AI 大模型的白垩纪

美好的长假即将过去，我们又该忙起来了。在 AI 领域，这两年最忙的一项基础技术应该非大模型莫属。

随着最近 AI 绘画、AI 生成视频等能力不断刷新大众对 AI 技术边界的认知，站在 AI 创作家们背后的大模型的地位也跟着水涨船高。轰轰烈烈的“炼大模型”运动似乎来到了丰收时节。

但在大模型愈发火爆的同时，我们不难看到一个问题：预训练大模型虽然在众多领域都表现出了良好的应用效果，但这些效果所产生的商业价值，却很难与大模型的训练成本、基础设施投入成本画上等号。

事实上，表面光鲜的大模型正在经历一个有些艰难的转型阶段：大模型不断表现出的“神奇”效果，引发了资本、产业、学术界的巨大关注。随着一个又一个大模型被训练完成，推向市场，却会发现大模型的应用场景与商业价值虽然有，但并不充沛。如何从“炼大模型”，走向“用大模型”，正在成为关键考验。尤其值得注意的是，中国 AI 行业对大模型的投资、建设更加激进，那么大模型的应用转型考验也将更加显著、先觉地浮现于中国市场。

AI 预训练大模型在目前阶段的境况，让我想到一个词：白垩纪。

白垩纪是地质年代中，中生代的最后一个纪元。这时候全球开始变暖，大陆架结构开始定型。恐龙依旧统治着世界，但哺乳动物已经开始活跃。

大模型似乎也处在这样一个阶段里。被 BERT、GPT-3 夯定的大模型思路依旧笼罩在 AI 产业头顶。但如何让大模型走向新的应用纪元，已经成为一个非常热切，同时略带迷茫的必答题。

新物种开始出现，老物种依旧占据主流

在讨论大模型的转型之前，我们还是需要用一点篇幅回溯一下大模型的发展思路与应用逻辑。

所谓的预训练大模型，是指在大规模宽泛数据上进行训练的基础模型。它抓住了深度学习算法数据越多模型鲁棒性越强的基础特点，对模型进行暴力地“数据投喂”。经过大规模数据的预训练后，模型可以适应更多种类、更为复杂的下游任务，从而最终获得更好的智能体验。

大规模预训练模型，其实并不是一种技术路径上的创新，而是更接近把握技术特征之后的工程创新。大模型之路被广泛认可，开始于谷歌在 2018 年 10 跃发布 BERT。它利用 BooksCorpus 和维基百科的大规模数据进行模型训练，在 11 个下游任务上刷新了当时的业界纪录。

我们可以将大规模预训练模型理解为一种“预制菜”。既然用户自己烹饪的难度太高，费工费火，那就不妨由商家先行预制。用户将菜买回后加热一下，加入自己喜欢的调料就能上桌食用。大模型的思路也是如此，它通过上游进行模型预训练，下游进行任务微调的方式来使更多产业能给应用到效果好、质量高的 AI 模型。

而经过几年的发展，大模型如今已经来到了一个新旧交替的临界点。这里的新旧交替可以分为两个层面进行理解。首先大模型本身不断进行技术层面的革新。我们知道，业界最具典型性，也最为出圈的大模型 OpenAI 在 2020 年 5 月发布的 GPT-3。这一大模型具有 1750 亿参数，在非常多文本生成类任务上有着出众表现。而无论是 BERT 还是 GPT-3，都是自然语言处理领域的大模型。而在 GPT-3 之后，大模型一方面在模型参数上不断提升，同时也在技术上进行迭代。比如机器视觉大模型已经成为行业的新主流，同时多模态大模型与行业知识紧密结合的大模型开始出现。推动大模型的能力覆盖从语言走向视觉，继而走向更复杂的综合任务。

另一个层面的大模型新旧交替，体现在产业侧对大模型应用的呼唤上。随着几年时间过去，“我们必须赶快有一个大模型”的热情开始消退；转而产生了“我们确实有大模型，然后呢？”这样的应用焦虑。尤其对于中国市场来说更是如此。在美国 AI 界，大模型一直都是少数科技巨头、学术组织在做，其中很多大模型的基础定位就是 AI 技术投资的一部分。但在中国则不同，怀揣着对技术竞争的重视，大量互联网、云计算企业都加入了大模型的构建竞赛，这些大模型必须找到有效的商业出口才能收回投资。同时，也有大量科研机构、院校加入其中。于是我们可以在中国看到雨后春笋般发布的大模型，这样做的优势是中国 AI 在大模型数量上遥遥领先，同时，也带来了如此多的大模型项目应该要如何消化和使用的问题。

目前阶段，大模型产业的特征是那些直接对标 GPT-3 的大模型项目依旧占据主流，或者说并没有给出太多有说服力的超越价值。同时，新的大模型技术思路与产业转型思路也已经开始出现。这正是白垩纪的特点：恐龙和哺乳动物共处一地，而新生物种正期待着更多变化到来。

大模型的野蛮生长，已经陷入某种枯竭

几年来，炼大模型成了 AI 领域最热门，同时也最能引起舆论、资本关注的一件事。伴随着大量大模型项目的快速上马，我们很难判断其中有哪些是抱着“竞争对手在做，所以我也要做”的互联网心态来推动，又有哪些项目是为了与新基建、科技举国体制等热门概念挂靠火速上线。

整体来看，跑马圈地式的大模型产业发展，为整个 AI 领域提供了一种积极昂扬的氛围。推动大模型与各个行业、各科研领域结合变得比较轻松。与此同时，我们也很容易将大模型与更多 AI 技术，甚至 VR、元宇宙、区块链等同样被称为风口的技术进行类比，并且发现大模型的发展轨迹，也有着诸多“野蛮生长”的痕迹。

其实从应用角度看，大模型就像云计算一样，是一种将产业上游投入进行收紧的集约化操作。一般来说，企业应用 AI 有几种方案。最简单的一种是直接接入具有 AI 能力的标准化 API，这种模式只能提供简单的 AI 能力，无法覆盖复杂的智能化需求；第二种是整体定制 AI 解决方案，这种方案需要产生高额的定制费用与专家成本，是最不经济划算的一种；第三种是自己进行 AI 开发，这种最为贴近企业真实需求，但会导致开发出的模型不够标准化，与业界领先水平具有差距，并且也要求企业具备 AI 开发经验与相关组织架构。

大模型的出现，可以说是在几种方案之间寻找平衡点。通过大规模预训练 + 微调的模式，若干企业与行业可以共享、重复应用大模型。这样企业既用到了高水准的 AI 能力，同时也避免了过重的开发成本与建设成本，也就是所谓的推动 AI 进入工业生产时代，抛弃作坊式的 AI 开发。

然而我们能够发现，这种逻辑下最终一定会导致大模型数量较少，而下游应用非常丰富的产业格局。在目前阶段，情况恰恰相反。下游的大模型应用处在方兴未艾的阶段，相关企业与解决方案并不断。反而上游的大模型项目层出不穷，并且展现出了一定程度上的同质化。这种野蛮生长，一般来说包含着几种潜在问题：

1.过分聚焦大模型参数和数据集测试结果。

1700 亿参数的 GPT-3，将大模型正式拉到了千亿参数规模。随后大模型的参数比拼不断升级，很快我们就见到了万亿参数规模的大模型。追求大模型的参数巨大化，曾经一度成为 AI 领域的主流，随后也引发了相当多的反思。一味追逐模型体积大、训练数据规模大，会导致模型很难在现实场景中进行部署，并且低质量的训练数据过多，很多时候会导致反向效果出现。

大模型领域另一个问题，是追逐在某项数据集测试中刷新纪录。以标准化数据集评判大模型能力当然无可厚非。但很多时候数据集测试是有诀窍的，可以进行针对性调优。一味关注测试结果，很可能导致大模型的实际应用效果不足。

2.技术创新过分“个性化”。

由于大模型领域的竞争激烈，并且工程路线其实比较单一，为了标明自己的大模型具有差异化，业界开始兴起了大模型的“微创新”热潮。一般做法是，提出自己是业界首个某某技术上的大模型。但这项技术是否具有说服力，是否有足够的实际应用价值，则可能要打上一些问号。而随着大家都是首个某某大模型，大模型的定义越来越复杂，评判标尺也越来越模糊。下游用户选择大模型的难度也随之加大。一定要强调自己是“首个”，导致大模型陷入了混乱的创新局面。

3.打着国产化的名号，进行大量重复投资。

业界另一项关于大模型的问题，是随着自主可控与国产化替代成为趋势，相关企业与科研机构开始大量进行重复的大模型投资。大模型国产化当然是合理且必要的。但不同企业、科研机构与不同项目、不同地区政策之间合作，容易造成大模型国产化项目处于较低水平且重复建设的发展模式中，反而降低了国产化的最终效果。

在种子问题之下，大模型的野蛮生长虽然并未结束，但已经显露出了某种枯竭。推动大模型从参数为中心向应用为中心转变，是目前阶段的核心问题。

大模型转型，呈现出两个思路

无论是称作“炼大模型”，还是大模型的野蛮生长，可以看到中国 AI 大模型的第一阶段发展处于一种饱和态势中。虽然可能产生各种各样的浪费与重复投资，但确实为整个产业长期发展打下了坚实基础。

这一点最直接的体现，在于目前中国 AI 产业中与大模型发展相适配的基础设施已经非常完善。这一优势是此前很多技术，乃至深度学习技术刚刚兴起时都不具备的。IDC 发布的《Market Glance：中国 AI 大模型市场概览，2022》报告提出，大模型作为人工智能融合产业级实践的必然形式，目前底层支撑服务基本完善，多类型芯片持续迭代，围绕训练能力、核心算子库、上层软件平台深入布局优化。

底层基础支柱与配套设施的完善，让大模型走向应用更加顺遂。在今天我们可以看到，大模型转型应用为中心，主要呈现出两个发展思路。

1.拥抱 AIGC，与欧美对齐的大模型发展思路。

从 GPT-3 出圈的自动协作，到近来火爆的 AI 作画，再到谷歌与 Meta 最近纷纷押注的 AI 生成视频，这项能力都可以归纳为 AIGC（AI-Generated Content），即 AI 生成内容。

AIGC 能够产生优质、复杂，甚至以假乱真的内容，背后的“脑力”普遍来自大模型的支撑。因此在大模型亟待与商用价值接驳的时间段，AIGC 也就构成了最直接，最清晰的商业化路径。但在目前阶段，AIGC 的商业化潜力还有待深耕。应用范围最广的 AIGC 能力应该就是 AI 作画，但其本身面向的常态化用户更多是插画师、设计师、自媒体，大量 C 端用户都是本着尝鲜的心态试试看，其最终能够激活多大的商业价值尚不明确。一般来说，AIGC 中大模型扮演着双重角色，一种是直接为大模型所属企业的软件提供支撑，最终按需求次数或积分完成商业转化；另一种是赋能其他软件开发者，通过模型使用或者带动云计算、云存储用量来完成商业价值。无论哪种形式，将 AIGC 从小众需求变成大众需求，同时进一步提升 AIGC 的商业空间都是当务之急。

另一个角度看，AIGC 也是谷歌、Meta 等欧美科技巨头大规模投入的领域，因此国内互联网与 AI 企业是有发展参照物的。这一点当然带来了很多竞争，但也将确保发展路线处在中国科技企业比较熟悉的发展节奏当中。

2.拓展大模型与行业智能化、科学计算的结合空间，中国大模型的自主探索。

就像 AI 技术本身一样，中国产学政各界对大模型的深层期待是激活行业智能化价值，与中国经济整体应用空间结合，甚至在中国激活第四次工业革命。而这条路则是完全新颖、缺乏参照物的大模型发展可能性。其最大的问题在于，经过多年的发展，产业应用 AI 依旧难以解决成本过高、难以规模化复杂的问题，大模型的成本更加高昂，能否逃出 AI 的成本效益陷阱也变得更加复杂。而且将大模型与具体行业、具体科研领域结合，虽然在欧美也有尝试探索，但中国已经依靠丰富的产业需求与全社会的数字化热情走到了前列。如何在无人区激活大模型的长期价值，既是中国 AI 的机遇，也是严苛挑战。

在目前阶段，我们能看到一些 AI 厂商已经推出了行业大模型，比如金融大模型、能源大模型等等。也有多个领域与大模型进行了跨界合作，比如中国商飞联合科技厂商，发布了应用于大飞机测试的流体仿真大模型、西安交大相关团队应用大模型在超级抗药菌领域取得突破等等。

中国 AI 大模型，已经在跨模态搜索、自动驾驶、数字人、生物医疗、材料化学、数学能领域进行了广泛探索。但这些探索普遍处在跨领域合作与案例打造的阶段，举例坚实的商业化价值还有不短的路要走。尤其在如何摊薄大模型成本，推动规模化应用方面还有非常多的挑战。

不管怎么样，大模型走向产业，走向商业化，已经从“等等再说”变成了“时不我待”。不适应新的变化，很可能无法走向更远。

在清醒与未知中走向新生代

6500 万年前，白垩纪正式结束，地球迎来了最新的地质时代：新生代。随着恐龙灭绝，灵长类觉醒，整个地球的故事开始呈现出新的样貌。

在今天，我们或许也会疑惑。如今大模型的发展成果、基础设施建设、技术路线探索，究竟有多少能留到下一个阶段呢？肯定是会有的，但大概率并不多。

我们必须清醒地认识到，大量大模型终归会丧失产业空间。就像其他计算、存储、AI 基础设施一样，大模型到最后也只能留下被频繁使用，形成基础设施的极少数。转型必然带来新的投资与建设热潮兴起，以及传统热潮的消退。当产学各界不需要如火如荼般炮制大模型的时候，那些为此打造的算力、网络、开发平台基础设施应该何去何从？似乎也是一个需要提前思考的变量。

此外，我们还需要意识到大模型的前路不是一帆风顺的。大模型与行业融合，是一条根植中国经济与社会特性，并且蕴藏着极大价值可能性的新路。但经过多年发展，我们会发现所有 AI 问题到最后都是成本问题。大模型能否掏出 AI“有用，但过贵”的成本怪圈，能不能为 IT、云计算、互联网厂商带来足够的价值定位？这些问题依旧缺乏清晰的答案。

所以，大模型的白垩纪依旧没有结束。但我们也知道拼参数、大量重复建设的大模型发展阶段终会过去，而考验在那时或许才刚刚开始。

很多人认为，大模型是深度学习 2.0，是 AI 避免陷入第三次寒冬的诺亚方舟。它被寄托了太多期待。

在新的 AI 火苗被点燃前，大模型还将在很长时间里难以替代。

本文来自微信公众号：脑极体 （ID：unity007），作者：风辞远