大模型產業，Maas成“風”？_風聞

在高企的算力、場景、研發壁壘之下，並不是所有企業都適合自研大模型，對於大多數企業而言，需要更經濟的參與方式。

‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍前些時候，“天才黑客”George Hotz在接受Latent Space（一家AI技術播客）採訪時曾透露，OpenAI的GPT-4其實是一個由8個2200億參數組成的混合專家模型，核算下來，即為1.76萬億參數。同時，這些模型還經過了針對不同數據、任務分佈及推理的訓練。

儘管這種説法並沒有得到OpenAI官方回應，但隨着這一討論的持續發酵，另外兩個話題也隨即被推向了輿論的前端。

一個是統治了半導體產業大半個世紀的“摩爾定律”或已走向終結，取而代之的，將是錨定在算力層的“新摩爾定律”；另一個則是暴漲的算力需求，會快速誘發算力焦慮，以及各路玩家對於算力資源的爭奪。

儘管眼下大模型風頭最盛，但眾所周知，大模型對於數據、算力、投入等方面的極高的要求，市場已經逐漸意識到——似乎並不是所有企業都適合自行開發，對於大多數企業而言，或許需要一種“更經濟”方式，參與到新生產力時代。

時代呼喚新的數字基礎設施服務商。從雲入端，數字基礎設施服務商應該如何切入、怎麼部署，或許，我們可以從6月28日火山引擎大模型發佈會上找到一些答案。

讓“火箭”再飛一會兒

關於自研大模型的 “ 機會問題 ” ，金沙江創投的朱嘯虎與正在進行 GPT創業的傅盛恰好有過一輪交鋒。

作為創業者，傅盛認為，大模型催生了很多新的架構在大模型之上的創業機會，但作為投資方的朱嘯虎，則認為大模型摧毀了創業。因為模型、算力和數據，到目前階段已經多數集中於大廠。

這種認知，是朱嘯虎在AIGC領域投資多次之後所得出的結論。而在後續回應中，朱嘯虎的千言萬語則匯成了八個字：場景優先，數據為王。

一位科技領域資深學者也曾表達過同樣的觀點。在他看來，通用大模型是一項高耗能、高投入的“長期事業”，無論是出於能力方面的考慮，還是出於必須性方面的考慮，自研大模型並非適用於所有企業。

對於絕大多數企業（特別是中小企業）而言，想要搭乘大模型的“快車”實現將本增效，最理性的選擇，或是藉助一些外部數字基礎設備服務商的力量，有針對性地解決場景應用問題。

對此，火山引擎總裁譚待則認為，在模型應用端，面對多模型生態和企業1+N應用模式，同樣需要提供更好的產品和方案，解決這裏面計算、安全、成本等通用問題。讓交易成本足夠低，讓替代成本足夠低，這樣才能不斷降低大模型的使用門檻，讓眾多企業可以更加高效的應用大模型技術。

只不過，隨着不同產業、不同企業對大模型需求的暴漲，技術密度、網絡帶寬、存儲需求等等，都呈現出幾何級增長，算力的巨量消耗顯然是一個無法忽視的問題。火山引擎算法負責人吳迪將其劃分為“三級火箭”的體系——

第一級的大模型供應商和研究機構，負責為全行業提供具備競爭力的基座模型和垂直模型；第二級技術積累深厚的公司，在保留自研模型的同時，也會調用其他廠商的模型落地至不同場景；第三級的各行業大模型應用商，則會把大模型能力深入到生活的各個領域。

大模型一旦進入大規模應用階段，用來調試和推理的算力消耗，將會迅速超過了模型預訓練所需的部分。按照吳迪的預測，到2024年秋天之後，以推理為主的大模型算力消耗，將超過預訓練消耗的60%，並且在2025年的某個時刻，超越預訓練算力消耗。

在此基礎上，對於在應用層躍躍欲試的大模型應用企業來説，與其綁定某一家廠商的大模型，同樣的成本如果拿來調用多個精調之後的垂類模型，效果可能會更好。原因無他，性價比是選用模型的核心因素——

不同模型在不同的場景下，效果是各擅勝場。一個經過良好精調的中小規格模型，在特定工作上的表現可能不亞於通用的、巨大的基座模型，而推理成本可以降低到原來的十分之一。

在這種綜合認知下，與其他大模型廠商所走的路徑有所不同，火山引擎的切入方式並非是從頭自研，而是發佈大模型服務平台“火山方舟”，面向企業提供模型精調、評測、推理等全方位的平台服務（MaaS，即Model-as-a-Service）。

從這種結構來看，“火山方舟”正試圖打造一家初具規模的“AI商店”，某種意義上，這或許也是大模型行業發展的某種必然。

選模型，也是一門技術活

對於大部分企業而言，大模型的需求固然已經出現，但在 “ 萬模競發 ” 大背景下，應該如何選擇適配自己真實需求的大模型，同樣也是一道難題。

所謂“難”，主要體現在兩個方面——

其一，與判別式AI相比，生成式AI暫時沒有行業標準可供參考，企業如果按傳統的銷售邏輯一家家尋找和調用，成本顯然難以控制。

其二，企業使用大模型，數據泄露是首要擔心的問題。譚待提到，與此前的深度學習實踐不同，模型提供方和使用方，現在很可能已經出現了分離；特別是，如果到了私有化部署的階段，不僅作為使用方的企業要承擔更高成本，作為模型生產方也會擔心自己的知識資產。

譚待的擔心顯然不是空穴來風，因為在此之前，與大模型相關的企業數據泄露案例就已經有所浮現。

早在今年初，三星公司在“全面擁抱”ChatGPT之後，在20天內就發生了3起機密外泄事件，其中兩次和半導體設備有關，1次和內部會議有關。這讓三星半導體的核心機密，通過ChatGPT泄露。

究其原因，三星員工直接將企業機密信息以提問的方式輸入到ChatGPT中，會導致相關內容進入學習數據庫，從而可能泄漏給更多人。在“數據防火牆”構建尚未完善時，貿然在公司業務中使用大模型的風險，不言而喻。

正因如此，火山方舟已經上線了基於安全沙箱的大模型安全互信計算架構。根據吳迪的介紹，該方案採用了計算隔離、存儲隔離、網絡隔離和流量審計等手段，以確保模型的機密性、完整性和可用性。

此外，對於如何選擇適合企業的大模型，譚待給出了自己一些想法，他認為，企業首先需要明確自己的需求，並基於需求場景，制定可量化的評估指標。

這意味着，模型的能力主要分為邏輯推理、文本生成和風險控制等很多種，各種能力的不同側重導致了成本分佈的不同。企業根據自己的需求，需要對這些能力進行全方位測評，選擇性價比最合適的。

做好提示工程同樣重要。這裏不僅包括任務內容、相關信息和説明，同時還要給到樣本與示例，同時，再通過“step by step”這樣cot的方式，進一步加強模型的性能；

插件與工具鏈的對接，同樣也不可或缺。因為在模型與提示工程完備之後，合適的插件與工具是激活模型生產力不可或缺的棋子。當這些工具在合適的場景下加以利用，能更好滿足企業的相關需求。

大模型商業化的“火山樣本”

無論是數據安全還是模型精調，都是企業在構建、訓練大模型過程中不可或缺的環節。這也是火山方舟所能提供的重要價值之一。

在接受媒體採訪時，譚待更是重申了火山方舟的平台屬性。他認為，基於此前的多模型行業判斷，所以需要平台提供對應的多模型服務能力，讓企業可以更方便使用對應模型。

回到火山方舟，在目前階段，同樣也並不會下場做自研模型，而是側重於為企業提供安全、低成本的服務平台。

在發佈會現場，陸玖商業評論瞭解到，通過火山方舟平台，企業可以用統一的工作流對接多家大模型。

如果簡單翻譯則是，在同一個“選模型”流程下，企業可以同時對多個模型同時進行調試和能力評測，甚至在不同場景下，還可以靈活切換不同的模型，實現最優的模型組合。這也是火山引擎一直強調多模型“高性價比”的意義所在。

值得注意的是，火山方舟上線的可用模型數量在7個左右。這也是火山方舟“精品策略”的體現。如智譜AI旗下的千億基座認知模型ChatGLM，通過與火山方舟的精調能力和綜合解決方案相結合，已經成功解決了千億模型訓練的穩定性、性能優化等挑戰。

在MMLU、C-Eval等中英文權威榜單中表現優異的baichuan-7B同樣也是如此，入駐火山方舟之後，企業用户的大模型接入門檻和使用成本出現了顯著下降，對於更多企業而言，以較低成本獲取專業服務，自此成了現實。

儘管大模型方興未艾，但業內已基本形成了這樣一種共識：大模型真正的價值體現，還是落腳在能與企業的實際需求相結合，並最終在產業層面激活生產力。

無論是“多模型”火山方舟，還是其他科技企業發佈的大模型產品，對於這些數字基礎設施服務上來説，接下來要做的事情還有：AI基礎設施的創新突破，產業鏈的深度構造，行業的持續下沉，以及開發者生態的孕育等等。

大模型時代，數智世界的多面體將會被進一步打開。