国王金融官网

“To B or not to B？这是 AI 大模型的「哈姆雷特之问」。”                                

跨入2023年，大模型鼓起、许多公司「跑步出场」的头几个月，大模型一边倒向 C 端类 ChatGPT 的研制，对本钱、功率更灵敏的企业客户好像不在重视焦点。

但是近两个月，状况发生了改变。依据医疗、金融、教育等笔直职业的大模型开端呈现。而现已发布通用大模型的公司，也在针对职业推出模型服务。

这将给大模型的商场开展带来什么改变？

01  MaaS的疑问

跟着「大模型是AI年代的基础设施」的提法家喻户晓，MaaS（Model as a Service，模型即服务）的概念逐步广为人知。简略来说，用户能够直接在云端调用、开发与布置模型，而无需出资构建和保护自己的模型所需的基础设施、硬件和专业常识。

但从「用家」的视点来看，这一形式还有疑问。

现任某闻名智能家居品牌 CTO 的陈平告知雷峰网，他们的智能产品销往全球各地，对大模型有杰出需求，便是想用大模型来提高多国言语辨认与处理的才能。从前的语音辨认做不到「一模通用」，而是要依据不同的国家规划不同的计划，但 ChatGPT 出来后，他们调用 API 调试，发现大模型能有效地处理这个问题。

在海外，该品牌与亚马逊进行协作。他们的产品本身就需求经过亚马逊的渠道在海外出售，亚马逊自己做的 Echo 音箱也卖到海外很多个国家，验证了亚马逊语音辨认技能的成熟度。尽管亚马逊的功率本钱比较高，但能够较好地满意他们的需求。

但在国内，他们还不知道该用哪一家的模型：现在国内已发布的大模型数量太多，假如他们要将一切的模型都验证一遍、逐个比照模型的作用，那么所耗费的人力本钱会非常大。

国内模型才能的「卖方」可分为两类：一类是BAT等大厂和大模型草创公司（如智谱、MiniMax）为主；此外还有大模型的「中间商」，主要是依据大模型开发使用型服务的创始团队，包括底层算力与结构的供给者，乃至还包括供给大模型微调的第三方公司。

陈平的主意，反映了部分B端大客户的需求，他们期望有一个专归于本身职业的大模型，这正好介于两类卖方所供给的产品与服务之间。

一位大厂工程师在与雷峰网的攀谈中，将商场需求分为金字塔的底层、中层与上层：

底层是通用大模型，如 ChatGPT。据不完全统计，曩昔三个月里，国内发布了超越 70 个 To C 通用大模型产品，如百度的文心一言、阿里的通义千问、科大讯飞的星火等等。

中层是职业大模型，如彭博发布的金融大模型 Bloomberg GPT，这类大模型或是与底层想做大模型基础设施的通用大模型厂商协作定制，或直接调用 API 接口，或大厂云厂商自研。

上层是一系列使用型服务，依据通用大模型或职业大模型开发 AI 东西，如构建一个专心于论文解读（含翻译、摘要总结、生成等等）的学术渠道。

从数据安全的视点看，陈平更喜爱与大厂协作，由于第三方公司尽管懂得练习大模型，但不明白智能家居的常识，他们仍然要供给很多的数据给对方练习，而数据供给曩昔后，他们一是无法保证模型的才能得到延展，二是无法防止第三方公司将这些数据与对应的模型卖给陈平地点品牌的竞争对手。

当理论落地实际，陈平的窘境也是许多 B 端企业的一起难题。

02  重回焦点

曩昔三个月，国内大模型产品规划一味跟随 ChatGPT，将问题的界说交给用户自由发挥（俗称「AI 召唤师」），造成了严峻的同质化，大模型的使用局限于文本生成、代码生成等通识特点强的场景上，满意用户交际、文娱或发明的需求。

更挨近出产，关于本钱功率要求更高的工业商场，并未被过多提及。

本年 5 月份，陈平从前测验联络一家大厂的大模型团队，期望讨论大模型落地计划，得到的回复是优先级不在智能家居职业。

但眼下，大厂和创业公司们正在将眼光从头聚集于工业。

之前，国内类 ChatGPT 的大模型产品都无一例外地偏重「对话交互型」，而非「常识增强型」，大多数 C 端用户与 AI 的对话内容趋向于「Chat」（闲谈）而非「GPT」（生成/发明）。但另一方面，C 端用户的付费志愿低，To C 的通用大模型产品短期内无法仿制 ChatGPT 的成功形式，在同质化产品的围攻下被逼参加资源比赛的烧钱游戏。回过头看，To B 客户付费志愿高。跟着商场回归理性，大模型挑选 To B 简直成为职业内心照不宣的一个范式。

有陈述指出，B端的Mass服务需求针对职业范畴和事务场景进行很多工程作业，但B/G端客户付费才能更强，未来盈余空间以及生长空间宽广。

但To B客户的需求也更「强势」，一不小心走歪，很或许回到上一代 AI 模型定制化的老路。

例如，市面上现已呈现了一些专门供给模型精调服务的第三方公司。

雷峰网了解到，这类第三方公司选用一次性开发 订阅的收费形式，如初始研制费用 100 万、再加上终身授权答应的设备费用（8块钱一个），协助 B 端客户依据需求练习出满意它们职业需求的大模型，然后在客户的渠道上进行私有化布置。由于在市面上暂时找不到适宜的标化产品，这类公司受到了没有自主研制团队、一起又渴求大模型才能的B 端企业客户（差异于大 B）的喜爱。

03  两个盲区

雷峰网也重视到，越来越多大模型的研制团队预备弯道超车，绕过剧烈的C端商场，专心研讨面向职业的大模型，如王小川树立的百川智能就刚刚推出了一个参数规划 7B的开源商用模型。

腾讯也计划在 6 月 19 日发布职业大模型及商用练习渠道。在此前4月，腾讯发布了的面向大模型练习的新一代HCC高性能核算集群，全体性能比曩昔提高了3倍，并经过腾讯云MaaS面向企业输出模型练习相关服务。

看起来，腾讯没有急于推出谈天帮手产品，而是挑选了通用大模型、职业大模型两条腿走路，进一步对外开释职业大模型服务才能。在刚刚完毕的中关村论坛上表明，李彦宏提出未来每一个职业都会有归于自己的大模型。大模型会深度融合到实体经济当中去，赋能千行百业，助力中国经济创始下一个黄金30年。阿里发布的模型即服务三层架构中，也涵盖了企业专属大模型。

能够看出，企业客户对大模型落地很火急，各类厂商与创业者也在追逐需求。

事实上，B 端企业客户往往自带场景与数据，是大模型落地的*查验场。那么，在大模型的落地上，企业客户最关怀什么？

据雷峰网调研，大模型在企业落地有两个盲区：一是数据安全，二是本钱可控。

数据安全包括「数据隐私」与「专业常识」两块，职业人士以为，ChatGPT 生成的答案应该由相关范畴的专业人士判别。依据通用大模型，现在用户并非将专业常识输入模型后就能得到专业的成果。此外，陈平指出，使用型的公司根本不愿意将本身微调的模型奉献到公有版别里与其别人共享，所以企业仍是倾向于练习自己的大模型。练习完后在本地进行私有布置。

职业现有的一般做法是，供给一个通用大模型，然后开放给职业的客户去微调，再进行私有化布置。可陈平的经历是，以 Open AI 为例，尽管它们开放了 API，但API无法私有化布置，客户无法在最新的模型版别上微调；大模型的技能改变太快，对企业来说，跟上潮流的本钱太高。

一家企业的CTO向雷锋网表明，现在大模型在企业落地的本钱分两块：一是模型前期微调与练习的本钱，二是模型后期与事务结合的运转本钱。大模型的练习需求算力、数据与工程等几块系统的支撑。「企业要考虑练习定制化模型的人力与时刻本钱，更倾向于挑选能一起供给两种才能的厂商，将模型练习与运转本钱降到*。」

一个值得警觉的点是：现在看来，并非一切的场景都适宜大模型落地。大模型刚火起来时，一些职业与未及时推出大模型技能或产品的公司忧虑本身事务被大模型改写，张望两个月后，他们发现「自己想多了」。他们以为，原因或许有两块：一是短少提出好问题的 AI 产品司理，二是大模型的技能特点所限。找场景一直是技能公司的难题，相同也是 ToB 的难题。大模型团队寻觅适宜的场景，也是深化 To B 服务的要害一步。

每个把握大模型自研才能的公司都想做大模型年代的「基础设施运营商」。三个月下来，职业现在只能确认，假如大模型真的是 AI 年代的智能运营商，如水电网等社会基础设施，不管现有的职业玩家再多，终究也只要少量几家能成功。

先发有先下手为强的优势，后发有后发先至的或许，大模型驱动新出产力的游戏还在持续。假如大模型真的代表一个新年代，职业团体多花点时刻进行深化考虑也无可厚非，现在看来，持续留在牌桌上就现已是正确的一步。