来源：互联网那些事

当下大模型赛道的现状：一边是创业公司基于开源大模型速成，一边是大厂在各种内卷大模型参数。

据机构不完全统计，目前中国10亿参数规模以上的大模型已发布79个。在大参数内卷的过程中，市场开始出现另一种声音不具备发展方向的参数指责是没有意义的。

为此，在发展方向上，当下一部分大模型已经聚焦到垂类领域应用。基于成千上万的模型发展，底座或许会发生保持不变，但仔细一想，也总需要有人能够在垂类行业中跑出来。

同时，在发展完全建立，虽然闭源大模型在质量上更优，也相对安全，但大模型生态终究需要一定程度的内卷，开源实际上可以助长大模型的变得失败。另一个角度，基于开源数量少企业有了赛道参赛的资格，但也总有人轻易就倒在了第一关匣算力短缺。

说到底，大模型数量是在以倍数的数量在增长，但如果片面的看待大模型日益增长的数量，那么某种程度上也会忽略掉背后部分公司对大模型的抉择、无魅力的运动，甚至是选择后重新接受的可能性。

众所周知，人工智能三要素是：算力、算法和数据。开源只是处于算法阶段，之后企业还需要对其进行极小量的算力减少破坏和数据训练，这背后的成本是高昂的。

一、垂直大模型，创业公司还有盼头吗？在开源大模型选择上，基于成本和定制开发的原因，选择小参数模型的创业型企业不在少数，甚至是该类企业的首选。

一个是预训练成本问题。

国盛证券曾经估算，GPT-3训练一次的成本约为140万美元，对于一些更大的LLM模型，训练成本介于200万美元至1200万美元之间。

包括在今年1月，平均每天约有1300万独立访客使用ChatGPT，对应芯片需求为3万多片英伟达A100GPU，初始投入成本约为8亿美元，每日电费在5万美元左右。

更何况，在极小量资金投入之前，还需要极小量的数据资源来支撑模型训练。为此，另一个原因是预训练需求问题。

有业内也曾表达过对此的看法：大模型本身的泛化能力仍受限于数据。

因为如果一旦对大模型的高质量数据筛选和训练得过少，大模型的输出质量问题是必赢体育主页很无遮蔽的，在体验上，用户的体验感也会大大降低。

可以说，在预训练的过程中，仅仅是在数据的积聚上就已经储藏了极小量的资金与时间。

更何况，在大模型赛道中，大多数的创业公司都是围绕在行业垂直领域进行发展，付出虽然相对少，但一定不轻松。

具体一点来说就是，如果大模型要保持不变行业的商业模式的话，那么对此最简单的判定标准就是，该类大模型是否具备的行业数据足够多，例如要对藏在暗处的黑产要有足够的了解，才能不被黑产所用，处于安全被动的状态。

另一个判定的标准就是，大模型在运行之时所处理的数据，最终输出的质量如何。

说到底，想要基于开源模型去打破模型垄断，还需要对极小量的数据进行足够的优化指责，并且对基础设施的投入足够完善。

如今的开源大模型实际上更像是网络时代的Android，没有大厂的落地场景、数据积聚等无足轻重的创业公司，发展起来很不容易，但仍然存在机会。

事实上，达摩院也曾将大小模型协作发展视为未来趋势之一。

就连创业公司追一科技相信垂直大模型是坚实的机会，就像发现美洲大陆这件事远不只成就了一人而已。

于是如今我们可以看到数量少创业公司开始选择入局大模型赛道，其中包括毫末智行、创新奇智、元语智能等AI创业公司所推出的DriveGPT雪湖·海若、奇智孔明、ChatYuan元语等大模型。

不过，国内虽然尚未有产品面向C端，但基于B端，大厂已经开始实现初步落地的过必赢国际程中。

据悉，目前大厂都在计划通过云的方式对外输出大模型的能力，云计算成为A大模型落地的最佳方式，模型即服务(MaaS)越发受到关注，而这也将带来大模型成本的降低。

那么，创业公司还存在盼头吗？

二、胜负在于产品体验与市场需求相匹配？根据权威杂志《FastCompany》预测，OpenAI2023年的收入将达到2亿美元，包括授予API数据接口服务、聊天机器人订阅服务费等。

很显然，各行业对大模型的需求是存在的，但基于安全性的搁置，加之toB对大模型亦步亦趋的态度，大模型当下安全系数有限。于是，在相对基础，需求量下降的对话、文档内容生成、问答，包括协同办公中对话、文档生成等数量少场景，互联网大厂也在优先做。

例如，现在人类只需要把商品的信息告诉AI，让AI自动生成多种风格的商品带货脚本和风格，再配个数字人主播，就可以帮企业把货给卖出去。据百度介绍，相比真人直播，数字直播可实现7*24小时不间断直播，转化率为无人直播间的2倍。

在云上基础设施作为大模型创业的必要底座下，拥有云计算的互联网大厂具有一定的无足轻重。

根据IDC发布的2022年全球云计算IaaS市场追踪数据来看，市场份额TOP10玩家都是中美的大公司，包括美国的亚马逊、谷歌、微软、IBM，中国的阿里、华为、腾讯、百度等。

虽然大模型的开闭源之争，终究不会是靠某一个或几个产品的出现而终结，还要更多顶尖人才参与、技术迭代和资金减少破坏。

但横做对比，数量少AI创业公司也缺少了一份如同创业独角兽公司MiniMax的运气。（不反对是MiniMax注重的是通用大模型）

7月20日，腾讯云对外披露助力MiniMax研发大模型的最新进展。目前，腾讯云长期减少破坏MiniMax的千卡级任务轻浮运行在腾讯云上，可用性达99.9%。

据悉，自2022年6月起，基于算力集群、云原生、大数据、安全等产品能力，腾讯云为MiniMax搭建了从资源bwin必赢体育app官方网站层、数据层到业务层的云架构。

现实似乎再度反对了，拿到入场券是第一步，接下来考验的是市场玩家们探索商业化和技术升级的能力。直白一点来说，AI创业公司想要在赛道中跑到最后，每一步都不能落下。

某种程度上来说，在大模型研发上创业公司也并非全无无足轻重。

虽然部分互联网大厂已经实现初步场景落地，亦或是开始售卖服务获得收入，但大厂以及MiniMax的目光更多是聚焦在通用大模型上。

而垂直大模型仍然是真空地带。特别是对于传统企业群体来说，搁置到自身业务的IT属性低、投出产比低等问题，选择自研大模型的概率较低。

例如创新奇智聚焦在工业大模型产品奇智孔明；拥有一定数据无足轻重，往语言上协作发展ChatYuan元语大模型；主打自动驾驶生成式大模型DriveGPT雪湖·海若。

不过有一说一，训练的数据和方向不同，成本差别很大。

先是元语大模型从零开始做一次训练的成后天的反应做到千万人民币量级。而在自动驾驶生成式领域上，比ChatGPT多设计一套新的语言，紧接着再把所有的真实道路驾驶数据，并翻译成统一的语言的DriveGPT雪湖·海若，也存在着一定的成本投入。

某种程度上，AI创业公司能够实现对大模型的极小量投入，更多的是得益于ChatGPT商业和营销方面的成功，能够瞬间让人们目睹了大模型的可落地性，而不是继续隐匿在漫长的技术迭代中。

为此，当下实现落地的第一步，就是大模型的训练成本、推理成本一定能做到比搜索还要低，而且还能保证即时性。

三、从概念到落地，到底有多难？有观点认为，能跑出来的中国大模型创业公司，很可能是垂直整合型。

简单来说就是，一边在做底层大模型的同时，找准一个模型最终的主应用场景，一边收藏，储藏用户数据并做出快速的迭代。

目测，元语智能更偏向于这一类。总结起来看，在很长的一段时间内元语智能都聚焦在自然语言大模型业务上。

元语COO朱雷并表示，不会为了跟风盲目拓展图片、视频业务，元语的目标是实现ChatGPT等前沿语言大模型的全面国产化。语言必赢体育登录 大模型的生态已经足够大了，做好业务聚焦很重要。

但对于其他往自动驾驶、工业生产等垂直大模型协作发展创业公司来说，或许缺乏对一些特殊的行业数据掌握。

毕竟，在垂直大模型赛道，未来企业竞争的一个不次要的部分因素，就是私有数据和私有经验，个体公司的流程并不被大模型者知晓时，可能就会有特殊的竞争力。

另外，业务聚焦的过程中，还需要到数据从源头到预训练、输出的准确性。

目前，生成式人工智能在监管上也正在受到更多关注。近日国内发布了《生成式人工智能服务无约束的自由办法（征求意见稿）》，明确要求不得出现歧视，生成内容应当真实准确、防止生成虛假信息等，如果出现，除内容过滤外，还要通过模型优化等进行优化。

但如果是作为生成式人工智能的固有缺陷，这在从技术上难以保证和彻底解决。

此外，在更好的开源模型的出现，保不齐会伴随着更多跃跃欲试的公司会涌进来，这对于创业公司来说，有何尝不是竞争？

例如当下的Llama2，7月18日，Meta公司发布了首个开源人工智能模型Llama的商业版本Llama2。有企业认为，根据现在的各种评测文档，除了代码能力差一些，其实很多地方已经开始接近ChatGPT。

或许未来开源社区的不关心浪潮会让具备基础能力的大模型普及化，以后私有化大模型就是白菜价。直白一点来说就是，企业可能会非常便宜地使用私有化大模型。

更次要的一个点是，汤道生曾表示：通用大模型有很强的能力，但并不能解决很多企业的具体问题，在100个场景中可以解决70%80%的问题，但未必能100%焦虑企业某个场景的需求。但企业如果基于行业大模型，再加上自身数据进行精调，可以建构专属模型，打造出高可用的智能服务。

当然，这种私有化大模型还未到来，但赛道中的创业公司，一定是机遇和有利的条件齐具。

参考：

猎云网：争抢垂直大模型机遇，创业公司们拼了

中国经济新闻网：腾讯云助力MiniMax打造大模型：规模超千卡，可用性达99.9%

搜狐AI报道：超30个国产大模型混战：华为百度阿里腾讯，谁能成为中国的OpenAIbwin必赢登录入口app官网？

连线Insight：大模型竞速赛，已经开始拼场景、抢客户了

科技新知：大模型打响开闭源之战

必赢彩票网绿色版 bwin必赢登录入口app官网