大模型的浪潮在这片土地上燃烧了半年，随着华为、京东、携程等巨头纷纷发布新品，国产大模型迎来了自己的首次大考。然而与其他业务不同，新能源车、手机等领域的半年考都有明确的数据支撑，而大模型至今仍笼罩在”黑盒子”的迷雾中，商业模式模糊不清，数据论据也难以形成。这种状况颇为讽刺，即便从产品功能角度，大模型也缺乏通用的评测标准。国内用户常用的”松鼠鳜鱼法”等评测方式，更多是面向AGI这一终极目标的探索，而非成熟的商业评估体系。因此，国内大厂大多效仿OpenAI的封闭策略，采取内测模式，而大模型的落地探索则更倾向于B端与G端市场。腾讯的行业大模型、华为的盘古3.0、京东的灵犀等，都聚焦于展现成熟的产品形态，以商业化落地为首要目标。这类大模型在推动商业化的同时，本地化部署能力也成为重要考量指标。即便如此，业内人士指出，即便是最具商业价值的行业大模型，至今仍未获得企业客户的广泛认可，行业模型的风潮自6月起已持续一个月，但商业合作仍未见大规模落地。投资市场的表现更是直观反映了这一现状：与大模型相关的投资集中于二级市场而非一级市场，即使是王慧文这样的行业领军人物，其A轮融资也远不及OpenAI获得的微软百亿美元投喂。投资市场的晴雨表作用明显，国内大模型在半年考中的表现显然不尽如人意，仍需时间沉淀与打磨。
大模型商业模式缺失的问题已成为市场关注的焦点。ChatGPT作为用户心智中的头把交椅，近期热度明显下降；百度与阿里等国内最早发布通用大模型的厂商，在众多玩家涌入后也陷入沉寂。究其原因，正是通用大模型的商业模式未能成功构建。尽管在舆论场中获得了用户认可，但商业闭环始终无法形成。以百度文心千帆为例，其付费模式以调用生成的token数量收费，标准为0.012元/千tokens，输出千字文稿需花费0.12元。但文本生成往往需要多次交互才能获得理想结果，多次prompt将无限增加隐性成本。问答社区的场景更为相似，用户思维是问题粒度，付费意愿往往只在找到高质量回答后才产生。百度选择推理文本数为付费标准，但当前仍无法覆盖商用隐性成本。若采用B端更偏好的月度付费模式，只是将成本支出方从用户转为自身，绝非长久之计。ChatGPT面对C端用户20美元/月的定价尚存争议，可见通用大模型在B端和C端都难以实现盈亏平衡，同时还面临AI伦理、监管等合规性风险。因此，大模型的行业化、垂直化成为必然趋势。
行业大模型虽源于落地需求，但在实际应用中仍面临诸多挑战。依托自身产品生态打造的垂类to C模型，如知乎知海图AI和携程问道，都拥有自有的社区生态和高质量内容资源。内容作为行业数据，经过简单清洗即可成为大模型的训练语料。但就目前来看，无论是知乎还是携程，其大模型产品形态都未能精准切中用户痛点，也未对既有功能带来显著提升。知海图AI的”热榜摘要”功能通过AI抓取优质问答并润色改写，而”搜索聚合”功能则聚合观点提高信息获取效率。但这些功能本身已是知乎的”传统艺能”，大模型赋能后的表现并未在用户层面掀起波澜。AI改写润色的流程甚至覆盖了热门答案的个性化特征，与内容社区所倡导的差异化、个性化交流背道而驰。携程问道作为旅游业的”可靠答案库”，其产品成效还有待时间检验，但从定位来看，同样存在”舍本逐末”之嫌。旅游本不存在标准答案，多样化旅游形式的出现已证明这一点。若大量用户通过AI制定旅游路线，千篇一律的规划反而可能影响社区交流与氛围，甚至导致用户停留时间下降。
垂直模型在C端的落地尝试并不顺利，甚至可能成为”沉没成本”。或许受大模型”提高效率”神话的影响，产品定位大多局限于效率维度，但效率仅是用户体验中一个非核心的维度。相同的范式在to B领域也有所体现，而追求效率的B端，行业大模型的商业模式与落地问题更为突出。一位业内人士指出：”AI不是物理，很少有理论上的重大技术突破，更多的是在模型结构、数据质量等维度做微调和小优化，甚至很多时候模型输出更好了，团队却找不到原因。”大模型在业内外存在巨大认知偏差，原因在于其训练过程是一个不折不扣的”黑匣子”，外界很难审视其推理过程。这种认知偏差导致企业在向to B路线转型时持审慎态度，即使ChatGPT引发热潮，许多企业仍缺乏导入大模型的动力和兴趣。云计算行业数年前的经历可见一斑，大模型在企业客户的普及之路显然更为漫长。行业大模型究竟好用与否，最终还需使用者挖掘。外界甚至通过”松鼠鳜鱼法”等测试来衡量模型水平，近期华为盘古气象大模型因预测台风错误而遭受质疑。京东灵犀大模型选择优先跑通自家业务场景，预计明年初才对”外部严肃商业场景”开放。商业化导向下的所谓行业模型，在取代大模型”通用”叙事的同时，也引发了关于行业大模型定义的讨论。
所谓行业大模型，其内涵不在于参数量多少，而在于使用通用数据训练而涌现出的通用能力。若采用相同模型架构但在数据上使用单一领域数据，不仅丧失通用能力，甚至可能因”涌现折扣”导致领域问题也无法解决。在原大模型基础上使用行业数据做二次预训练，相当于微调，仍处于模型层；而通过prompt或外挂数据库方式加入领域知识，则仅是对原模型能力的激发，应归属至模型之上的应用层。目前大厂中发力行业大模型的绝大多数属于前者，如腾讯、京东、华为等；后者因投入更轻、模型能力提升更快，更多出现在开源社区，如法律大模型ChatLaw。一位业内人士称，后者在产品形态上更成熟，便于快速构建模型能力，但完成领域知识灌输后，上限会更高。
开源生态的崛起正威胁着闭源头部厂商的地位。Meta在开放商用许可下免费提供其最新开源大模型Llama2，并将其引入微软Azure平台，标志着开源LLM的重要里程碑。开源派早在此前便以第三方身份悄然崛起，谷歌内部文件曾预测”真正的赢家未必会从OpenAI和谷歌中产生”，原因在于日益丰富的开源生态。开源技术分享和人才流转使大模型的”黑匣子”效应逐渐减弱，缺少壁垒的闭源厂商在巨量资金和时间投入下，其Know-How可能被开源社区轻易倾覆。国内头部大厂对此采取”两手抓”策略：左手”关门造车”，以小规模内测形式打磨产品；右手”集思广益”，以云端开发者生态为基础打造开源社区，但这仍需厂商自算力层、模型层到应用层的全栈布局。阿里云推出大模型开源社区魔搭GPT，华为云、百度云、腾讯云也均有布局。
无论是行业还是通用，to C还是to B，大模型的半年考都揭示了几个关键问题：落地困难，盈利预期不断后移；风险渐强，技术壁垒难以建立。那么，当下的破局之路在哪？目前有两个值得关注的方向：一是被誉为”AI时代的Memory”的向量数据库，二是模型智能赋予下的智能硬件。向量数据库可以代表任何东西的多维数据，包括文本、图像、视频、音声等，支持语义检索，相当于大模型的SEO。领域知识可以通过向量数据库能力，或精调或外挂来提高行业模型的建构和使用。自5月起，资本便不断涌入向量数据赛道，作为前景更为确定的应用层产品，向量数据库也收获了一众VC的密切关注。至于智能硬件内置模型，则是相对曾经的” Siri”、”小爱”等智能助手能力的跃升，也是对真正智能设备的外延拓展。开源社区内早有将大参数模型内置MAC的尝试，而大厂在移动互联网时代积累的硬件生产能力，使其在智能硬件领域更具先发优势。
少了PR式的春秋笔法，落地成为核心需求的大模型不再神秘，故事也越来越少。正在”深潜”的赛道玩家们仍在发力。行业需要下一个”ChatGPT”时刻，我们才能看到潜水者浮出水面，正面对抗。
