我们知道，大模型会编造不正确的答案，产生“幻觉”。
其实，在应用层面，还存在一个更隐蔽的“幻觉”，就是创业公司忽略了大模型落地所需要的长周期、重基建和工程化难度，带来的“速成幻觉”。
随着“百模大战”拉开序幕，大模型过剩带来的市场挤压，也给整个大模型生态带来了行业洗牌的风险。
越来越多的人有了共识，基础通用大模型竞争激烈，注定是少数人的游戏。创业公司随时可能倒掉，造成项目烂尾。
具备技术、产品和行业优势的“第一梯队”大厂，比如百度的文心大模型3.5，已经跟国内其他模型拉开了差距，具有了一定的先发优势和市场打开度，更容易在这场白热化竞争中生存下来。
既然大模型很难“速成”，那么创业公司的“幻觉”，又是从何而来的呢？
第一种“幻觉”
开源干翻闭源
创业公司纷纷入局大模型，给它们勇气的，不是梁静茹，而是开源。
以Meta的Llama 2、智谱AI的ChatGLM为代表的开源大模型，陆续免费并支持授权商用，这无疑是一件好事，让创业公司不用重复造轮子，可以用开源大模型作为基座模型，快速开发出相应的商用版本大模型或大模型应用。
开源的低门槛、低成本，带来了“开源干翻闭源”的幻觉。
为什么说是幻觉？我们可以从企业视角为出发点——即使有了开源模型，想要落地应用大模型，还有哪些必要条件？
一是云基础设施。
大模型落地需要进一步微调、训练、运行，要在云平台上运行。而创业公司跟OpenAI 、百度等闭源头部公司的一大差距，就在于缺少跟云平台的“紧耦合”。
众所周知，OpenAI有微软的大力支持，百度文心大模型背后是百度智能云，这些大厂自研大模型，都对云基础设施的计算硬件集群、资源调度等，进行针对性的协调优化，大模型+AI云的紧密配合，可以更高效地利用计算资源，降低大模型的边际成本。
海外大模型开源社区的“明星”如Together会为企业客户提供开源模型及配套的云平台，MosaicML也提供Mosaic Cloud 和多云混合服务，国內的开源项目如ChatGLM，也选择与多家云厂商合作。
可以看到，开源项目跟云平台的“松耦合”，会受到云平台的配合度、商业政策等的影响，一旦后期出现资源涨价、利益分成、研发意向变化，都会给基于开源的大模型项目带来商业化风险。
其次，是二次开发。
基于开源模型的创业公司，往往是在底座模型的基础上做一些微调，灵活有余，但开源模型的分支多、变异快、创新迭代速度快，不承诺任何确定性，一般由程序员自组织来完成开发，这就导致基于开源的大模型稳定性不足，对客户技术团队二次开发能力要求很高，选型难度也很大。
目前看，第一梯队的大厂推出的基础大模型，更能满足企业对大模型稳定性、可靠性的需求。
因为闭源大模型，遵循的不是开源范式，而是工程范式，所以，会以保证开发质量为前提，对用户需求进行明确的描述，组织工程师按照规范的开发流程和周期，以确定的时间和预算，更好的控制开发质量，保证开发效率。
开源是一件好事，但开源并不是一把万能钥匙。如果不解决基础设施、二次开发等瓶颈，创业公司也无法靠开源，快速取得成功。
第二个“幻觉”
三五个人干翻大厂
因为开源，创业公司和互联网企业都可以叫卖大模型，这就产生了第二个“幻觉”：三五个人的创业团队，就能干翻AI大厂。
需要注意的是，“百模大战”带来了白热化的淘汰赛，同时，大模型还在以周为单位进行迭代。
在激荡的市场竞争中，具有长期研发能力和投入意愿的大厂，更容易保持动态的生长力和持久的话语权，体现在几个方面：
一是模型本身的技术城池。
谷歌研发人员此前曾发文称，因为开源，谷歌和OpenAI都没有护城河。这在长期看是对的，但大厂在大模型技术上的领先性，也是现实存在的优势，这个技术代差，足以在大模型的商用周期中，为大厂带来显著的竞争优势。
而且，大模型具有数据上的“飞轮效应”，更早应用、更多用户的大厂大模型，会不断拉大效果差距。比如国內最早推向大众的文心大模型，其3.5版本已经在一些基准测试中，超过了GPT3.5的表现，而宣称达到GPT-3.5的Llama 2刚开源不久，因此目前国产开源大模型最多也就达到GPT-3的水平。
二是持续迭代的成长能力。
大模型落地不是一蹴而就的，企业应用大模型也不能上马后很快不了了之，后续的算力成本、数据工程负担、每一次迭代的资金压力，很快就成为困扰很多大模型公司的头疼问题。
目前，已经有不少曾经想走商业闭源路线的大模型创业公司，直接宣布退出竞争。光年之外中途离场，被美团接手；Hugging Face专注卖算力资源和咨询业务，做大模型更多是“面子工程”。部分企业的表现，也会直接影响到市场对其“是否有钱继续做大模型”的信心。
从成长性看，有资金实力、基础设施完整、商业表现良好的大厂，才能陪企业用户走得更远。
比如“文心一言”3月16日推出以来，在一个月内完成4次迭代，将推理成本降为原来的十分之一，离不开百度在大模型上的长期投入，以及人、钱、卡、基建等多种方面的储备，才让文心一言可以持续进化，在高速迭代的大模型竞争中保持领先。
三是完善的工具链。
没有人会否认，大模型是拿来用的，不是为了当摆设或“公关效应”的。
要用，就要考虑到技术和场景的适配。不同行业和企业对于大模型落地的需求，可能是完全不同的，这种差异化，需要更完善、全面的配套工具，来降低应用门槛。举个例子，行业+大模型需要进行专有数据的清洗、标注、向量化等工作，这个过程是非常复杂的。
三五人的创业团队，很难将主要研发力量，放在开发这些看上去技术含量不高、但对用户十分重要的工具上。
这时候，百度等大厂长期押注AI的优势就凸显出来了，已经沉淀了从数据集、模型训练、开发部署等整套流程的工具，并且开箱即用，把大模型到产业落地的门槛不断降低，从而开启增长飞轮。
四是长期积累的行业Knowhow。
大模型产业化，走向ToB和ToG是大势所趋，要求对行业Knowhow有深层次的理解。因此，政企客户在大模型选型时，非常看重厂商的成功案例和行业服务经验。
AI大厂在产业已经深耕多年，因此大模型的商业开发度更高。目前，百度“文心大模型+飞桨深度学习框架”的组合已与300多家客户合作，在400多个企业场景中取得良好测试效果，并打造了10多个行业大模型。
与之相比，还没有走通产业场景的创业公司，在技术体验、功能创新、工程能力等细节上，可能还需要花费更多时间去摸索。
从这些角度看，头部大模型已经建立起了较为明显的优势，并且还在持续进化。三五人的创业公司，想要在高速迭代的大模型竞争中干翻大厂，需要补的课有点多。
第三个“幻觉”
大模型能“赚快钱”
创业公司通过“资金换规模”的短平快战略，上市融资再套现离场，来兑现投资回报，已经越来越难了，在大模型领域并不现实。那么，另一条路就是通过ToB客户付费，来完成大模型的商业化。
众所周知，ToB行业要干苦活累活。
企业客户在业务场景中接入大模型，可能带来一系列复杂的整合动作，是一个体系化工程，这就要求大模型厂商不能单一快节奏地交付，而要提供解决方案式的整体能力，以及长时间的更新运维服务。
一个项目的交付、运维、迭代、回款等，可能以年计，是无法快进快出的。所以，大模型下沉到行业，必须打消“赚快钱”的念头，以长期主义的心态来做生意。
构建服务团队、形成服务基因，对创业公司及其背后的投资机构的耐心和定力来说，是不小的考验。
与之相比，大厂在长期走向ToB/ToG市场的过程中，已经经历了客户的捶打，锻炼出了更加成熟的服务铁军，也证明了自身的定力。
以百度为例，对于不同行业，有深入了解客户的交付、运维和保障专属团队，在大模型落地应用时，能够给予更具针对性的方案，从而减少无效支出，让大模型更好地帮助企业提质增效。
大模型厂商不能一心只想“赚快钱”，要沉下心来走向产业深处。同样的，企业引入大模型也不能一心只“图便宜”，要从智能化转型升级的这个生命周期出发算总账，综合考虑改造、交付、运维等多项成本。
大模型强大的理解能力和泛化能力，会加速产业智能化的进程，也让AI企业和创业公司发现了新的机会。
就像啤酒总是伴随着泡沫，在一拥而上的大模型创投热潮中，创业公司和企业客户也很容易陷入“速成幻觉”。
大模型走向产业的长路，更需保持冷静和理性，警惕“烂尾”风险。希望大家真正饮下的，是用时间和技术沉淀的精酿，而非随时可能消失的“泡沫”。
