AI大模型競賽:工程問題還是科研難題?

上個月,AI界爆發了一場"動物大戰"。

一方是Meta推出的Llama(美洲駝)大模型,因其開源特性深受開發者歡迎。另一方是名爲Falcon(獵鷹)的大模型,由阿聯酋的科技創新研究所開發。兩者在開源LLM排行榜上輪番登頂。

有趣的是,阿聯酋政府表示參與AI競賽是爲了"顛覆核心玩家"。如今,但凡有點財力的國家和企業,都在打造自己的大語言模型。

這種"百模大戰"的局面,源於2017年谷歌發表的Transformer算法論文。Transformer解決了自然語言處理的諸多難題,讓大模型從理論研究變成了純粹的工程問題。只要有足夠的算力和數據,幾乎任何團隊都能訓練出大模型。

然而,開發大模型並不意味着能在AI時代勝出。Meta的Llama雖然排名不如Falcon,但因其活躍的開發者社區,仍然是開源LLM的風向標。而在性能上,大多數LLM與GPT-4仍有明顯差距。

大模型的核心競爭力在於生態建設或純粹的推理能力,而不僅僅是參數規模。此外,高昂的算力成本也成爲行業發展的阻力。據估算,全球科技公司在大模型基礎設施上的投入遠超其產生的收入。

目前,除了少數個例外,多數AI公司還沒有找到盈利模式。即使是微軟、Adobe等軟件巨頭,在AI產品定價上也面臨困境。

隨着同質化競爭加劇和開源模型增多,單純的大模型供應商可能面臨更大壓力。未來,AI的價值或許更多體現在具體應用場景,而非模型本身。