今年6月,发布报告《Gen AI: Too much to spend, too little benefit?(生成式AI:投入过多,收益过少?)》,引发了许多人对AI泡沫的担忧。
...
今年6月,发布报告《Gen AI: Too much to spend, too little benefit?(生成式AI:投入过多,收益过少?)》,引发了许多人对AI泡沫的担忧。
该报告认为,预计在未来数年,科技巨头、各类企业和公共事业单位将在生成式AI上投入约1万亿美元,包括对、芯片、AI基础设施以及电网的投资。然而,迄今为止,这些投资似乎并未带来显著成果,未来能否收回这些投资也是个问号。
这种担忧,源自大模型落地的缓慢进展。今年,行业期盼的现象级AI应用并没有出现,层出不穷的AI助手产品,用户留存表现也并不佳。在产业端,企业对大模型的态度依然谨慎,这项新技术还没有成为企业非用不可的必选项。
的一位研究主管认为,AI要实现高昂投资的合理回报,就必须能解决复杂的问题。而且在成本上,他指出,像互联网这样真正改变生活的发明,即使在初期阶段,也能以低成本的解决方案颠覆高成本的解决方案,而不像是现在昂贵的AI技术。
8月初,美股“科技七巨头”股价集体下跌,以及接下来股价的大幅波动,也体现出资本市场对于“AI泡沫”的忧虑。
大模型究竟是不是在堆积泡沫?9月5日,腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生接受了21世纪经济报道记者的采访。作为一开始就致力于把大模型落到产业场景中的公司,腾讯对大模型的观察和思考,或许能给行业提供一些参考。
一场长跑
从OpenAI推出ChatGPT到现在,大模型的热潮已经在全球持续了两年。汤道生表示,在这两年中,很多从业者都经历了这么一个过程——从最开始的惊艳、兴奋到后来的焦虑,担心赶不上新技术趋势,再到今天更趋于理想,更看重大模型给产业带来的实际价值。
“这是新技术出现必然经历的起伏”。汤道生说。大家对大模型可能存在一些误区,起初不少人认为,模型可以快速改变世界,对此非常乐观,最近又有一些悲观,觉得大模型好看不好用。其实,“短期高估进度,长期低估效果”都不可取。
过去出现过很多新技术,大家一开始也是一窝蜂投入、投资,甚至造成泡沫,然后有一些人放弃,同时也有少数人坚持。再过一段时间,大家就回到比较理性、务实的态度,去寻找实际的场景、痛点,然后进行打磨。
比如90年代,最早一代的互联网企业,大量建立各种网站,后来发现商业模型不成立,大部分当时成立的互联网企业都垮了。但是在今天看来,互联网技术绝对是一个创造了巨大价值的技术,而这距离最早的那一批互联网公司成立,已经过去快30年。
更近一点的例子是上一轮以图像识别为代表的AI浪潮。最开始行业对这些技术也没有明确的落地预期,但经过多年发展,人脸识别、OCR等技术都已成为许多行业的标配。
汤道生认为,AI大模型也是这样,它一定是一场长跑,要有信心和耐心,同时要坚持去做投入。“今天的技术也许在某些场景,只做到了50分或60分,未来要做到90分就必须要用时间去打磨”。
不是万能解
当下,大模型的演进有两个明显趋势:一方面是技术持续迭代,模型的性能和效果不断提升;另一方面,是落地场景不断深化。
过去,业界关注的焦点更多是放在大模型技术上,各个厂商的产品迭代速度都很快,但是,评测榜单的成绩并不等于产业价值。这也给用户带来一种感知落差——各个企业的大模型听起来都很强,但在使用中却又是另外一回事儿。
汤道生告诉21世纪经济报道记者,大模型技术的持续迭代固然重要,但企业拥抱AI,不是追求技术的酷炫,核心是要解决商业上的痛点。
“很多人太过关注模型和参数本身,认为模型必须足够大才好用。但实际上不是这样,我们应该找到合适的应用场景,挑选最合适的模型和路径,以最低成本解决实际问题,才是最重要的。”汤道生说。
这个过程,也是汤道生所说的大模型打磨过程,而打磨的核心,是想清楚大模型之外,还需要什么其他的能力。
汤道生解释称,“在一些具体的场景,如果要找到解题的方式,大模型其实只是其中的一种方式而已”。就像对于AI,大模型只是这个赛道的一部分,其他还包括很多技术路线。未来若要搭建一套有用的智能系统,大模型可能只是其中一个模块。
事实上,大模型也存在短板,比如很难避免“幻觉”的出现。众所周知,数据是模型的原料,大模型时代,高质量数据的稀缺,对模型训练会产生一定影响。
然而,很多企业的自有数据或者比较专业的行业数据,现在还没有被充分利用。如果是针对某个场景去打造智能应用,其实未必需要大规模的数据,只要有针对性的专业数据就足够。
针对“幻觉”问题,很多企业利用独有的专业数据结合检索增强(RAG)的模式,来作为回答问题的事实基础,然后再用大模型去生成专业的答案,就能给到用户更准确或者更有针对性的答案。
汤道生表示,未来成熟的AI产品或方案,会是需要投入很多工程、集合不同技术能力的解决方案。“作为一个科技行业的从业者,我始终相信技术革命的意义,也相信技术的出现能够给很多老问题带来新的解决思路。只不过现在需要大家多花点时间,针对场景、针对客户在某个地方的痛点,来找到一个最优的方案。”
细水长流
实际上,大模型在产业场景并非完全没有进展。
在智能客服与知识管理场景中,基于大模型的生成能力,已经可以提升复杂问题的解决效率,提升回答质量;在智能营销场景,大模型可以提升广告素材的生产效率,增强营销活动的趣味性和互动性;在内容创意场景,大模型可以让内容生产的周期大幅缩短,提供更多的创意玩法;在风险管控领域,风控大模型可以解决传统风控中建模时间长、效率低的难题。
只不过现阶段,大模型给这些场景带来的效率提升,还不够显著,这也是很多企业不愿为之买单的关键原因。但是,未来如果大模型带来的效率提升能超过企业的预期值,那大家的付费意愿也会提高。
这个过程需要时间去沉淀,而对于身处其中的企业,尤其是创业公司而言,能否熬过这个沉淀期就尤为重要。
近日,金沙江主管合伙人朱啸虎在接受采访时提出,大模型“六小虎”最好的结果就是卖给大厂。暂不论这个观点是否正确,但朱啸虎这样说,已充分说明大模型创业的艰辛。
对此,汤道生表示,每一次技术变革,既会给创业公司新的机会,也会让原来平台性的企业跟他们合作,擦出更多火花。“大家关注的LLM(大语言模型)创业团队名单,最终在全球能支撑多少家,尤其在今天这样巨大的投入且商业模型不清晰的情况下,我认为很难确定。”
在其看来,现在如果纯粹想通过大模型赚钱,已经不太容易。因为在大环境有压力的情况下,很容易出现“零和”,大家是此消彼长的竞争关系,压力会很大。不过,围绕大模型周边,尤其是应用场景,仍有很多机会。
汤道生强调,创业公司想要走到最后,应该算清楚成本,不能通过亏损来保持市场份额,这绝对不是一个健康的状态。
事实上,像腾讯这样体量的公司,过去几年也在调整自身发展模式。据汤道生透露,腾讯云通过业务聚焦,经营效率不断提升,目前正在逐步向盈利目标靠近。
汤道生说,腾讯很重视大模型的投入,同时也重视可持续发展。“我们是细水长流,看准了就会坚持”。另外,在展望未来发展时,汤道生分享了一句话——“悲观永远是正确的,但是乐观才能够成功,”在这句话后面,他又加了一句,“乐观且务实的人才能够抓住机会。”