国内

通用智能面临巨大掣肘,国产AIGC还在寻找光明

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?

图片来源@视觉中国

文|数科星球,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。

关键词

24快报
JSON抓取失败