通用智能面临巨大掣肘，国产AIGC还在寻找光明

 

无论技术有多先进，符合商业规律才能笑到最后。

@数科星球 原创

作者丨苑晶  编辑丨十里香

AI­GC背后充满了故事，在一家家企业手握巨额融资之时，人们耳边再次响起了警钟。诚然，在新的浪潮之下，符合商业规律的企业才能笑到最后。在国外竞品大踏步前行之际，国内的通用智能企业境遇如何？

前景很乐观，但当下似乎并没那么好过。

01

来自Op­e­n­AI的压力

似乎Op­e­n­AI的进步更快。

“我觉得我们和Op­e­n­AI的差距越来越大了”，一位AI­GC从业者对数科星球（ID：di­g­i­t­al-pl­a­n­et）这样表述。前些日子，在Ch­a­t­G­PT推出后，不仅是英文对话，在中文领域，该系统的用户体验也超越了国内的众多产品。以至于，一时间，人们的朋友圈被Ch­a­t­G­PT的对话刷屏。

“最早，我测试过一些特殊的中文语境，Ch­a­t­G­PT表现不好，不过最近我在测试的时候发现它进步很快”，这位技术人员曾以诸如“关公战秦琼”等有中文历史背景的话术测试机器人，他发现，最近这款产品在中文适配方面有了明显进步。

赤裸裸的对照实验结果出现后，技术派的内心是焦虑且复杂的。一些国内企业对我们表示，以目前的进度来看，光是追上Op­e­n­AI，就感觉“很吃力”。

虽然，目前Op­e­n­AI的终端产品由于众所周知的问题未在国内市场全面铺开，但对于具有技术理想的相关企业来说，这种滋味是十分难受的。有人将这种情况描述为北斗未出现时的导航行业，“从信创的角度考虑，中国的AI­GC是肯定要有的，但技术差距也是不可忽视的”，一位投资人评价道。

客观来说，造成国内AI­GC落后于同行的原因是多方面的：有A100显卡的获得受到制约、国内人才队伍发展较慢等诸多原因。其中，在硬件方面，大模型训练过于依赖进口GPU显卡，虽行业间出现了便宜的国产替代品，但以目前的技术水平，还不能给出满意的性能支持；而在人才队伍方面，一些行业人士称“算法工程师多，但会大模型的凤毛麟角”。

全局来看，当下，似乎仅有百度公司、清北高校等团队立志于全身心投入于此。大模型所谈者甚多，但行业“孤勇者”数量寥寥。

02

国产AI­GC的进击障碍

摆在通用智能或大模型发展之路的另一个障碍是小模型。

我们在文章中所提到的“大模型”概念是一个术语。之所以称之为大模型，因其在训练数据过程中引入多模态等数据，让数据标注的数量大规模增加，使之展现可打破行业藩篱的普适性。相对于小模型而言，具有通用性好、边际成本低、效率高等特点。

后来，Op­e­n­AI再次点燃人们对通用智能的期待。在一些具有前瞻思维的技术派眼里，大模型对于各行各业的影响将是摧枯拉朽式的，他们一致认为大模型是“当之无愧”的未来发展方向。也就是说，技术上，大模型的发展上限更高，其会在未来某个时间点达到各种小模型的用户体验阈值。

由于大模型的横空出世，小模型统治AI的格局被打破。应该说，就本质而言，两种技术路线背后代表着不同的利益。以至于，互联网上，网友对两种技术路线的讨论十分热烈：一会有人指责大模型是“大炼钢铁”，一会又有人攻讦小模型是“亚当斯密小作坊”式的抱残守缺。

客观来说，小模型在当今的市场竞争中仍然具有重大影响：从业者们通过算法微调、反复训练数据等措施下，一些产品收到了不错的效果，对于客户而言，甚至在一些领域内的结果要好于大模型产品。

其次，国内通用智能的AI­GC缺少数据训练场景。

类似Ch­a­t­G­PT的训练场景尤为缺乏。在上文提到过的，这款产品之所以短时间之内进步神速，因大量用户为其充当了免费的数据标注员。不过，已目前情况来看，可与Ch­a­t­G­PT相较的数据训练场景在国内还鲜有见到。

另外，产业界对大模型有着浓烈的观望情绪。

在对谈多家相关企业后，数科星球（ID：di­g­i­t­al-pl­a­n­et）发现了产业界对AI­GC持观望态度的主要原因。概括来说，业界普遍存在这样的忧虑：目前大模型应用不成熟，骤而上马将会对原有业务造成冲击。

以电商售后和银行电话客服场景为例，目前行业内仍采用主流智能客服公司推出的QA问答库技术。客户企业希冀大模型产品能够解决QA库无法承担的长尾问题，覆盖到检索式问答路径无法涉足的领域，但金融行业的语料库等数据又不对外开放，让大模型企业不得不重头开始。

这都延迟了大模型进军具体行业的时间表。

目前，一些从业者透露，金融科技公司愿意为大模型企业提供“必要但不致命”的应用场景。在这些场景中，客户企业可以承受一定程度的容错，也愿意投入时间和资源支持大模型的进一步发展。“我们的主要客户来源于金融机构的创新部门，因为他们支持一些通用智能的事情”，一位销售人员对数科星球（ID：di­g­i­t­al-pl­a­n­et）这样说。

“死马当活马医，反正没办法解决长尾，不如让大模型试试”，这是金融行业业内给出的真实看法。甘愿“冒风险试一试”的场景有公文写作、情感理解等。

总结而言，通用智能企业需要客单价高、数据训练场景丰富的派单需求，但这个问题又与企业的现实考量和预算投入相互矛盾。

没得数据用来训练、没得大钱（投资除外）养活产品，是摆在现实的两大难题。

03

国内AI­GC的扩散难

元宇宙爆火，燃遍各行各业。它能否成为助力通用型AI­GC扩散的有力平台？

这是一个有趣的想象。答案是，可以，但很难。

目前，AI­GC和元宇宙的发展虽然存在相关性，不过就目前的情况来看，二者还未完全合流，处在“你做你的、我做我的”的阶段。

举例来说，在一些社群中，我们曾讨论这样的使用场景：在在线绘画App中嵌入AI­GC功能，使用户在提交绘画作品后自动生成AI­GC图片。面对这个问题，某些供应商对数科星球（ID：di­g­i­t­al-pl­a­n­et）分享：“实际上，在第三方App中嵌入AI­GC难度很大，要有能力处理高并发，要低延时，从而不影响用户体验”，在他的想法中，甲方的需求可以满足，但如若在实时在线的基础上，成本颇高。

退而求其次，供应商给出了离线生成或自建图库的方式满足需求（自建图库是预先在系统保存大量已经生成的图片，用户有需求时直接调用）。但很明显，这种折中的方式违背了AI­GC设计的初衷。时间长了，对于训练大模型更是无从谈起。

在同样爆火的数字人中，AI­GC的应用场景也不算多。目前，市面上绝大多数数字人均属“服务型数字人”。它们被广泛应用在虚拟的办事大厅、博物馆、手语电视台的手语节目等场景之中。

剖开数字人产业链可以看得更加直观：在这个产业链中，底层为算法层，负责驱动面部表情和手势动作；中层为渲染层；上层为构成层，负责建立数字人图像。但除了底层“数字脑”领域，其他层面与通用智能结合较少。

在某知名投资机构投资人看来，“未来的数字人会相当多”，他认为，人们会拥有具有服务和陪伴属性的虚拟分身。但在技术上，想让人工智能具备情感陪伴功能还尚需时日，“至少目前技术是达不到的”，一位技术人员补充说。

整体来看，目前的数字人大多承担着IP形象功能，能说话的数字人还比较少。在一些先进的数字人中，“中之人”又是必不可缺的因素（其承担动作捕捉、虚拟拍摄、表情抓取和后期合成、渲染精修等工作的真人）。表面上，这种数字人比较高端，但其背后通常有大量人员为其服务，制作成本虽有所降低，但整体制作成本也并不低廉。

以上原因都阻止了AI­GC或通用智能扩散至寻常百姓家。

结尾：企业显然不会坐以待毙。他们给出的策略大体分为三块：对外投资以扩充数据训练场景、夯实客户关系以获取现金流、堆人堆设备砸钱砸出大模型。

以上基本盘是投资机构给出的巨额投资。

“这好比把高科技做成了劳动密集型企业”，一个业内人士哂笑。不过，在当下的时间点，这是没办法的办法。技术上，只要机器足够、标注正确，哪怕是“堆”，也可达到预期目的。

钱的方面，高科技企业已下定决心“内卷”数字经济同行，有销售人员将其称之为“关系是第一生产力”。不过这种思路面临一个问题，就是大模型和通用智能的认知度要高。

“我们拜访了很多客户，但很多人其实根本不理解大模型”，一位业内人士对数科星球（ID：di­g­i­t­al-pl­a­n­et）表述。在他的眼里，传统数字经济在新技术面前有巨大的提升空间。

举例来说，比如政务大屏。

“之前为调取一个地方数据，大屏只能靠下拉、下拉、再下拉的方式调用，而现在对语音助手说‘我要今年的生产情况’，就能自动生成”，这位业内人士解答，在他眼里，东西是好东西，但在买家面前变成了另外一个景色：“如果一个领导想做，他只需要1个理由去做，如果他不想做，他会找出100个理由不做”。

AI­GC热潮高企，但一线销售人员往往会频频碰灰。在高科技浪潮风起云涌的当下，很多人承担着不能言说的苦衷。