进击的AI大模型，场景化落地才是解决烧钱焦虑的关键

2023年是大模型落地的关键年，在这一年，AIGC技术的快速发展和各种大模型的涌现，打开智能时代的新篇章。《中国人工智能大模型地图研究报告》显示，截至2023年5月底，国内10亿级参数规模以上基础大模型至少已发布79个。与此同时，据自媒体“AI to Be”的不完全统计，截至2023年11月7日，国产大模型已达189+。可以说，中国大模型数量已进入第一梯队。

在大模型蓬勃发展的同时，中国大模型产业化应用出现通用类、专业类并行的发展路径，文心一言、紫东太初等中国一批通用化大模型正在快速发展，而打造跨行业通用化人工智能能力的平台正在从办公、生活、娱乐向医疗、工业、教育等加速渗透。在笔者看来，无论是通用类还是专业类，大模型正在朝着行业化、场景化的方向演进。这是因为大模型需要投入大语言模型基础设施、训练和研发人才成本，行业化、场景化是解决落地，缓解烧钱焦虑的关键所在。

依靠烧钱入局的大模型何时才能收支平衡？

今年8月份，印度媒体Analytics India Magazine的一份报告引起大家的注意，它在报告中表示，人工智能公司OpenAI可能在2024年底面临破产的风险。之所以面临破产的风险，是因为，OpenAI每天仅维持其人工智能服务ChatGPT的运行就需要花费约70万美元(人民币：506.6万)。

尽管OpenAI试图通过GPT-3.5和GPT-4实现盈利，但仍没有足够的收入来实现收支平衡。报告数据显示，自从OpenAI开始开发ChatGPT以来，亏损额在5月份翻了一番，达到了5.4亿美元。尽管微软对OpenAI进行了100亿美元的投资，但也仅能支撑该公司运营而已。报告还进一步指出，如果OpenAI不能迅速获得资金，该公司将有可能在2024年底之前申请破产。 

为什么会这样？其实，类似于ChatGPT这类的大模型一般有两方面，一方面是模型训练，另一方面是模型推理应用，动辄几亿的算力投入还只是在模型训练阶段，而在模型推理应用阶段，对于算力的需求要远高于训练阶段。假如大模型想要支撑成百上千万用户频繁使用，那么就得需要百亿量级的算力成本。

由此可见，大模型的训练、推理还是非常消耗成本的。据悉，特斯拉CEO马斯克启动了一项人工智能项目，为此购买了约1万个GPU。在ChatGPT运行过程中，其庞大的参数量和复杂的结构，也需要大量的计算资源和运营成本来维持其运行。微软也为ChatGPT付出了相当大的代价，微软曾用几亿美元，耗费上万张英伟达A100芯片打造超算平台，这也只是为ChatGPT和新版必应提供更好的算力。

解决烧钱焦虑需要建立良好的盈利模式

如今，大模型经历探索期、突破期，正在进入推广期。在这一时期，大模型需要面对如何能够落地，又是如何在真正的应用场景中产生价值。从商业模式上来看，在经历前期的烧钱投入，甚至未来还需要大量投入的情况下，如何才能暂时缓解烧钱带来的焦虑。在笔者看来，解决方法就是建立良好的盈利模式，通过场景化、行业化落地产生一定的价值，进而以收入弥补投入。

经过初期的喧嚣之后，AI大模型如何落地商业化，企业客户如何享受这轮AI红利，解决“AI焦虑”。幸运的是，在推广期，AI正在尝试在更多场景中实现更大规模的应用：一方面是在农业、工业等更多行业、更多场景中应用AI技术;另一方面，任何场景中使用AI技术都变得极为容易，技术门槛更低、算力成本更低、部署要求也更低，不断推进AI像水、电、气一样成为普惠性技术。未来，让AI技术产品化、标准化以及普惠化，成为AI技术发展的新重点。

对于场景化落地，业界也有诸多观点。腾讯云副总裁、腾讯云智能负责人、优图实验室负责人吴运声表示：“企业需要的，是在实际场景中真正解决某个问题，而不是在100个场景中解决70%-80%的问题。”在他看来，技术的根本出发点是解决实际问题，如果不能深入行业探索，便不能真正解决行业面临的问题。

腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生也坦言：“产业场景已经成为最佳练兵场。”针对场景化落地问题，网易CEO丁磊表示：“AI的发展可以用百花齐放、百家争鸣来形容，但其中落地场景最关键，网易最重视的是根据场景产出适用于用户需求的AI产品。随着AI大模型的发展，企业会逐渐找到优化路径，不断降低大模型研发所需的资金和算力。” 

在笔者看来，场景落地才是AI技术发展的重中之重，不论多么强大的技术都要走出实验室才能发挥真正的价值。甚至可以说，在AI大模型竞赛中，真正的胜者是能选择好应用场景的企业。

降低门槛，解决场景化落地挑战

随着AIGC的广泛应用，越来越多的企业开始借助AI大模型来推动业务变革。然而，在企业利用大模型重塑业务的同时，如何降低AI技术的门槛，让更多企业能够充分利用大模型的能力，成为了拥有大模型技术的平台型企业所面临的重要问题。

阿里认为，解决问题的最佳途径是“PaaS化”，越来越多行业专属大模型的出现，预示着大模型会从B端场景进入C端场景。在AI PaaS的助力下，企业能够快速、低门槛地搭建起专属智能化应用。未来，AI大模型将呈现从有趣到有用，从玩具到工具的发展路径。

腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生也提出自己的方法论，他表示：“选择具有一站式行业大模型服务能力的云厂商合作，基于行业大模型，构建自己的专属模型，或许是企业探索大模型应用实践的可行路径。”

据笔者观察，一些已经采用大模型对客服系统进行改造的银行客户，通常会选择私域部署方式，即结合硬件和软件，利用自己已有的知识图谱和数据进行训练和推理。这样既能确保数据安全，又能降低算力成本。

AI大模型已经在办公、医疗、教育、金融等场景落地。在金融行业，马上消费首席信息官蒋宁认为大模型落地产业应用有四个关键难题：首先是可控、安全、关键任务和动态适应性难题。其实是，如何平衡个性化服务和个人隐私数据合规的问题。最后是，如何让模型生成群体智能与安全可信问题。

蒋宁表示：“对于金融行业本身来讲，存在‘数据孤岛’，这会让大模型无法形成生态，没有形成生态的模型很难形成群体智能。”

写在最后

在笔者看来，无论是商业模式还是科技服务于人的观念，AI模型的发展必然会经历行业化、场景化的阶段。如果只是将AI停留在理论层面，而无法应用于具体的行业和场景，那么它并不会为企业带来短期的商业价值。

同时，AI的发展是一个长期的过程，需要耐心和细致的工作，这要求我们在推动AI技术的普及时，必须保持冷静，不急功近利。那些能够基于AI技术实现长期增长的企业，往往是那些低调务实、专注于技术和场景落地的玩家。只有坚定地走下去，才能实现稳健而长远的发展。