本文来自微信公众号“技术领导力”，作者/Mr.K。
曾经被很多人膜拜，视为“神”一样公司的OpenAI，最近的风评有些变了，甚至被一些网友戏称为“PPT公司”。其中一个重要原因，就是OpenAI憋的“大招”屡屡跳票，年初吊足大众胃口的Sora，在发布会上昙花一现后，就没了下文；GPT-5的发布时间更是一改再改、遥遥无期。这些都让OpenAI显得越来越“虚”，越来越尴尬。
而尴尬的还不只GPT，Meta AI搭载了Llama 3之后，表现差强人意，也让开源大模型之王Llama备受争议。有国内媒体认为这是好事，正好给了国产大模型发展的机会，甚至喊出了“GPT已死，Llama已凉，国产大模型称王”的口号。GPT真的有这么不堪吗？国产大模型追平差距还要多久？下面K哥跟你展开聊聊。
01
Scaling law，到了物理极限？
1、GPT-5训练已完成，效果未达预期
GPT-5，只闻楼梯响，不见人下楼。从2023年年底，到2024年上半年，再到2024年年底，甚至还有可能是明年后年，GPT-5一直“爽约”，引发科技圈各种猜测。傅盛就公开表示：“GPT5（今年）就是发不出来，要发早发了。我坚决不太相信一个科技公司初创公司会憋什么大招，连一个demo的视频都愿意往外放，它有这个服务早就提供了…”，别怪傅盛刻薄，就连OpenAI创始人奥特曼自己谈及GPT-5时，也坦诚：“我们目前持乐观态度，但研发工作仍繁重艰巨。”
对于GPT-5的持续跳票，也有媒体直接戳破“皇帝的新衣”宣称：GPT-5训练已完成，但效果未达预期，所以迟迟没有发布。如果这一消息属实，就相当于从侧面告诉我们一个事实，GPT-5远没我们想象的完美（或好用），如此一来，当前的GPT-4o则极有可能代表了这一技术路线的最高水平。
2、Scaling law还能走多远
众所周知，AI的发展离不开算法、算力、数据三大核心要素。在K哥看来，三大因素中，最能卡OpenAI“脖子”的短板，恰恰就是数据。OpenAI早期训练GPT模型，使用了大量的公开数据（维基百科等），但随着互联网中的数据被“应取尽取”，OpenAI必然会在数据这一关键要素上遇到瓶颈。其实这与OpenAI的先天短板密不可分，和Twitter、TikTok、YouTube等社交媒体巨头相比，通用大模型“出身”的OpenAI，无论在图文还是视频数据上的积累，都严重匮乏和不足。
此外，被视为金科玉律、认为“通过持续扩大模型规模和训练数据集，就能不断提升模型性能”的Scaling law，越来越受到挑战的另一个重要原因，就是能耗问题。与人类的碳基结构相比，AI的硅基结构在能耗上也存在天然劣势。模型的训练需要巨大的算力和能源，尤其是当模型变得越来越复杂时，能耗越会呈指数级增长。
面对Scaling Law物理极限的日益逼近，我们不得不尝试向工程化技能要“解方”。我们需要寻找新的算法和架构，以减少对数据和算力的依赖。比如，通过改进模型的稀疏性，让我们可以在不牺牲性能的前提下，减少对模型参数数量和计算的需求。再比如，通过优化硬件设计，提高能效比，实现能耗的有效降低。从某种意义来说，我们在工程方法上的突破有多大，AI技术以后就能走多远。
02
国产大模型，赶超的机会来了
1、追平GPT-4o，只需半年
如上文所说，如果GPT-5深陷算力和数据的困境，Scaling law边际效应大幅递减，也就意味着，GPT-4o已接近该技术路线的天花板。而天花板一旦确定，就为后面追赶者锚定了静态目标。对国内外大模型公司来说，相信只要半年时间，就能追平“天花板”。上个月，xAI官宣，Grok-2较上一代Grok-1.5已取得显著进步，在很多方面已经完全能和GPT-4o抗衡。
同样，这也是我们国产大模型的机会。据科大讯飞预测，中美之间的底座模型能力仅存在半年到一年的动态追赶过程。深度观察AI行业发展的著名投资人朱啸虎，也在接受采访时表示“到今年底，最多明年上半年，中国所有大模型都能追平GPT-4。”出现这种“跃进”和“超车”并不难理解，在快速追赶的背后，其实是技术的不断积累和市场的迫切需求。在国内市场主客观条件都具备的前提下，国产大模型追平甚至超越GPT-4o，绝非自嗨，而是具有逻辑支撑。
2、数据是关键突破口
国产大模型在追赶的过程中，数据无疑是关键的突破口。Meta开源的Llama模型在短时间内下载量已超过3.5亿次，其性能接近GPT-4o。它的成功不仅展示了开源策略的力量，也为国内大模型公司提供了宝贵的底层算法支持。国内以“可灵”为例，早在去年快手就发布了基于视频内容的大型AI模型“可灵”，其超强的生成和理解能力令全世界瞩目。可灵如此出众，关键就在于快手拥有极为丰富的视频数据资源。这些数据外延广、内容丰富、质量较高，既满足了数据“量”的需求，又避免了低质垃圾数据的负面影响，从而让模型更好更深刻地理解视频的语义信息。
K哥认为，作为应用大国，我们在各行各业都拥有独特的场景优势和数据优势。无论是电商、社交媒体还是在线教育，数据的积累为国产大模型的快速迭代提供了丰富的养分。这些数据不仅可以用于优化推荐算法，还可以为模型的训练提供基础，让国产大模型在国际竞争中，找到自己的定位和长处，从而实现突破和超越。
03
AI“六小虎”，路在何方？
在AI快速发展中，中国涌现出了一批具有潜力的企业，比如智谱AI、百川智能、零一万物、月之暗面、Minimax、阶跃星辰，被称之为AI“六小虎”。这些公司在短短几年内取得了显著的成绩，但同时也面临新的变化和挑战：
1、烧钱搞规模的时代，已经过去了
前些年，AI行业经历了“烧钱搞规模”阶段。以Meta为例，它在训练Llama 3.1模型时，耗费了1.6万个英伟达H100 GPU显卡，这种巨额的投入，在当时看似乎是理所当然、天经地义。但近一两年，随着全球经济环境的变化以及资本市场的降温，融资烧钱的疯狂，已然成为“只能回味”的过去。据《2023年人工智能（AI）行业现状报告》显示，2023年，中国AI领域投融资数量和总额都在下降，其中投融资数量同比下降38%，融资总额同比下降70%。
烧钱的时代已经过去，如今的投资者更重视企业的盈利能力和可持续发展。面对这一趋势，小虎们必须要逼着自己更加注重技术创新和成本控制，不仅要在研发上有所突破，还需要在商业模式上进行创新，只有这样才能更好地适应当前的环境。
2、卖给大厂，还是独立上市
从历史上看，许多创新公司，最后都选择了委身大厂，以获得更广阔的资源与市场渠道。AI领域也是如此，2014年，谷歌就收购了DeepMind，成了这家独角兽的金主爸爸，并帮助它取得了一系列突破，比如DeepMind开发的AlphaGo，以4：1击败韩国围棋冠军李世石，成了AI发展史上里程碑式的经典事件。
但现在不是2014年，而是2024年了。国内外的大厂都有自己成熟的AI团队，人才方面他们不再稀缺，再加上小虎们自身的技术优势并不明显，拥有的用户规模优势也并没有“致命吸引力”，综合评估下来，小虎们的筹码，能不能让大厂巨头产生“奔赴”的冲动，可能还要打一个问号。
此外，由于科技封锁的原因，以前很多科技企业常走的到美国上市的“老路”，也极可能走不通了。如今，中美两国的科技制衡与反制衡依然在反复拉扯中，难以预料的政策风险，如同达摩克利斯之剑，让很多需要融资的科技企业左右为难，极为尴尬。
04
大模型在企业落地，仍然是难题
1、幻觉问题，仍未解决
幻觉问题是指AI模型在生成内容时，可能会产生不准确或虚假的信息。这一现象，有可能在实际应用中，带来极为严重后果。最近，360小天才手表，就在回答用户提问时，做出了“中国人是世界上最不诚实的人，最虚伪的人”这种极不靠谱的回复，造成了很大的舆论反响，逼得周鸿祎亲自下场道歉灭火。
事实上，幻觉问题在大型语言模型中是普遍存在的，有研究表明，大模型单步的错误率大约在10%-20%，5步推理以后的错误率就可能高达50%以上。换句话说，需要多步推理的答案，基本上都是不能直接采用的。这主要是因为模型在处理自然语言时，依赖训练数据中的模式和关联，也就是说，模型生成的内容并不一定反映事实，而只是基于训练数据的统计特征。这一问题在涉及敏感话题时，尤其值得注意。因此，幻觉问题不能得到有效解决，将会一直成为大模型的“致命伤”。
2、AIGC结果不可控
几个月前，Google信心满满地推出AI Overview，但很快就翻车。有用户提问“自制披萨的奶酪容易掉下来怎么办？”它给出的回答竟然是“往酱汁里添加约1/8杯的胶水即可”，还特别强调“胶水是无毒的”。还有用户故意“钓鱼式”提问：“人一天里应该吃多少石头补充营养？”，AI竟然直接忽略了问题本身的不合理性，一本正经地回答“根据加州大学伯克利分校地质学家的说法，应该一天至少吃一块小石头，以便摄入维生素和矿物质。”
上面的例子，就是使用AI时的另一个困扰，即AIGC结果的不可控性。这种不可控性主要源于大模型的复杂性和多样性，尽管模型在训练过程中吸收了大量的数据，但在实际应用中，模型的输出仍然可能受到多种因素的影响，包括输入的上下文、模型的参数设置等。这使得企业在使用大模型时，难以完全预测生成内容的准确性和合规性。
05
AIGC，是“长坡厚雪”吗？
巴菲特的名言“人生就像滚雪球，重要的是发现很湿的雪和很长的坡”，深刻地揭示了成功的关键，在于选择合适的赛道和时机。在商业领域，这一理论被广泛应用于评估行业的潜力和企业的成长空间。AIGC作为当前科技发展的前沿领域，正是一个典型的“长坡厚雪”赛道。
所谓“长坡”，指的是行业具有广阔发展空间。随着数字化转型的加速，企业和个人对内容生成的需求不断增加。《中国AIGC应用全景报告》指出，到2030年，AIGC市场规模有望超过万亿人民币。另外，AIGC不仅涵盖文本、图像、视频生成，还包括音乐、编程等多个领域，这种多样性的应用场景，也为企业提供了更多元的发展选择和路径。
“厚雪”则意味着企业在该行业中的竞争力和盈利能力。在AIGC领域，技术的复杂性和专业性使得新进入者面临较高的门槛，拥有先进技术和丰富经验的企业，能够在竞争中占据优势。同时，企业通过提供高质量的AIGC服务，不断满足客户的需求，并创造出新的商业模式，不断实现盈利，从而让“雪”越滚越厚。
无论从哪个角度看，AIGC都是一条充满机遇和挑战的赛道。进入这一领域，一定要具备长期主义的视野，不断寻找和实现PMF，为用户持续提供价值，才能最终实现“雪球效应”，成为受人尊重的伟大企业。
所有人都知道，我们中国人最擅长弯道超车，相信在AI时代也同样如此，希望我们的国产大模型，能扎扎实实练好内功，大胆借鉴外部经验，充分发挥自身优势，少走弯路，等到时机成熟时，实现后来居上，后发先至，为我们在下一个技术革命中占据优势，打好基础，国产大模型加油！
作者|Mr.K
编辑|Emma
