ChatGPT发疯怎么办？小冰李笛：两个关键，我可破之(3)

类似ChatGPT的AI每次回答50字，来回答一般的查询业务，那么谷歌每年成本将增加 60亿美元 。 值得注意的是，无论哪位国内玩家堆出了一个与GPT-3.5甚至GPT-4媲美的大模型，还须找到能够落地跑起来的应用场景，唯有实现商业闭环，才不致血本无归。 第二条路，是从大模型中去粗取精 。 展开来说，就是在尽可能保留、甚至提高大模型某一单项能力的前提下，缩小参数量级，致力于用更小的模型实现大模型表现出来的功能。 如果把大模型看作一辆自行车，堆参数的过程就是在大模型上实现某个效果的过程，过程艰辛而缓慢。去粗取精之后，不用自行车缓慢前行就能达到效果，相当于在通往同一目标的路上造火箭。 亚马逊在走这条路，方法是直接从小模型起手，不过这条路能走通，需要一个关键前提：中小模型可以接近、甚至达到大模型展现出来的实用能力。 砍掉不需要的枝叶，向下探索具有特定功能的模型规模最低下限，能够一定程度上缓解大模型训练带来的成本压力。 但这条路线亦有争议，一是因为ChatGPT大模型已经展现出应用可行性，坚持这种做法势必在技术上逆流而行；二是即便成本更优，却尚未有现实案例压阵，证明这种路线就能在AI应用落地较量中取得最后的胜利。 第三条路与前两者不同，并非技术差异，而是直接从商业化角度打出竞争优势。 这类玩家不需要在技术上多下文章，而更考验商业创新能力，属于想好场景应用后“拿钉找锤”的模式。 目前，国外已经有顺着这条路发展的可参考案例，比如AI初创公司Jasper，就是基于GPT-3开放的API提供各式服务，利用AI为博客文章、社交媒体帖子及网页等平台生成文字内容。 但凡产品体验足够好，或者场景资源足够丰厚，就能积攒大量用户，形成自己的核心竞争力。 反向思考之，正因为核心竞争力不是技术上的，走这条路的公司，头顶永远悬着一柄达摩克利斯之剑。把产品甚至公司的命运寄托在他人手中，随时有被卡脖子的风险，如何能不时刻提心吊胆？ 三条路线摆在眼前，利弊也已经初步显现。第一条路，意味着巨大的成本；第二条路，方案尚待验证；第三条路，核心生产资料不可控。 哪一条才通向罗马？又或者，这三条路之外，是否还会出现直通AI应用落地的潜在捷径？ 李笛说，他们选择第二条路 。小冰链也正是基于这条路径之上探索出来的产物，本质上仍旧是从“可解释人工智能”的角度，探索成本、风险可控的AI商业化落地应用。 至于方案验证，或许也不用等太久，李笛说，未来小冰链会和必应合作，将这种方法应用到搜索引擎上。 实际应用效果如何，我们拭目以待。