建设公司的网站制作,永乐网站建设,如何推广自己,哈尔滨网站制作哪儿好薇导语 有个著名咨询公司曾经预测过#xff1a;未来只有两种公司#xff0c;是人工智能的和不赚钱的。 它可能没想到#xff0c;还有第三种——不赚钱的AI公司。 去年我们报道过“正在消失的机器视觉公司”#xff0c;昔日的“AI 四小龙”#xff08; 商汤、旷视、云从、依图…导语 有个著名咨询公司曾经预测过未来只有两种公司是人工智能的和不赚钱的。 它可能没想到还有第三种——不赚钱的AI公司。 去年我们报道过“正在消失的机器视觉公司”昔日的“AI 四小龙” 商汤、旷视、云从、依图在商业化盈利上各有各的不顺。不过随着GPT系列产品又掀起一股“大炼模型”的热潮这些AI公司又支棱起来了。 商汤科技此前曾披露下一步的发展战略是通用人工智能AGI继续推进“大装置大模型”并发布了1800亿参数的中文语言大模型 “商量”。 旷视科技也表态会坚定投入生成式大模型的研发保持核心技术能力长期领先。 云从科技公开的定增预案中为云从“行业精灵”大模型研发项目募集资金不超过36.35亿元。 依图科技没有公开消息但在此前的融资中曾因AI大模型和国产芯片等被看好。 无论是上一轮以BERT、GPT-3为代表的“预训练精调”大模型还是此刻正红火的以ChatGPT、GPT-4、文心一言等为代表的“预训练精调提示RLHF人类反馈”的大语言模型已经成为各大头部科技公司“秀肌肉”、相互竞争的重要工具。 谷歌、百度等大厂跑着入场各路大模型“神仙斗法”。这场狂欢派对成了机器视觉公司不得不玩、又玩不起的游戏。 1 | 尴尬的“长衫” 最近CV公司参与到大模型这局游戏中出现了这样的画风语气一会儿大一会儿怂。 在公开信息中都表示自己会加大投入去解决基础技术、基础问题。云从的管理者说要“投一二十亿解决算力问题”“我们是技术公司研发投入不会低”商汤的有关人士称要做“统一化标准化的大模型”“加速构建通用人工智能的核心能力”旷视也对标OpenAI要“做影响物理世界的 AI 技术创新”。 谈到大模型技术和产品本身底气又不足了。 这个说“基础大模型要有长期布局NLP难点很多短期内与境外领先企业会存在较大差距”那个说“中国AI公司有商业化的压力不能像OpenAI那样不计代价的创新”。 “预期管理”算是被你们玩明白了。 年轻人流行说自己是“脱不下长衫的孔乙己”CV公司对于大模型这种不尴不尬的处境其实也和“孔乙己”有相似之处。 CV公司在底层技术、基础设施、人才、资金、生态等领域的积累不如头部科技企业优势显著。所以自然也不可能真的跟谷歌、OpenAI、BATH百度、阿里、腾讯、华为正面打擂台烧钱去做通用的基础大模型foundation model。 新一轮大语言模型完整技术栈、工程实现能力、算力成本、数据积累等都有极高的门槛AI公司自研大语言模型的难度前所未有。 OpenAI 在2022年就花掉了5.44亿美元收入只有3600万美元这是国内CV公司不具备的家底儿。 当然外界也不应该过度放大CV公司的责任非要将巨头才能承担的创新压力放在CV公司身上。 但是CV公司又有着“AI-native原生企业”的光环也确实积累了很多技术储备 所以也不能直接躺平像ISV集成商、软件公司一样依附大厂欢欣鼓舞地等着集成或调用API就好。 昔日的“AI四小龙”还是要撑起“技术自立”的架子努力融入这波炼大模型的热潮里于是又将模型数量和参数规模的比拼拉升到了新的竞争水平。 比如云从有NLP、视觉领域的预训练模型商汤在“AI大装置SenseCore”的基础上构建的日日新大模型体系就包含了通用视觉模型、中文语言模型、图片生成模型……其中仅“商量”大模型的参数规模就和GPT-3差不多。 今天大家都感慨孔乙己脱下长衫不容易换个角度“大模型”这件长衫CV公司是不是有必要穿上呢 2 | 玩不起的游戏 从2018年的预训练大模型到2023年的大语言模型大模型走过了一个从萌芽到繁荣的小周期种类、功能也丰富起来我们已经见过很多AI企业、高校和科研机构、行业公司所打造的各种各样的大模型。 问题便随之而来
第一大模型的“智能涌现”需要在超大规模的数据和充分的训练才能出现只有不计投入的基础模型能做到。 很多面向行业的预训练大模型由于数据和训练不足无法达到“智能涌现”的临界点这也是为什么此前预训练大模型那么多却只有ChatGPT的到来才证实了“通用人工智能”的可行性。 在基础模型的鲁棒性、泛化性极大提升的今天一味盲目地“训大模型”结果就是“大小班同上”基础大模型和行业大模型一起消耗本就不充沛的算力进一步推高计算成本让AI企业背上更重的负担。 第二大模型的商业化路径标准化API是比较基础的一种而基础模型API有虹吸效应。 简单来说通过API接入AI能力技术是决定性因素基础模型的能力强、受众广泛很容易通过API经济完成商业化而行业大模型面对的领域较窄很难通过“规模效应”来摊薄研发成本。 随着一个又一个大模型被推向市场大家恍然发现原来我们并不缺大模型缺的是商业化路径。 目前大模型的商业化还比较有限C端通用产品贴成本定价B端盈利前景不明朗根据 A16Z 对美国 LLM 创业调研纯模型厂商只能拿走0-10%的价值并且要长期对标OpenAI的定价策略会面临很大的商业化压力。 通用基础模型和行业大模型一起面向市场和客户结果就是在商业价值分配上产生博弈。AI巨头“神仙斗法”打造出的通用基础大模型会吸引产业和用户的最多关注。 而大量行业大模型要么在训完后无人问津浪费了前期投入要么无法满足产业需求商业化前景受限或者跟通用基础大模型的能力有冲突导致商业化达不到预期。 同为AI创业型公司的出门问问创始人李志飞就在一次采访中直言“不是所有人都要去做通用大模型贸然进入难度很大商业竞争很激烈想不清商业模式到最后会很痛苦。” 所以大炼模型可能是CV公司目前玩不起的一局游戏。 3 | 轻装上阵的路 你可能会问现在大模型这么火不训大模型怎么能吃到这波红利在新一轮AI热潮里建立优势呢 CV公司要轻装上阵可能要尝试这样几条路去探索大模型热潮中的机会
1 、 跟基础大模型平台建立更紧密地联系。 自己开发大模型难度太大训练成本、存算成本过高社区生态支持也不够充足。可以站在巨人的肩膀上接入基础模型的能力打造小模型与基础模型的商业模式形成差异。 此前CV公司盈利难的一个挑战是机器视觉要进入腰尾市场存在着海量的碎片化需求客户体量比较小、数量多项目规模不大这对CV公司的开发效率提出了很高的要求。 通用的成熟型算法无法满足细分需求但全靠算法工程师来定制开发不现实也不够经济划算。基础大模型将算法开发推进到工业化阶段减少了编程工作量提高了开发效率定制化算法的性价比提高也就更容易为企业所接受。 对于CV公司来说算法进入工业化大生产阶段将碎片化需求全面覆盖、规模化复用整体营收能力自然也就上来了。
2 、 深入到具体行业中去构筑能产生差异化的应用产品。 基础模型要走向产业必须进一步精调CV公司就有相应的优势。 很多高度专业化或复杂的工作比如金融、建筑设计、编程、办公、客服等需要精准的垂类知识一些特定领域比如医疗、司法非结构化数据比较稀缺。没有足够的语料来“投喂”基础模型在这些场景就会欠缺一些“常识”比如GPT-4就写不好中文诗。 据说GPT-3.5的训练数据集全部为私有数据集其中关键的SFT训练集有89.3%的数据是定制的。 CV公司大多有自己聚焦的垂直领域比如依图的智能医疗旷视的物联网云从的智慧园区商汤的智慧城市、智慧出行等可以结合在相关领域沉淀的差异化数据集利用精调或prompt的方式打造出更加精确、可靠的小模型更容易部署为AI应用加速AI的快速落地。 3 、 建立更具韧性的生态合作护城河。 CV公司在大模型技术上的积累就会变成AI 2.0时代的底牌也可以作为与AI巨头、算力提供商的生态合作筹码。 比如这一轮大模型对提示学习、人类反馈的强化学习RLHF等提出了很高的要求让模型在人类的引导下发现知识的使用方式理解人类的偏好这在国内都属于很新的领域提示师、专业标注师很少。有媒体报道OpenAI的标注员本科学历52.6%硕士学历36.8%这就不能全部靠众包模式来进行数据标注必须拥有自己的垂直领域的标注团队。 比如医疗领域医学图像还没有建立起自然图像那么大级别的数据库而对医学图像的标注是很难的不像自然图像标注普通人一看就知道是什么医学图像的数据标注涉及到器官、癌变等专业知识就需要针对性地积累。 这样的高水平技术人员恰恰是CV公司这种AI-native原生企业的重要资源可以与产业链上下游开展更紧密地合作从而保障产品和服务的竞争力和可持续性吸引客户更多地将数据放入自己的产品中形成马太效应。
4 | 结语 大模型开辟了一条蕴藏着极大价值和可能性的新路被寄托了太多期待和野心。要有大模型能力不代表要自己训大模型。 重复建设的热潮终会褪去届时大模型商业化的考验才刚刚开始。 对于CV公司来说脱下“大模型”的长衫是为了留住商业化的“底裤”。集体弄潮只是只是一时热闹保存实力才能在AI江湖中走得更远。
