大模型應用的商業(yè)化進展慢，為什么慢？

　　文|大力正手 教育行業(yè)研究者

　　編者按：

　　本文系多知網約稿。當前，不完全統(tǒng)計國內有超過80個基礎大模型，對于大模型來說，參與開發(fā)的畢竟是少數(shù)企業(yè)，中小企業(yè)更多的是使用者。但是，到現(xiàn)在真正應用大模型的商業(yè)化并不突出。本文作者從幾個角度來解釋大模型應用商業(yè)化進展緩慢的原因，并認為技術本質上是一種手段，而滿足用戶需求才是真正追求的目標。

　　自2022年底ChatGPT發(fā)布后，截止6月份，國內企業(yè)已經發(fā)布了約80個基礎大模型，打著AI旗號的產品更數(shù)不勝數(shù)。但實際上大模型的商業(yè)化一直存問題，可以說，并沒有幾家企業(yè)在大模型領域真正產生大額收入，其收入可能僅占估值的1/100，絕大部分都是靠著融資以及創(chuàng)始人自有資金將企業(yè)往前推進。文章將從幾個角度來解釋大模型應用的商業(yè)化進展緩慢的原因。

　　01

　　大模型還不足夠好，小概率但可能是大風險

　　當你問早期ChatGPT3.5“林黛玉為什么會倒拔垂楊柳”，他回答說“因為林黛玉悲傷過度，倒拔垂楊柳緩解悲傷情緒”;早期的文心一言更是會回答一些匪夷所思的答案。這就是模型幻覺——一本正經胡說八道。但當GPT-4出來后，再問他“林黛玉為什么會倒拔垂楊柳”，他會告訴你“林黛玉是紅樓夢的人物，倒拔垂楊柳是水滸傳的情節(jié)，兩個不能放在一起”。更精準的回答，正是模型幻覺的減少，這也意味著大模型正在越來越好。

　　然而，盡管大規(guī)模模型的性能正在改善，但他們依舊存在缺陷。在商業(yè)應用中，我們必須從小概率風險的角度去考慮。盡管GPT-4的錯誤可能相對較小，但在某些關鍵領域，如航空和醫(yī)療，即使只有一次的錯誤，也可能帶來嚴重后果。因此，我們發(fā)現(xiàn)大模型最先被應用于容錯率較高的行業(yè)，如聊天、游戲、社交等，因為在這些領域，偶爾的錯誤不會帶來嚴重的影響。另一種情況，大模型作為輔助決策的存在，如辦公場景中的會議摘要等，這也就意味著，在最終的產品或者內容觸達用戶之前，肯定有人的參與，來作為剔除小概率風險的保障。

　　02

　　大模型還不夠穩(wěn)，宕機了企業(yè)惹不起

　　GPT-4是目前最先進的大型人工智能模型，其優(yōu)越的邏輯推理能力引領著業(yè)界的發(fā)展趨勢，國內的研發(fā)也在不斷向GPT-3.5靠近。然而，對于中國的C端用戶而言，OpenAI的賬戶使用門檻較高，需要海外的郵箱、手機號和銀行賬戶，這使得只有少部分人能夠獲取到優(yōu)質的GPT-4服務。對于國內的B端企業(yè)希望使用GPT，一方面受限于國內法規(guī)限制，一方面open ai不定期對亞太地區(qū)特別是中國大陸進行封號，使得B端企業(yè)很難獲得穩(wěn)定的api接口。雖然可以通過微軟云服務的方式接入，但也存在著一定的不確定性。

　　在商用領域，穩(wěn)定性是至關重要的。就像游戲體驗中，最讓人破防的的往往是突然的宕機，而這在ChatGPT這樣的世界級產品中也出現(xiàn)過多次。對于依賴GPT-3.5或4作為底層模型的企業(yè)，用戶會對任何宕機行為產生抱怨，但他們不會關心問題的來源，只會感到服務的中斷并把憤怒發(fā)泄到企業(yè)。通常，企業(yè)會選擇備用模型以應對核心模型的突然問題，然而目前在商用層面特別是國內，還沒有能真正匹敵GPT-4的模型。這意味著，即使備用模型能保證穩(wěn)定性，其效果和用戶體驗卻可能大大低于以前，這是所有企業(yè)都不愿意看到的。

　　03

　　大模型還不夠便宜，模型之外還有成本

　　對于基礎大模型的開發(fā)，這顯然不是所有企業(yè)都能參與其中的，其訓練成本極其高昂。對于大多數(shù)人來說，更多地是從使用者的角度與大模型打交道。盡管對于采用大模型的企業(yè)來說，API的價格已經大幅降低，比如2023年3月份ChatGPT API的價格比2022年底下滑了90%，而在2023年6月份，輸入端的價格再次降低了25%。即使如此，這種新型的計算方式相較于傳統(tǒng)的運算方式依然更加昂貴。據(jù)路透社報道，谷歌的母公司Alphabet的董事長John Hennessy表示，與大型語言模型進行交互的成本可能是進行標準關鍵詞搜索的10倍。所以，雖然大模型的使用成本已經在不斷下降，但其價格依然不菲。

　　另外，僅僅將大模型接入到特定的領域，可能并不能達到最佳的效果。因此，在接入API并將其投入商用之前，企業(yè)還需要在諸多方面付出額外的成本。這包括數(shù)據(jù)準備和預處理的成本、模型訓練和調優(yōu)的成本、部署和運維的成本、模型更新和迭代的成本，以及法規(guī)合規(guī)的成本。所有這些因素都使得應用大模型的總體成本依然很高。

　　以科大訊飛的學習機T20為例，由于其搭載了星火大模型，其價格比前一代的T10高出2000元。據(jù)業(yè)內人士透露，這額外的2000元其實并沒有覆蓋大模型的成本?？紤]到市面上一臺普通的學習機，其硬件制造和版權購買的總成本也僅在1000-1500元左右，這就更加凸顯了大模型在商業(yè)應用中的高昂成本。

　　04

　　靠大模型創(chuàng)收，難，很難，特別難

　　商業(yè)得以運轉，核心是收益能否超越成本。目前的商業(yè)環(huán)境已經不再青睞通過燒錢搶占市場或者策略性虧損的策略，而是更傾向于自我造血的企業(yè)。然而大模型領域的企業(yè)自我造血能力均欠佳。

　　以目前的頭部大模型企業(yè)為例。OpenAI是目前最知名的AI大模型公司，雖然他們已經籌集了超過100億美元的資金，并且公司估值達到了290億美元，但是他們預計在2023年的收入只有2億美元。另一個例子是Hugging Face，作為全球最大的AI/ML社區(qū)和平臺，同時也是最重要的大模型基礎設施之一，他們的估值是20億美元，但growjo對其年收入預估僅0.3億美元。另一家獨角獸公司Adept AI，他們是AI助手(大模型應用)的開發(fā)者，雖然他們籌集了4.1億美元的資金，公司估值達到了10億美元，但growjo對其年收入預估只有0.04億美元，可以說幾乎還沒有商業(yè)化。

　　國內的各大模型公司，例如百度、阿里、騰訊、華為等，雖在大模型領域有所布局，但并未從中獲取實質性的豐厚收益。此外，大模型領域的中小型獨立企業(yè)，其收入可能僅為公司估值的百分之一。尤其對于直面C端用戶的產品，大公司在沒有全面考慮的策略前，往往謹慎行事，不輕易推向市場。因此，像文心一言、通義千問、星火大模型等產品，都需要用戶申請才能使用，而非直接面向公眾。對于中小型公司，雖然它們能迅速推出產品，但由于資金等限制，產品往往處于冷啟動，推廣困難，因此大模型領域的小公司用戶數(shù)通常較少。

　　大模型的確是一項優(yōu)秀的技術，但它當前的價值更多地體現(xiàn)在"錦上添花"，而不是"雪中送炭"。也就是說，大模型帶來的邊際價值，并未能滿足市場的剛需。從商業(yè)模式上看，大部分的產品都是以原產品的增值服務的方式提供，而非推出獨立產品。如多鄰國的涵蓋大模型AI能力的增值訂閱服務，售價30美元/月;Quizlet的增值服務AI導師Q-chat，訂閱費用為3.99美元/月。

　　大模型的上游企業(yè)收取中游企業(yè)的接入費，而中游企業(yè)則通過向下游用戶收費來提供基于大模型的產品。最終，是用戶的需求驅動了整個市場。但是，為什么用戶不愿意為大模型付費呢?

　　首先，AI領域的發(fā)展和普及需要時間。許多領域，包括專業(yè)領域如midjourney和GEN2，甚至包括熱門產品如ChatGPT，都還沒有得到廣泛的了解。其次，模型的成熟度對用戶的接受程度有重要影響。如果用戶接觸到的產品不夠成熟，他們可能無法充分體驗到大模型的能力，這可能直接降低他們對大模型的評價和付費意愿。最后，付費方式和費用也是影響用戶付費意愿的重要因素。如果付費方式復雜或費用過高，原有路徑依賴直接阻礙了用戶付費。

　　05

　　技術是佐料，需求才是主菜

　　教育信息化來說，一般情況下，購買方往往是學?；蚪逃?，而真正使用這些產品的卻是老師。只有深入了解教師在教學過程中面臨的實際問題，推出的信息化產品才能真正提升教學效率。過于追求大屏幕或快速反應等技術特性，往往只是企業(yè)自我陶醉。同理，此前線下培訓為何受歡迎?原因在于，面對面的教學效果通常更好，而且家長能把孩子交給老師，從而得到休息的時間。相較而言，盡管在線教育在某種程度上解決了學習問題，但家長仍需監(jiān)督孩子在家的學習，家長并沒有獲得整塊的休息時間。

　　識別用戶需求并不簡單，特別是在應用大模型技術的過程中?？赡芘c大模型簽約的并非實際的用戶，或者用戶根本無法表達出自己的實際需求。例如，在使用大模型實現(xiàn)學生答疑的時候，可能會以為學生只關注學習相關的問題，但實際上，除了提問，許多學生更渴望的是交談的機會。有時候，學生說出的十句話中，可能有九句是想與老師閑聊，但如果問學生，學生說，“我就是想問問題”。

　　因此企業(yè)必須深入理解用戶，尋找用戶真正的痛點，而不是讓技術變成一種噱頭。技術本質上是一種手段，而滿足用戶需求才是真正追求的目標。

　　當然，大模型商用落實到實踐的時候，還有更多的問題。我們也將在之后的文章中，逐一展開。

　　相關閱讀：

　　普通教育從業(yè)者也能看得懂的GPT原理：知其厲害，知其所以厲害

　　長遠看GPT等大模型對教育的影響

　　(本文僅代表作者個人觀點，供讀者參考。)