大模型热退背后的难题与瓶颈

大模型发展面临盈利难与落地难的问题

随着2024年的临近，大模型似乎开始走下坡路：资本市场的相关概念难以炒作，英伟达股价频繁波动，引发了“泡沫破裂”的担忧；消费市场上，BATH公司的创新活动减少，产品更新速度放缓，民众关注度下降。然而，在这场热闹的竞争中，大模型似乎还有两大战场：一是各大公司之间的“价格战”，二是各大公司在公共场所的广告营销。这些现象的出现，不禁让我们思考，大模型的未来出路在哪里？存在哪些难点和卡点？

首先，大模型面临着盈利难的问题。尽管像OpenAI这样的大模型公司，也面临“吃饭”的难题。OpenAI预计亏损50亿美元，全年运营总成本高达85亿美元，按照这样的估算，其现金流可能在一年内耗尽。而要想推出下一代的大模型GPT5，OpenAI还需要更多的数据和算力，这也是一大笔花费。目前市面上的大模型，大部分都采取To C+To B的方式，即通过会员订阅和开发者API调用两条腿走路。但是无论是To C还是To B，能一开始就产生付费的很少，而且除去沉重的负担，大多数都无法盈利。

其次，大模型在落地方面也面临着困难。虽然大佬们高喊ChatGPT的问世是“iPhone时刻”，是新一代的“火”和“电”，但是实际上，当前的大模型还存在许多局限性，包括认知偏差、缺乏主动性、泛化性能弱、易产生幻觉等问题。例如，在数学计算方面，大模型明显处于弱势，甚至不如小学生。此外，大模型的数据更新不及时，需要外挂知识库才能在一定程度上缓解这个问题，但这仍然无法完全解决问题。在B端，由于缺乏实战经验，大模型在行业中的应用尚没有一个成熟的案例。

再者，大模型的发展也受到数据、算力和成本等方面的限制。如果把大模型比作一头巨兽，那么它的一个显著特点是“不停地进食”：需要大量的优质、广泛的语料进行长期、高频次的喂养。然而，这对数据的挖掘、获取提出了严峻的挑战，涉及各方权益保障、利益分配、版权归属等问题，通常在涉及敏感信息时，数据的清洗、标注、脱敏等工作也会非常复杂。

此外，如果把AI链路比作一间工厂，那么算力就是维持工厂运行的燃料（煤、石油、电力等）。大模型需要巨大的算力支持，初始的ChatGPT就需要超过7亿元的算力。后续优化过程中，每天的算力消耗大约是3640PFLOPS，相当于需要7至8个达到500PFLOPS的数据中心的支撑，整体基础设施建设费用以百亿元计。随着大模型规模的扩大，算力需求会成倍增加，已经超过了硬件的摩尔定律。

然而，大模型在产业中的应用正在逐步拓展。大模型不再是仅仅停留在实验室里只会聊天、写诗、作画的模型，而是开始走进各个产业，发挥Agent的作用。例如，在矿区，华为的盘古矿山大模型可以替代人工，成为主运智能监测系统的眼睛，精准识别异常情况，提高安全性；在物流领域，京东的言犀大模型帮助快递员完成各种任务，提高工作效率；在零售行业，京点的AI工具可以帮助商家制作吸引人的商品图和文案。

总之，大模型的发展仍面临许多问题和挑战，包括盈利难和落地难等。但是，我们也看到了一些积极的信号，大模型已经开始向产业迈进，发挥着重要的作用。我们期待在未来能看到更多的大模型在各行各业的应用，发挥更大的价值。