚至更遠的地方，SaaS 廠商很可能是基礎(chǔ)大模型的「API 高鐵」周邊，重要的「AI 支線物流」體系，嵌入大模型的 SaaS 廠商不僅能幫助客戶在過去數(shù)字化路線上降本增效，還延展了邊界，向客戶交付智能化價值。
一個很有意思的小場景是幫助客戶選擇合適的模型。今天市面上的大模型榜單，其實對幫助客戶選擇模型沒什么意義，落到具體場景里評測才有意義。韓卿表示，Kyligence 的 AI 產(chǎn)品，不僅可以支持不同的大模型，還要會給模型做評測，從而能給出客戶建議，在當(dāng)前特定的客戶場景下，客戶用哪個大模型最合適。這核心體現(xiàn) Kyligence 對其所在的數(shù)據(jù)指標平臺領(lǐng)域，有足夠的縱深理解，知道用什么樣的數(shù)據(jù)集做何種評測框架。
「因為客戶對模型的選擇面太廣了，沒有一個好的工具、評測框架，試錯成本挺高的」，他認為，重點是幫助業(yè)務(wù)用戶進一步的降低使用 AI 的門檻，這是企業(yè)服務(wù)廠商的機會。
事實上，大模型的技術(shù)能力確實有解決具體現(xiàn)實世界商業(yè)問題的潛力，但想把潛力轉(zhuǎn)化成真正能解決問題的工具，一個通用的 Chatbot 或者生成工具并不足夠，這讓垂直領(lǐng)域的?AI?應(yīng)用和解決方案創(chuàng)業(yè)者看到了機會。
今年 AI+營銷大火，特贊是這個領(lǐng)域的佼佼者，創(chuàng)始人&CEO 范凌分享，營銷與 AI 的交集在內(nèi)容，而內(nèi)容是今天連接商品和消費者之間的重要媒介。
隨著移動互聯(lián)網(wǎng)的崛起，內(nèi)容成為消費企業(yè)重要的營銷資產(chǎn)，現(xiàn)在不少企業(yè)開始搭建「內(nèi)容中臺」，管理圖、文、視頻、3D 等不同的內(nèi)容資產(chǎn)，但將這些資產(chǎn)轉(zhuǎn)化為真正的生產(chǎn)力而不只是躺在數(shù)據(jù)庫里的歷史記錄，是一個很大的難題。
而大模型出來以后，特贊意識到這是品牌內(nèi)容資產(chǎn)價值進一步提升的機會。利用大模型可以對內(nèi)容有更好的理解和分析，如：給內(nèi)容打標簽，給視頻打腳本；也可以用大模型生成更多的內(nèi)容。特贊的產(chǎn)品讓消費企業(yè)可以更好的找到、匹配、使用和生成這些資產(chǎn)。更進一步，這背后意味著內(nèi)容從一個個文件變成更細顆粒度的 token，品牌可以用來訓(xùn)自己的專有模型、構(gòu)建自己的數(shù)據(jù)集，從而建立更強的內(nèi)容增長能力。
技術(shù)迭代帶來更多新機會
過去一年大模型技術(shù)快速迭代，AI 應(yīng)用的可能性也在不斷拓寬，其中特別值得關(guān)注的是多模態(tài)和智能體的技術(shù)進步。
OpenAI 發(fā)布 GPTs 以后，Agent（智能體）成為一個熱點，而 Agent 的出現(xiàn)，有可能進一步縮短技術(shù)與最終用戶之間的距離。清華系 AI 大模型創(chuàng)業(yè)公司面壁智能，近期正致力于開發(fā)其先進的 Agent 技術(shù)。聯(lián)合創(chuàng)始人兼首席執(zhí)行官李大海深諳今日人工智能尚未達到「外賣到家，直接送達顧客口中」的便捷程度。然而，他堅信 Agent 技術(shù)將大幅縮減這一「最后一公里」，有望將其精簡至僅剩最后一百米。
李大海進一步闡述，AI Agent 發(fā)展?jié)摿薮螅磥硖嵘臻g非常廣闊。一方面是單體智能的優(yōu)化，即如何讓單一智能體更為高效地在各種場景中發(fā)揮效力。這不僅是對 Agent 功能層面的挑戰(zhàn)，也深刻考驗著底層模型的實力，歸根結(jié)底，這是一個綜合性進化過程。另一方面，則是群體智能的探索，面壁智能不久前推出的 ChatDev 項目，便是一個典型的群體協(xié)同實例。在這個項目中，不同智能體擁有各自職責(zé)、專業(yè)知識與認知視角。當(dāng)它們協(xié)同工作時，往往能夠比單一智能體產(chǎn)出更高效、更具創(chuàng)造性的結(jié)果。這種多智能體的協(xié)作，預(yù)示著智能體未來發(fā)展的重要方向。
另一個機會就是多模態(tài)，文字本質(zhì)上是對知識的壓縮，但要進一步影響真實世界，不論是上文提到的生成游戲資產(chǎn)、營銷資產(chǎn)，還是識別機場、工廠等現(xiàn)實世界的空間，多模態(tài)都是關(guān)鍵的技術(shù)能力。
今年 3 月成立的 HiDream.ai 是一家專注于為設(shè)計師和相關(guān)行業(yè)的專業(yè)創(chuàng)作者提供工具和服務(wù)的創(chuàng)業(yè)公司，尤其在圖片生成和視頻生成領(lǐng)域，他們有自己的多模態(tài)大模型。創(chuàng)始人兼 CEO 梅濤院士分享了今天多模態(tài)領(lǐng)域的進展，他認為如果像自動駕駛一樣將 AIGC 也分成 L1 到 L5，從人工參與比較多，到最后不需要人工參與，目前我們處于從 L2 到 L3 的階段，換言之，我們正在從創(chuàng)意產(chǎn)生到工具替代的階段。
這引申出一個很有意思的話題：多模態(tài)會不會被大語言模型顛覆？梅濤經(jīng)常被問，他也問過很多公司，包括 DALL·E-3、Midjouney、還有很多其他的模型，基本目前視覺生產(chǎn)還是以 Diffusion Model 為主，未來趨勢可能是會利用大語言模型對 Diffusion Model 增強，但最終生成圖片和視頻還是 Diffusion Model 更好，所以他并不擔(dān)心會被替代。
02「有點頭疼」的真問題
雖然在短短半年里取得了一些突破，但今天大模型技術(shù)還在快速演進之中，在這種漲潮的時候如何「趕?！梗瑢?chuàng)業(yè)者也提出了一系列的問題和挑戰(zhàn)。
有意思的是，第一批大模型落地的實踐者們倒沒有太擔(dān)心被模型能力升級覆蓋的問題。他們最擔(dān)心的反而是在技術(shù)的早期發(fā)展階段：我們以為拿到了一個通用性很強的能力，但最后落地場景的時候都變成了定制；我們希望用智能創(chuàng)造價值，但最后發(fā)現(xiàn)人工卻越來越重。
上一輪 AI 浪潮里，當(dāng)阿爾法狗擊敗圍棋世界冠軍李世石、柯潔，人工智能所展現(xiàn)出的能力已經(jīng)強大到令人驚訝。但企業(yè)真正將技術(shù)用到業(yè)務(wù)場景，去解決問題并嘗試商業(yè)化時，卻發(fā)現(xiàn)能夠解決的場景太過碎片化，很多時候都是業(yè)務(wù)流程里的某一個環(huán)節(jié)，這就導(dǎo)致其很難標準化、規(guī)?；?，最終變成 case by case 的去做定制，AI 視覺四小龍們無一例外都陷入到了這個泥潭。
沒有人愿意重蹈覆轍變成「高級外包公司」，這個時候如何一上來就堅定地抱著把技術(shù)收斂成產(chǎn)品的目標，哪怕不是一上來就把市場規(guī)模放前面去思考，而是先看技術(shù)到底能收斂的解決什么問題，就成了一個大模型早期階段實踐的新原則。
微調(diào)的需求將持續(xù)擴大
活動當(dāng)天，與會者們 60 次提到「微調(diào)（Tuning）」。同道獵聘集團董事會主席兼 CEO 戴科彬斷言，今天開發(fā)應(yīng)用「肯定要（對基礎(chǔ)大模型）微調(diào)」。獵聘作為招聘平臺，在線的產(chǎn)品都是標準化的，但即使這樣也需要大量的「微調(diào)」。
比如，同樣招產(chǎn)品經(jīng)理，互聯(lián)網(wǎng)公司招產(chǎn)品經(jīng)理跟醫(yī)藥招產(chǎn)品經(jīng)理是兩回事，這里面要做的微調(diào)非常多?；久總€崗位會有兩條垂直縱線，一個是崗位縱線、一個是行業(yè)縱線，行業(yè)里面的公司還有縱線。
此外真正落地到一些細分行業(yè)，只完成「大學(xué)通識教育」的大模型，依然存在能力不足的問題。比如在民航業(yè)，航旅縱橫創(chuàng)始人 & CEO 薄滿輝表示，大模型能力的加持可以用比目前 APP 交互更加自然、高效的模式解決用戶獲取民航出行信息的一些問題。但民航還有一些專有的信息是公域當(dāng)中沒有的，比如有些業(yè)內(nèi)語言業(yè)外人士聽起來跟天書差不多，但是在行業(yè)內(nèi)有非常明確的含義，通用的大模型目前解決不了這個問題。
微調(diào)的需求似乎也成為了一個比較明確的趨勢，即便在百度內(nèi)部，文心一言持續(xù)迭代的前提下，百度文庫也向百度智能云平臺提出內(nèi)部需求——需要能自己做持續(xù)調(diào)優(yōu)（SFT）的工具，不斷提升模型在百度文庫這一特定場景的表現(xiàn)。這也說明未來 AI native 的應(yīng)用，不是用一個靜態(tài)的模型就能支撐的，需要支持它在模型側(cè)有不斷進化的能力。
算力優(yōu)化需要更極致
當(dāng)模型持續(xù)優(yōu)化的需求，再加上更多創(chuàng)業(yè)者參與到多模態(tài)模型，算力優(yōu)化成為相對迫切的顯性需求。與會者闡述道，GPU 訓(xùn)練跟 CPU 不一樣，CPU 宕機一臺機器、兩臺機器，換新機器就可以奏效。但大模型對算力基礎(chǔ)設(shè)施的要求一直是齊步走的狀態(tài)，怎么保證算力能用起來，至關(guān)重要。
以無問芯穹為例，這是一家解決大模型的中間層軟硬件協(xié)同優(yōu)化問題的技術(shù)公司，CEO 夏立雪分享，很多場景驗證下來，用了大模型的效果就是比不用好，比如在搜索、交互的時候，大模型技術(shù)讓用戶體驗顯著上升了，但問題是——賬算不過來。
相比此前幾輪浪潮，本輪 AI 技術(shù)呈現(xiàn)出鮮明的「大一統(tǒng)」趨勢，各類模型結(jié)構(gòu)趨向統(tǒng)一，這意味著算力優(yōu)化有很大空間做深?！笍哪Ｐ椭苯哟蛲ǖ接布▽δＰ捅旧碛嬎憬Y(jié)構(gòu)，比如量化稀疏的改造，都能夠適配足夠大的應(yīng)用場景」。依托整個中間層軟件棧，無問芯穹有機會把大模型場景的所有硬件算力性能優(yōu)化到極致，讓單個 token 的計算成本降到最低，同時讓更多中小企業(yè)可以觸達大模型工作負載下的算力服務(wù)。
九章云極副總裁于建崗博士也看到了這一市場痛點，今年，大模型讓客戶使用算力的方式發(fā)生變化，九章云集 DataCanvas 從過去的 AI 基礎(chǔ)軟件，擴展到了算力層等更多的維度，包括 GPU Cloud 算力中心，和大模型落地的基礎(chǔ)軟件，像 tool Chain 或者說 app tooling 和 Finetune、Agent，以及 LLMOps 等工具。于建崗認為，幫助客戶落地時，要給客戶「開箱即用」的輕便體驗，「通過 interactive Natural UI(NUI) based orchestration 來快速便捷實現(xiàn)業(yè)務(wù)流程」，重要的是讓客戶的數(shù)據(jù)飛輪轉(zhuǎn)起來。
工具鏈條需要更茁壯
如前所述，把大模型落到不同場景、行業(yè)，要解決各種各樣的具體業(yè)務(wù)問題，意味著要做大量的微調(diào)、定制、優(yōu)化?！赣袝r候我們團隊感嘆人工智能，人工是真的夠重，現(xiàn)在這個階段，其實耗費的人工特別的多?！挂晃蛔鲂袠I(yè) SaaS 的嘉賓這樣感嘆道。
要減低技術(shù)和現(xiàn)實業(yè)務(wù)需求之間不小的 Gap，要提升解決這種 Gap 的效率，工具鏈條的完善也會非常重要。當(dāng)下大模型賽道已經(jīng)涌現(xiàn)出了一批做工具的企業(yè)，但另一個現(xiàn)實問題是：現(xiàn)階段大家的需求太多元、技術(shù)迭代變化速度太快，工具也沒有辦法收斂。做工具，沒人能賺到錢，以商業(yè)正循環(huán)的方式不斷完善進步，大模型落地的效率也會受到影響。
Jina AI 聯(lián)合創(chuàng)始人&CTO 王楠分享，他們在年初思考這個時代自己的定位時，就意識到目前還處在大模型時代非常早期的一個階段，所有人都沒有找到真正的 killer app，這個時候關(guān)鍵是怎么樣賦能開發(fā)者快速的做產(chǎn)品迭代，這就意味著有很強的的工具需求。
做工具的起點是一個團隊首先完成了一個項目，發(fā)現(xiàn)這個項目里面有一些經(jīng)驗是可以抽象出來。但在抽象的過程中很重要的是把經(jīng)驗抽象到哪一層——如果太通用，這個工具別人要拿去使用的時候還要做很多的定制化，就會導(dǎo)致「既然我都做了這么多定制化了，為什么還要用這個工具」；但也不能太具體，太具體的話就會擠在很小的群體里面。
大模型的技術(shù)迭代和需求變化非常快，這個度就很難把握。王楠舉了一個例子，比如今年大火的 LangChain 剛出來時，當(dāng)時還沒有基于 Agent 的工具框架，只有專門針對 QA 做 chatbot（聊天機器人）的框架。Jina 早年和他們都是做模型推理的編排工作，但 Jina 團隊判斷 LangChain 做得太具體，這個市場（chatbot）沒有那么大。而在 11 月 30 號（ChatGPT 發(fā)布）之后，chatbot 崛起，LangChain 快速起量，起步更早的 Jina 也就很快被超越。
相反，Jina 團隊開發(fā)的另一個工具，輔助提示詞生成的 PromptPerfect，他們觀察到了大模型火了以后用戶需要優(yōu)化提示詞，但卻沒想到這個需求能夠堅持這么久，現(xiàn)在每天用戶量還是很大的，給他們帶來了穩(wěn)定的收入。
要想避免應(yīng)用工具的價值因為上下游的變化而消失，王楠分享了 Jina 的四個經(jīng)驗：
- 避免和模型過度綁定：底層模型升級換代非?？?/li>
- 避免過度優(yōu)化：硬件主導(dǎo)的時代，底層技術(shù)棧的優(yōu)化對于上層軟件的優(yōu)化是降維打擊
- 聚焦不變的核心價值：節(jié)省開發(fā)者的時間
- 與上下游大范圍的深度集成：把自己嵌入在開發(fā)者工具鏈生態(tài)之中
別找客戶，而是找到最該去解決的問題
將 AI 技術(shù)落地到真實的商業(yè)世界還有一個必須面對的問題，大模型時代應(yīng)用開發(fā)者普遍遇到的一大商業(yè)化困境，就是價格與價值的錯位。極客公園創(chuàng)始人張鵬在現(xiàn)場聽了不止一個創(chuàng)業(yè)者吐槽這個錯位問題后，總結(jié)了一個被參會者集體認同的苦惱：「客戶抱著讓你解決登月問題的目標，但心理價位卻是同城快遞的預(yù)算。」
比如 Kyligence 有一個金融客戶曾經(jīng)做了第一次測試，寫了幾條結(jié)論，最后一條結(jié)論差點讓韓卿「吐血」：與人類相比差距很大。可見現(xiàn)在客戶對使用AI的認知差距還很大。
在眾多大模型應(yīng)用企業(yè)的反饋中可以看到，距離 AI 認知越遠的客戶，對 AI 的預(yù)期就越不容易切實際。這個時候客戶主動上門充滿熱情的期待，很容易變成迅速的失望，創(chuàng)業(yè)這們也會因此浪費大量的成本和時間。
創(chuàng)業(yè)者們當(dāng)然可以選擇客戶，甚至經(jīng)過早期「進門都是客」的階段，創(chuàng)業(yè)者們也學(xué)會了先識別潛在客戶的 AI 認知水平，再「投入感情」的新流程。但期待客戶都自己成為對 AI 懂行的專家肯定是不現(xiàn)實的，所以這反過來就會非?？简瀻椭竽Ｐ吐涞氐綀鼍爸械钠髽I(yè)，能否把 AI 的能力匹配到場景里的有效需求，還需要有能力在解決足夠有價值的問題上獲得商業(yè)的正循環(huán)。
有效、合理、匹配都是非常重要的，這時候客戶是不是大公司和一把手是不是體現(xiàn)的很積極，可能都不是最重要的影響因素了。
沈抖也提到了一個現(xiàn)象：今天很多 API 調(diào)用都還是一些小學(xué)生的問題，用一個高中生來回答都已經(jīng)綽綽有余，卻在用大學(xué)生回答，成本就很高。最后算不過來帳，熱情總會消失。開發(fā)者需要做的，是找到那些真正有價值的當(dāng)下還無解的問題。
這樣的問題是什么？沈抖舉了一個真實的案例。一個蛋糕店的老板，每天需要計算自己做多少個蛋糕，如果賣不出去就只能扔掉。他要預(yù)測明天要生產(chǎn)出多少份蛋糕出來，既不錯失商機又不浪費材料，但對他來說這是一個無解的問題。他沒法自己寫或者雇人寫一個 linear regression（線性回歸）的東西，把各種天氣、效率、人流、溫度等參數(shù)考慮進去然后建模來更科學(xué)地預(yù)測銷量，但他的需求真實存在，他會愿意為此支付 100 塊甚至更多。
開發(fā)者如果能在有限的調(diào)用次數(shù)內(nèi)——也就是用不超過 100 塊的成本給到他有效的結(jié)果，商業(yè)模式就是成立的。當(dāng)然如果超過 100 塊還解決不了這個問題，那這個問題就是商業(yè)層面的「無解」。
需求的復(fù)雜性，加上價值和價格的錯配關(guān)系，決定了這個產(chǎn)業(yè)很難讓一個企業(yè)端到端解決所有問題，即使強如 OpenAI 也不例外。而這背后引申出了一個非常有意思的話題：大模型產(chǎn)業(yè)急需一個集體協(xié)作，有效分工，并且可以一起賺錢的生態(tài)。
03生態(tài)是「唯一」解?
九章云極副總裁于建崗博士認為，GPTs 出來之后，OpenAI 本質(zhì)上就是做一個 iOS 的生態(tài)，而未來一定會有一個安卓生態(tài)。
像百度這樣的大公司，手里拿著大模型的核心技術(shù)能力，當(dāng)然有機會去構(gòu)建生態(tài)。但在這次討論里，也有不少創(chuàng)業(yè)者坦誠地說出自己的擔(dān)心：生態(tài)能不能繁榮，平臺邊界在哪里也是個重要的問題。不然大家都會不知道自己位置，也沒有足夠的信心來一起協(xié)作解決問題。
一位創(chuàng)業(yè)者就在現(xiàn)場「Q」了一下百度?！钢拔覀?nèi)谫Y的時候，大家經(jīng)常會被問如果谷歌做這件事情你們怎么辦？現(xiàn)在變成了百度、OpenAI 做這件事情你們怎么辦，如果硬拼的話肯定是打不過的，你只能找到自己的一個點?！乖谒磥恚裉齑竽Ｐ捅旧砭褪且粋€寒武紀的時代，這個生態(tài)里有各個位置，重要的是在里面找到自己的位置。
沈抖倒是回答地非常坦誠，他覺得當(dāng)年互聯(lián)網(wǎng)時代確實更接近零和博弈、贏者通吃；但到移動互聯(lián)網(wǎng)時代，本身行業(yè)已經(jīng)開始形成生態(tài)共贏的模式；到了今天的大模型時代，明確平臺的邊界和構(gòu)建生態(tài)已經(jīng)不是一個公司的選擇問題，而是面對一個客觀的產(chǎn)業(yè)邏輯時沒有選擇的必然。
「AI 能解決的問題更多，門檻卻更低，即便平臺想端到端地把事都做了，一個大公司能不能做到、公司基因符不符合千行百業(yè)都是必須考慮的問題。即使退一萬步說能做，平臺就算想把一個個行業(yè)，一個個價值層都做一遍，也要付出巨大的系統(tǒng)代價，這是不是一個科技公司真正想要的？」
沈抖覺得把所有應(yīng)用都做一遍顯然也高估了平臺的力量。iOS 剛出來的時候蘋果自己就做了一個日歷、天氣這種應(yīng)用，但即使是 iOS 這么封閉的環(huán)境，這些也不是一統(tǒng)天下的 SuperApp，只是個系統(tǒng)必備功能而已。實際上想做成所有應(yīng)用的可能性微乎其微。特別是一旦有上下游連接的應(yīng)用，往往不是蘋果輕松就能做的。
他覺得百度智能云其實更關(guān)注的是如何做好基礎(chǔ)設(shè)施，在模型、算力、微調(diào)、以及工具鏈條的進步上，把這些關(guān)鍵問題的效率提升作為自己的核心關(guān)注點，做最大的投入和努力。
在當(dāng)天的討論里，所有人的共識都認為不論是創(chuàng)業(yè)公司，還是各個大平臺，各家的力量都有不足，生態(tài)互補是必然的選擇。但相比已經(jīng)成熟的移動互聯(lián)網(wǎng)生態(tài)體系，很顯然大模型生態(tài)還處于一個早期甚至?xí)诚胫械碾A段，大家都不知道彼此的邊界。連接點就是脆弱的，就不能有效形成合力去落地AI能力。
出門問問創(chuàng)始人&CEO 李志飛在會上分享了一段非常有意思的故事：今年出門問問在開發(fā)自己的 AI 應(yīng)用時，也涉及到要用很多不同模型的問題。雖然出門問問有自己的大模型，但他總是刻意一遍遍地質(zhì)問開發(fā)團隊：我們?yōu)槭裁匆欢ㄒ獦?gòu)建自己的大模型，而不是調(diào)用百度的或其他第三方的？
這其實也是在直抵一個根本問題：創(chuàng)業(yè)者需要推動團隊不斷思考，你真正的壁壘在哪里，即你為什么一定要擁有自己的模型？你要做有什么差異化的大模型？
這個問題的答案無外乎有幾種：一是對于模型本身，用自己的速度更快、成本更低、且模型里有別人提供不了的 API；二是對于應(yīng)用，自己的大模型可以更好地賦能自身應(yīng)用，產(chǎn)品效果更好；三是模型與應(yīng)用能形成數(shù)據(jù)飛輪。只有回答了這個問題，才能做出與其他基礎(chǔ)大模型真正有差異化的東西。
李志飛說，有自己的模型能力固然好，但如果每個星期能夠反反復(fù)復(fù)地拷問自己和團隊這個問題，直到某一天問到了更明確的答案——在很多情況下都可以調(diào)用第三方的模型，只有真正不可或缺的一小部分需要用到自己的模型，最后反而會形成真正的產(chǎn)品和模型壁壘，而且從經(jīng)營的角度更劃算。
他的觀點也引發(fā)了很多人的共鳴，對于今天很多客戶動不動就是幫我訓(xùn)練一個本地部署的大模型這樣的早期想法，顯然不是一個可持續(xù)的商業(yè)模式。長期來看，這個領(lǐng)域的參與者，需要彼此知道自己的壁壘和邊界，有合理的分工、協(xié)作，才能找到更多場景里商業(yè)效率和技術(shù)能力的甜蜜點。
零和思維下，不論是投資者還是一部分的創(chuàng)業(yè)者，永遠擔(dān)心自己被同行，被更大的平臺吃掉。但今天大模型的環(huán)境已經(jīng)證明：大模型技術(shù)落地產(chǎn)生真正的價值，還遠遠不是最后一公里的問題，而是 10 公里的問題。平臺靠 API 打不了通關(guān)，創(chuàng)業(yè)者能做到從模型到應(yīng)用「端到端」全能力的也鳳毛麟角，即便做到了能不能算過賬也是巨大考驗。
這個領(lǐng)域已經(jīng)逐漸可以看到明確的趨勢，不會有人能夠一家通吃，也很難有人獨善其身，只有有效分工協(xié)作的生態(tài)才是打開 AI-native 未來的唯一正解。
「不像原來有一個獨門絕技我不跟任何人分享?！股蚨蹲詈罂偨Y(jié)道，「正是因為大模型從只能一千米現(xiàn)在送到了七八千米的高度，國內(nèi)面向開發(fā)應(yīng)用的群體，極有可能變得更分散而不是更集中。競爭起來難度太大，任何一個平臺公司不可能只靠自己把后面的兩三千米做完?！?/p>
在文章發(fā)出的前一天，恰好百度智能云在「智算大會」上做了新一輪產(chǎn)品升級，發(fā)布了百度百舸·AI 異構(gòu)計算平臺 3.0、百度智能云智算網(wǎng)絡(luò)平臺、百度智能云千帆AppBuilder和千帆平臺的一系列升級，為構(gòu)建AI原生應(yīng)用進一步降低了基礎(chǔ)設(shè)施門檻。從底層基礎(chǔ)設(shè)施—大模型開發(fā)與應(yīng)用—AI 原生應(yīng)用開發(fā)等維度，百度智能云賦能更多伙伴參與到大模型的應(yīng)用落地中，發(fā)揮生態(tài)伙伴各自的優(yōu)勢推動 AI 原生應(yīng)用的生長。
