(资料图片仅供参考)

8月31日，首批11家通过《生成式人工智能服务管理暂行办法》备案的AI大模型名单亮相。这些大模型将陆续向用户开放，并不断接受反馈进行迭代，成为各行各业广泛使用的数据服务平台。

从规模上看，第二批备案的大模型也在加快上市步伐。9月1日，国家互联网信息办公室发布了《关于第二批深度合成服务算法备案的信息公告》，公告显示，第二批深度合成服务共计110个算法信息完成备案。

这是一个关键节点，也被业内看作历史性机遇。9月份以来，大模型论坛和闭门会议层出不穷。面对广阔的市场前景，相关企业和机构纷纷投入人力物力财力，试图抢占先机。

笔者认为，深耕大模型市场，首先要明确应用场景。新技术一旦进入商业化阶段，抓住需求扩大需求是第一位的。在激烈的大模型竞争中，部分机构选择“先入场再看路”，边做边改、边研发边挖掘客户需求，导致用超高成本的大模型解决低级问题。

在大模型准确度还不够高、构架还不够稳的背景下，研发上先要明确应用场景，是做通用大模型还是行业大模型?是面向B端还是面向C端?

当前大模型的主要商业场景集中在B端，这是基于规模化、规范化、实现难度等因素做出的抉择。现阶段，深耕B端企业客户是务实之举。当模型不断精调、算力成本大幅下降后，未来的AI明星应用必将诞生于C端。例如ChatGPT快速迭代，也是基于海量的C端用户基础，并经过一轮轮测试和完善才实现的。

其次要考虑算力投入的边界。毫无疑问，大模型之战的第一道坎是算力比拼。不同时期的算力标准是不一样的：去年10亿参数的模型就能称为大模型;随着入局者不断加码，目前大模型参数动辄上千亿。大模型有足够多的参数才能呈现出“智能涌现”效应，进而在各个场景下具备通用能力。甚至有观点认为，1万张顶级显卡才算是跨进了大模型的门槛。

公开资料显示，GPT-4的模型拥有近1.8万亿参数、13万亿训练数据，其训练一次的成本高达6300万美元。因此笔者认为，相对同质化竞争严重的通用大模型而言，成本投入相对较小的垂直大模型还有巨大的市场机遇。

尽管中国大模型发展如火如荼，但与以OpenAI(美国人工智能研究公司)为代表的一线机构相比，还存在不小的技术差距。中国需要抓紧时间，缩小与强者的差距。笔者建议，在政策支持层面，一是要加强对高端算力的支持，降低应用开发门槛;二是要加码人才培养，促进高校与企业通力合作，产学研协同创新。正如百度集团副总裁侯震宇接受媒体采访时所言，大模型也不是投一笔钱、做一个模型那么简单，它需要有算力、有数据、有经验丰富的AI工程师在好的研发平台上长期积累。

今年是大模型向上突破的一年，ChatGPT让人们看到了大模型的巨大潜力，也推动了大模型的迭代进程。可以预见，基于我国庞大和多样化的用户基础，我国大模型和其他AI技术将走向成熟，推动全社会向智能化和数字化转型。