“2024年是大模型运行场景元年，中国齐全可以走出一条具备中国特征的大模型开展之路。”
周鸿祎的预测还言犹在耳，阅历了“百模大战”的国产大模型胜出者们，曾经吹响了商业场景落地之战的号角。
3月14日，大模型独角兽智谱AI开创人兼CEO张鹏披露了公司目前的商业化停顿：已有超2000家生态协作同伴，成功了超1000个大模型规模化运行，与超200家企业启动深度共创，涵盖了传媒、咨询、消费、金融、新动力、互联网、自动办公等多个细分场景。
3月18日，澜舟科技发布了“一横N纵”孟子大模型系列及产品，以孟子大模型为基础，面向多个ToB场景发布垂直畛域的产品。澜舟科技开创人&CEO 周明称，要打破 AI 落地的 " 最后一公里 " 难题。
也是3月18日，同为大模型明星公司的月之暗面发表，在大模型长高低文窗口技术上取得新的打破，Kimi自动助手已允许200万字超长无损高低文，同时发布了其在医疗、招聘、财务剖析等不同畛域的测试案例。
随着国产大模型不时解锁新的产品外形和运行场景，如何应用大模型技术助力企业生长、赋能产业更新，成为业界关注的焦点。
以下内容观念来自真正的AI和产业的后行者们，兴许能够引发一些思索。
1.大模型商业化，ToC还是ToB？
1、大模型技术迭代速度极快，往年将是关键的决战之年。大模型还开拓了新的商业形式。例如，咱们推出的消费劲优化平台，短短几个月内ARR滚动增长，估量往年将打破千万美元大关，这在传统ToB畛域是难以构想的。
2、咱们对大模型未来在agency才干上的实质优化持失望态度。AI幻觉虽然可以经过向量和RA等技术获取部分处置，但复杂推理、决策和义务口头才干的优化才是关键。假设往年下半年，大模型在这些方面取得了清楚提高，那么无论是ToC畛域的超级助理，还是ToB畛域的业务系统整合，大模型的运行都将成功质的飞跃。这将是AI技术运行的一个严重打破，为企业带来更深档次的转型和效率优化。
3、目前，大模型ToC畛域的推理老本较高，短期内难以产生超级运行。但大模型的泛化才干预示着ToB畛域的腾飞。
4、大模型的泛化才干能否能处置不同场景下的产品需求？咱们想知道，能否经过生态协作或IC（Independent Contractor）的形式，联合大模型的泛化才干，来打破中国ToB畛域过去十几年的困局。咱们宿愿能够缩小从数据到训练、推理、产品开发、运行实施的全链条自主研发和树立，转而寻求更高效的处置打算。
5、大模型ToB运行目前关键集中在内容生成和了解上，但大模型的复杂推理和决策口头才干预示着，它将逐渐浸透到企业的**业务系统，如ERP和SOP。随着下一代模型才干的优化，估量往年下半年或明年终，咱们将看到大模型在企业业务系统中的运行和落地，这将是企业真正开局大规模运行大模型的终点。
6、在的企业运行中，与内容关系的AI技术需求普遍存在，如机器翻译、自动写作、企业常识库的自动问答等，这些简直成为一切企业的基本需求。但是，国际市场或者很快会变成竞争强烈的红海，企业间将围绕性价比开展强烈竞争。
7、中国市场的特点使得客户偏差于定制化服务，这往往造成名目制的形式。虽然名目有毛利，但公司全体盈利才干较弱。咱们正在反思，如何打破这一局面，特意是思索产品规范化的或者性。
8、大模型提供了一个新的视角和尝试。传统上，ToB和ToC是两个一模一样的畛域，但如今咱们发现，ToB可以加长到ToP（Professional User），而这些专业用户实质上是B端的一个节点，进一步可以衔接到C端。换句话说，大模型赋能的产品和运行可以超过C、P和B的界限，这种跨界产品是咱们特意宿愿赋能的。
9、在ToB畛域，咱们不只依托开源大模型的规模和技术上游，更应依托产品和商业化形式的上游来取得长处。
10、无论是ToB还是ToC，老本、效率和体验都是选择产品成功与否的关键起因。只要在这三个方面都做到优化，产品才干真正满足市场需求，成功商业化落地。
11、无论是面向消费者（ToC）还是企业（ToB），咱们都须要打造优质的产品和服务。真正的用户体验和满足刚需是至关关键的。在大模型存在无法靠、失误消息和幻觉等疑问时，用户体验的翻新空间渺小。因此，产品和服务的品质是咱们须要强调的。
2.中国AI的未来在于产业落地
12、中国的未来时机在于产业的落地，以及不可胜数开发者和各行各业的激情。这种激情将催生出意想不到的翻新，将AI的便捷配置加大，处置实践疑问。
13、咱们特意器重技术和运行如何奇妙联合，成功互动。技术的繁多方面或者不够片面，运行的浅显也或者限度其后劲。经过迭代，咱们可以探求新的翻新力气。同时，关注用户体验和老本是至关关键的，这是成功最后一公里的关键。假设不与用户严密协作，产品或者永远逗留在演示阶段，无法成功真正的打破。
14、为了防止过去人工自动的低谷，咱们须要实真实在地将AI技术落地，处置实践疑问，这样才干迎来新的浪潮。器重与企业协作，了解他们的需求，从而倒推技术开展的方向。专一是第一步，而后再谋求极致。服务形式（model service）、订阅服务（SaaS）、API调用或本地部署等，每一条线都要探求其时机。只要用户满意，商业形式才无心义。
15、在面对大模型技术的极速开展时，咱们必定坚持明晰的看法，防止被其势头所淹没。许多守业公司在大模型产生后迅速被推翻，因此在开发大模型运行时必定明白咱们的长处所在，并找到那些不会被底层大模型或两边层所取代的元素。关键在于寻觅特定的运行场景、行业数据或部分数据，这些是让咱们在技术浪潮中坚持竞争力的关键。
16、即使在同质化竞争强烈的市场中，性价比也是选择性的起因。随着大模型的来到，算力成为了一个瓶颈疑问。我不时在关注，如何经过技术架构层面或芯片层面的翻新来处置这一疑问。例如，开源芯片设计能否能够与大模型相联合。虽然守业公司或者无法波及底层技术，但在运行层面上，咱们可以努力提供极致性价比的产品和服务。
3.大模型开源还是闭源？
17、在AI时代，我坚信开源是推进技术提高和翻新的最佳形式。开源将使大模型不受地区、文明、言语、政治观念和看法外形的限度，能够促成世界范围内的协作与共享，真正造福全人类。
18、开源的力气是无法阻挠的。在国际市场，开源大模型的基础运行和实践落地正在迅速开展，这种开展不只展现了开源形式的后劲，也为世界AI技术的提高和翻新提供了新的动力。
19、开源确实是一件具备严重意义的事件，它将技术独裁化，任何有翻新想法的人都能应用开源模型极速成功和迭代。这种开明形式也打破了大公司的垄断，为团体和小团队提供了对等的竞争平台。即使是大型公司，其闭源模型的研发力气也无法与世界千万级开发者和数十家公司的协作相比。
20、开源的协作力气目前还不够充沛，虽然存在如Apache 2.0等协定促成协作，但仍面临应战。在这个AI时代，假设大家能够勾联协作，将是最无利于开展的战略，虽然这对小公司来说或者存在一些应战，比如在开源与闭源之间做出适当的选用。假设企业能秉持开明共享、对等协作的态度，协作同伴将会越来越多。
21、OpenAI选用闭源，这面前有其正当的担心。大模型的弱小才干或者难以控制，合规和监管疑问也是OpenAI思索的重点。他们以为闭源可以更好地控制危险。
22、大模型原生指的是，那些只要在AI大模型允许下才干降生的翻新，传统的技术或者无法成功这些翻新，比如原生于大模型的运行Character AI，这些在没有大模型的时代是无法构想的。如今，我特意关心的是这些大模型原生技术如何在美国开展。
23、常年来看，人工自动技术无疑会逐渐迫近通用人工自动（AGI），但何时能够真正到达这一指标，这还是一个开明的疑问。每一天，AI都在取得新的才干。
24、短期来看，虽然AI技术如多轮对话和翻译有所提高，但如何将这些才干落地并转化为实践价值，尤其是如何成功商业化，仍是一个严重应战。
4.中美AI开展差距在拉大？
25、在AI畛域，大模型、多模态和生态是三个关键词。美国已构成三大营垒：微软与OpenAI联盟、谷歌DeepMind，以及开源社区。这些营垒在大模型畛域各有千秋，OpenAI在通用大模型方面上游，而中国的AI企业则在追逐，努力于开发千亿级规模的模型，并内行业特定模型上取得停顿。多模态技术也在迅速开展。生态方面，中美差异清楚，尤其在投融资环境和公司估值上。宿愿往年这种状况有所扭转。
26、咱们坚信，多模态技术的开展方向将从组合式走向一致的原生多模态，最终成功大模型的整合。这一技术路途是咱们锲而不舍的谋求指标。在3.5版本之前，模型架构可以参考GPT-3，但之后的大模型开展已进入无人区，须要弱小的前端钻研和翻新才干，这是中美技术竞争的关键时辰。
27、美国在模型算法方面的成就，中国不只能够迅速了解，而且在很多方面也介入其中。例如，微软钻研院提出的神经网络架构曾经被宽泛运行。中国在原创技术方面并不逊色，但咱们可以从美国的通常中学习，特意是在顶层设计方面。咱们缺乏的是国度层面或联盟体对大模型未来开展的明白布局，包含**技术、必要趋向和关键模块。假设咱们能够明晰定义这些要素，并极速攻关，即使算力无余，咱们也有或者经过算法或运行的翻新来补偿这一无余，从而在某些方面与美国竞争。
28、咱们的大模型开展须要与国度的全体趋向相协调。目前，咱们的许多翻新都是追随美国的步调，对美国的技术和模型启动改良。但是，咱们须要的不只是技术上的部分翻新，而是一个综合趋向来推进这些组件技术的行进。
29、运行驱动是至关关键的，而中国在运行场景方面并不逊色于美国。假设咱们能够从场景和运行登程，反向驱动技术翻新，提高效率，咱们将能够更好地推进国度经济和消费劲的优化。
30、展望未来，咱们宿愿中国能成为首先波及关键疑问的国度或机构，并仰仗中国人的翻新才干，在下一轮人工自动翻新中引领国际潮流。一旦这种迭代开局，我置信随着期间的推移，咱们能够逐渐处置算力等疑问，并在国际上取得上游位置。
本文转载自： i黑马
作者：