2023年科技领域最热的话题就是AI大模型。这股热潮由美国创业公司OpenAI引领，ChatGPT发布后几个月，中国公司密集发布自己的大模型，整个2023年，中国公司发布的大模型数量已经超过130个。
OpenAI能够实现技术突破，和许多科技创新领域公司的特点类似。有足够优秀的人才，海量资金支持，多年持续投入，以及对目标坚定。在ChatGPT发布之前的很长一段时间里，产业界和投资界大多不看好OpenAI，但并未动摇该公司的方向。2023年，几乎所有人都认可了大模型的方向，大家认为，OpenAI已经把结果摆出来了，其他公司要做的就是尽快跟进，不断优化，确保能参与未来。
一些人把过去没有大规模投入大模型的原因归咎于不确定结果。现在已经确定了，算力、数据、人才都可以加大投入，中国公司擅长工程优化，做出能实际应用的大模型产品指日可待。
但事实真的如此吗？对于OpenAI来说，大模型从来都是确定的方向，OpenAI的大部分资金都花在了算力上，当时英伟达的A100（AI专用芯片）价格比今天低很多。据第三方数据机构SemiAnalysis估计，OpenAI使用了约3617台HGX A100服务器，包含近3万块英伟达GPU。光有GPU还不够，投资方微软帮助OpenAI搭建了大模型定制化的算力集群，能够进一步提升这些GPU的效率。
在数据方面，OpenAI从数据收集、数据标注、数据清洗、数据整理、数据优化等每个环节都有持续投入。OpenAI团队中大部分人，都来自顶尖的科研机构或科技巨头。
也就是说，在这种实力和投入力度下，OpenAI依然用了超过八年的时间，才打造出突破性产品GPT4，且存在“幻觉”（也就是答非所问、胡说八道等情况）。
为什么中国公司在几个月的时间里，就能做出号称匹敌GPT4的大模型？这是谁的幻觉？
2023年下半年，陆续有部分大模型被指出是“套壳”，直接套用了国外的开源大模型，在一些检验大模型能力的榜单上排名靠前，不少指标都接近GPT4。多位业内人士告诉《财经》记者，榜单表现越好，套壳比例越高，略有调整表现就会变差。
“套壳”只是中国大模型产业现状的冰山一角，这背后折射出产业发展的五个问题，它们之间互为因果，每个问题都无法独立解决。到今天，大模型的大众热度已经明显下滑，2024年，中国大模型产业的问题会进一步暴露。但在热闹、问题之下，大模型已经在产业中发挥价值。
模型：原创、拼装还是套壳？
2023年11月，阿里巴巴前技术副总裁、AI科学家贾扬清发文称，某国内大厂做的大模型用的是Meta的开源模型LLaMA，只是修改了几个变量名。贾扬清表示，因为改名导致他们需要做很多工作来适配。
此前，就有国外开发者称，李开复创办的“零一万物”使用的就是LLaMA，只是重命名了两个张量，因此，业内质疑零一万物就是“套壳”。随后，李开复和零一万物均有回应，称在训练过程中沿用了开源架构，出发点是充分测试模型，执行对比实验，这样能快速起步，但其发布的Yi-34B和Yi-6B模型都是从0开始训练，并做了大量原创性优化和突破工作。
2023年12月，媒体报道称，字节跳动秘密研发的大模型项目中，调用了OpenAI的API（应用程序接口），并使用ChatGPT输出的数据进行模型训练。而这是OpenAI的使用协议中明确禁止的行为。
随后，OpenAI暂停了字节的账号，表示会进一步调查，如果属实将要求更改或终止账户。
字节对此的回应是，2023年初，技术团队在大模型探索初期，有部分工程师将GPT的API服务应用于较小模型的实验性项目研究中。该模型仅为测试，没有计划上线，也从未对外使用。在2023年4月公司引入GPT API调用规范检查后，这种做法已经停止。且字节大模型团队已经提出了明确的内部要求，不得将GPT模型生成的数据添加到字节大模型的训练数据集，并培训工程师团队在使用GPT时遵守服务条款。
目前国产大模型中，主要分为三类：一是原创大模型；二是套壳国外的开源大模型；三是拼装大模型，也就是把过去的小模型们拼在一起，变成参数量看起来很大的“大模型”。
其中，原创大模型数量最少，做原创大模型需要有很强的技术积累，且要有持续的高投入，风险很大，因为一旦模型没有足够强的竞争力，这些大规模投入就打了水漂。大模型的价值需要商业化来证明，当市场上已经出现足够好的基础大模型，其他公司应该去挖掘新的价值点，比如大模型在不同领域的应用，或是中间层，比如帮大模型训练、数据处理、算力服务等。
但现状是，大部分参与者都在“卷”所谓的“原创大模型”，又担心风险太高，于是有了大量套壳、拼装的大模型。无论是直接使用开源模型或是拼装模型，只要符合相关规范，都没有问题。到商业化落地阶段，客户也不太会在意是否原创，有用就行，甚至不少客户会因为成本更低，更愿意选择非原创的技术。
问题在于，即使是拼装和套壳，大家也要不断强调“原创”，为了证明“原创”，就需要调整修改，而这又会影响大模型的迭代能力，陷入内耗。
算力：卡脖子还是不想买？
大模型的基础之一是海量算力，且是先进算力，因此大模型也被称为暴力美学。英伟达的A100此前被认为是最适合训练大模型的，近期英伟达又推出了更先进的算力芯片H100，但还未在中国市场开售。
一位英伟达的长期合作伙伴告诉《财经》记者，2023年，A100的售价涨了约1倍，据他了解，2023年密集购买A100的中国公司主要是自身有业务需求的大厂，包括阿里巴巴、腾讯、字节跳动、百度等，创业公司很少。有一些知名大模型创业公司会主动要求和他建立战略合作关系，以此来对外证明自己在投入算力，“不给钱的那种”。
尽管有美国政府的“出口管制规则”，中国公司想要获得英伟达的算力，并非不可能，目前有很多方式可以选择。除了直接购买，还可以通过英伟达在中国的合作伙伴们购买。GPU本身很贵，买来之后的部署、运营、调试、使用，都是成本。此前业内流传的一句话是，中国不少科研机构连A100的电费都付不起。
由八张A100组成的DGX服务器最大功率是6.5kW，也就是运行一小时需要6.5度电，同时要搭配大约同等电量的散热设备。按照平均工业用电每度0.63元计算，一台服务器开一天（24小时）的电费约200元。如果是1000台服务器，一天的电费就是约20万元。
因此，除了大厂，创业公司很难大规模购买、部署GPU。
GPU资源还可以租用，在阿里云、腾讯云或是亚马逊AWS等云服务平台上，都可以直接租用A100算力服务。租金同样在过去一年涨了不少。
但实际情况是，不少大模型公司并不想在算力上做大规模投入。多位关注AI的投资人告诉《财经》记者，一旦创业公司开始部署算力，会出现两个“问题”，一是这个投入没有上限，没有终点，谁也不知道要烧到什么程度。OpenAI到今天还会因为算力跟不上而出现宕机。二是公司会因此变成重资产公司，这对于公司未来的估值有不利影响，会直接影响到投资人的收益。
2023年，中国不少投资人会直接告诉大模型创业者，先招一些名校背景的人，抓紧开发布会，发布大模型产品，然后做下一轮融资，不要去买算力。
创业公司们在风口期拿到大量融资，高薪招人，高调发布产品，推高估值。一旦风口过去，继续融资或是上市就需要收入，到时候再通过此前融到的钱，去低价甚至亏本竞标项目，或是直接对外投资来并表收入。
这就有可能陷入一个恶性循环：不愿意承担算力高投入的风险，就很难在大模型领域有突破性发展，也就难以和那些真正在这个方向上大规模投入的巨头们竞争。
数据：低质数据怎么解决？
数据和算力都是大模型的基础，在数据方面，中国大模型产业面临和算力同样的问题：是否值得大规模投入？
在中国，一般的数据获取门槛很低，过去主要是用爬虫工具来收集数据，现在可以直接用开源的数据集。中国大模型以中文数据为主，业内普遍认为中文互联网数据的质量较低。
一位AI公司创始人形容，当他需要在互联网上搜索专业信息时，他会用谷歌搜索，或是上YouTube。国内的网站或App上，并非缺少专业信息，而是广告内容太多，找到专业内容需要的时间更久。
OpenAI用于训练大模型的中文数据同样来源于中国互联网平台，但它额外做了很多工作来提升数据质量，这不是普通的数据标注工作能完成的，需要专业团队对数据进行清洗、整理。
此前就有AI创业者表示，在中国很难找到相对标准化的数据服务商，大多是定制化服务，定制服务又很贵。
这和是否要大规模投资算力的逻辑有些类似，这笔投入对于很多公司，尤其是创业公司来说，看起来并不划算。如果大规模投入，一旦最后的模型效果不理想，同样是“打水漂”，还不如用开源数据训练，直接开发布会。
此外，中国市场缺乏有效的数据保护手段，一位大厂AI负责人说，“在中国，你能拿到的数据，别人也能拿到”，“如果你花很多钱去做高质量数据，别人可以用很低的成本拿到，反过来也一样。”
包括数据处理在内的大模型中间环节，在2024年会是一个相对明确的新发展方向。无论是哪种模型，在落地到具体应用场景中时，必须要用专业数据做优化调试，这对于数据处理的要求更高，此外还需要有模型调试、工程优化等环节参与。
但如果其中的环节又变成了投资人眼里的“新风口”，那又是另一个故事了。
资本：只有资本短视吗？
以上的三个问题，背后都指向一个共同的方向：资本短视。
尽管OpenAI已经蹚出一条明确的道路，对于绝大部分公司来说，想从零开始做出成熟的大模型，需要耗费的成本和时间并不会短很多。
对于大部分投资人来说，每笔投资的目的很明确：退出、赚钱。OpenAI火了，估值一路攀升，未来还会继续增长。2023年4月，该公司估值约280亿美元，到2023年12月，据美国媒体报道，OpenAI最新一轮估值或将超过1000亿美元。这在投资人眼里是一个非常确定的信号，如果以合适的价格投资中国大模型创业公司，也能在很短时间内做到估值成倍增长。
中国投资人的耐心只有三五年，这是资本运作模式决定的。投资人从LP手里募资，需要在一定年限内退出并拿到可观的收益。投资人退出的渠道包括项目并购、上市，或是在后续融资中把自己手里的股份卖给新投资方。
早期融资可以靠风口和讲故事，但走到中后期甚至上市，就必须有一定规模的商业化能力。投资人们发现，拖得越久，项目上市或被并购的难度就越高，因为AI领域主要的商业模式是做B端的定制化项目，这条路径就决定了创业公司很难做出高增长的收入。投资人只能趁风口还在，迅速推动公司完成多轮融资，抬高估值，之后哪怕打折出售手里的股份，也是划算的。
这也是为什么2023年大模型相关的发布会层出不穷，各种大模型榜单百花齐放且排名各不相同，这些都是有助于融资的“故事”。类似的路径在几年前的AI产业已经出现过一次，那个阶段的代表公司是AI四小龙。2023年的大模型创业只是把过去三年走完的路在一年时间里加速完成。
但短视绝不是投资人单方面的问题。在今天的商业环境下，大部分人都追求短期的、确定性的结果，十年，甚至五年后的未来都似乎难以把握。
商业化：谁是合适的买单人
2023年，中国大模型产业迅速从比拼大模型参数进入到比拼商业化的阶段。2024年1月的CES（消费电子展）上，两位著名的AI科学家李飞飞和吴恩达均表示，接下来AI商业化会有明显发展，会深入到更多行业。
目前看来，大模型的主要应用方向有两个：一是通过大模型技术为C端用户提供新的工具，比如付费版GPT4、百度用文心大模型重构的百度文库、新的AI视频剪辑工具、文生图工具等。但C端付费短期内很难有大规模增长，对于大模型工具有刚需的人群相对较少。
更有希望的商业化方向是B端服务。在中国市场，做B端软件服务一直是一个“老大难”的生意。多位投资人和业内人士都提到，中国市场最大的B端客户是政府和国企，大模型作为先进的生产力工具，会有一个直接影响是减少人力。而在政府和国企，减少人力在很多时候反而会变成阻力。
如果退而求其次，选择中小B客户，在2024年恐怕也很难。一位AI大模型创业者说，他近期询问了不少企业客户，得到的回应是：“大模型能做什么？能帮我裁员还是能帮我赚钱？”
到今天，即使是最先进的大模型也依然存在“幻觉”问题，这在C端应用上还可以忍受，但在一些专业的B端场景中，有“幻觉”就意味着难以真正落地。过去比对式AI，例如人脸识别，如果识别错误，人工辅助、调整的成本很低，但大模型擅长“一本正经地胡说八道”，具有一定迷惑性。
但大模型已经切实在实际应用了。多位业内人士都提到，因为大模型的出现，很多过去无法解决的问题都有了新方法可以解决，且效率有明显提升。例如前文提到的拼接大模型，在过去很少有人尝试，现在不少AI公司都开始把多个不同场景的小模型拼在一起，在解决大部分同类问题时，不需要再单独训练模型，可以直接调取使用。
此外，在一些有庞大业务的公司里，大模型也已经落地使用。类似于上一轮AI视觉技术带动AI算法的发展，这些AI算法迅速在内容推荐、电商、打车、外卖等领域发挥重要价值。现在，腾讯的游戏业务、阿里的电商业务、字节的内容业务等，都已经用上了大模型。
2024年，AI大模型的发展会有几个相对确定的趋势：一是融资热度下滑，2023年出现的一家公司完成多轮数亿美元融资的情况会明显减少，大模型创业公司需要寻找新的出路。目前看来，大厂们更有实力做大模型基础设施的工作，创业公司可以考虑调整方向，填补基础大模型到应用之间的空白。
二是大模型的应用会持续深入，但这主要会集中在数字化程度很高且业务体量非常大的领域。在C端，大模型也会进一步普及，不过对于中国公司来说，不能只依赖C端用户付费，C端应用场景中会加入其他变现模式，主要是广告。
三是国产算力会进一步得到重视，得到重视并不意味着短期内会有明显进步，这是一个漫长的过程。国产算力能力提升的同时，会有更多趁机炒作、造势、圈钱的现象。
风口会刺激产业迅速扩张，泡沫随之而生，机会越大，泡沫就越大。只有撇开泡沫，才能看清产业发展的新机会。
