网络安全检测|网络安全服务|网络安全扫描-香港墨客投资移动版

实际上，" 开源派 " 早在此前便以第三方的身份悄然崛起。" 我们没有护城河，OpenAI 也没有。" 这句话出自 5 月谷歌意外泄露的一份内部文件。其内容大意是表面上， OpenAI 和谷歌在大模型上你追我赶，但真正的赢家未必会从这两家中产生，下此判断的原因便在于愈加丰富的开源生态。

开源生态愈发活跃，乃至于出现了模型能力的代表 Llama2 以及 Finetune（模型微调）范式的代表技术 LORA，这一切都让闭源争取 " 大力出奇迹 " 的巨头厂商感受到明显寒意。

开源的技术分享以及人才流转等因素，也在让大模型的黑匣子愈发 " 玻璃化 "，缺少壁垒的必然结果是大厂在巨量资金、时间的投入下的 Konw How 轻易为开源社区所倾覆。

国内头部大厂对此的应对大多是 " 两手抓 "。左手 " 关门造车 "，以小规模内测形式不断打磨产品形态与能力，右手 " 集思广益 "，以云端开发者生态为基础打造生态内的开源社区，但这刚需厂商自算力层、模型层到应用层的全栈布局。阿里云推出了大模型开源社区魔搭 GPT，华为云、百度云、腾讯云也都有所布局。

总体来看，无论是行业还是通用，to C 还是 to B，大模型的半年考给予我们的直接感觉是：落地困难，盈利预期不断后移；风险渐强，难言技术壁垒。那么，当下的破局之路在哪？

目前而言，有两个有意思的方向。其一是被誉为 " AI 时代的 Memory" 的向量数据库，其二是模型智能赋予下的智能硬件。

所谓向量，即是可以代表任何东西的多维数据，包括如今 LLM 训练最为重视的文本，以及图像、视频、音声等。这些形式的内容会在数据库中清晰表示，并且支持语义检索，即通过相似性检索，例如男人与男孩。换句话说，于大模型而言，向量检索就是大模型的 SEO。

如上文所述，领域知识可以通过向量数据库能力，或是精调或是外挂来提高行业模型的建构和使用，于大厂而言自然是下一阶段的发力点所在。自 5 月起，资本便不断涌入向量数据相关赛道，作为前景更为确定的应用层产品，向量数据也收获了一众 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 " 等智能助手的能力跃升，也是对真正的智能设备（手机、电脑）的外延拓展。开源社区内早有将大参数模型内置 MAC 的尝试，而大厂则是在过去的移动互联网时代便积累了一定硬件生产能力，相对而言其先发优势更为明显。

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，开始 " 深潜 " 的赛道玩家们仍在发力。行业需要下一个 "ChatGPT" 时刻，我们方能见到潜水者浮出水面，正面对抗。