從燒錢到落地，大模型到了該“驗收”的時候_風聞

撰文 | 文  林

編輯 | 楊博丞

題圖 | IC Photo

繼通用大模型的價格以釐計算之後，字節再次將多模態大模型帶入“釐時代”。

在2024年12月18日舉辦的火山引擎 Force 大會上，字節跳動正式發佈發佈豆包·視覺理解模型。同時公佈其售價為千tokens輸入0.003元，相當於一元錢就可處理284張720P的圖片。

對比claude 3.5 Sonnet的0.021元/千tokens，qwen-vl-max的0.02元/千tokens，GPT-4o的0.0175元/千tokens，豆包視覺理解模型比行業價格便宜85％。

而在此之前的5月份，字節跳動發佈的豆包大模型，其主力模型在企業市場的定價為0.0008元/千Tokens，0.8釐能處理1500多個漢字，比行業便宜99.3%，讓大模型從以分計價到以釐計價。

這一操作迫使阿里雲的三款通義千問主力模型再次降價，最高降幅達90%。百度智能雲更是直接宣佈，文心大模型的兩款主力模型ENIRE Speed、ENIRE Lite全面免費。

不到一年半的時間，字節是如何做到在AI大模型市場後來居上？多模態大模型又發展到了哪一步？未來大模型技術在應用側的新趨勢會是什麼？

一、“卷王”豆包後來居上？

2023年是國產大模型“大爆發”的一年。

自去年3月起，眾多大廠及創新型企業紛紛亮出自研大模型產品：阿里通義千問1.0、騰訊混元、360智腦、華為盤古、科大訊飛星火、商湯日日新、百川大模型以及智譜AI的GLM等，均誕生於這一年。

作為AI起步較晚的選手，字節在去年1月才成立大模型研發團隊，8月才發佈“雲雀”大模型和對外測試AI對話產品“豆包”。

國內大模型發展時間線 圖源：第一新聲

儘管來得晚，但架不住人家漲得快。

據量子位智庫數據顯示，截至11月底，豆包2024年的累計用户規模已超過1.6億；11月平均每天有80萬新用户下載豆包，單日活躍用户近900萬，僅次於OpenAI的ChatGPT，位列全球第二、國內第一。

而今年5月發佈的豆包通用大模型，據字節跳動對外公佈的數據顯示，截至12月中旬，豆包通用模型的日均tokens使用量已超過4萬億，較七個月前首次發佈時增長了33倍。

“豆包”能有這樣增長，離不開字節這個“卷王”的大力推動。

首先就是卷流量。

據App Growing統計，截至11月15日，Kimi、豆包、星野等國內十款大模型產品，合計已投放超625萬條廣告，投放金額達15億元。其中，Kimi和豆包是投放最瘋狂的兩個產品，分別投放了5.4億元和4億元。

圖源：App Growing

當下，花錢投流買量是AI產品啓動一個最直接快捷的方式。而在各家的投放渠道中，基本都離不開字節的巨量引擎（字節跳動旗下廣告投放平台，涵蓋今日頭條、抖音、西瓜視頻等營銷資源）。

這使得背靠字節的豆包將流量池的優勢發揮到了極致。在抖音上，字節幾乎屏蔽了除豆包以外所有AI應用的投放，只留給自家的豆包。儘管重金投流能否換來超級應用無法確定，但至少目前給豆包帶來了肉眼可見的用户增長。

其次是卷產品。

從聊天助手、視頻工具，到娛樂應用、辦公領域，字節陸續推出了十幾個 AI 應用，覆蓋了幾乎所有主要 AI 產品方向。字節今年10月還推出了能與豆包語音對話的 Ola Friend 耳機，近期還在研發 AI 眼鏡。

這樣飽和式的研發，一方面能讓豆包大模型依託諸多AI應用加速迭代，另一方面則是期待AI硬件終端能拓寬豆包大模型使用場景，進而實現整個“豆包+”產業鏈閉環。

此外，豆包也在卷場景，以期在應用層面多點開花。

據瞭解，豆包大模型已經與八成主流汽車品牌合作，並接入到多家手機、PC等智能終端，覆蓋終端設備約3億台，來自智能終端的豆包大模型調用量在半年時間內增長100倍。而最近3個月，豆包大模型在信息處理場景的調用量增長了39倍，客服與銷售場景增長16倍，硬件終端場景增長13倍，AI工具場景增長9倍，學習教育等場景也有大幅增長。

可以説，豐富的內部生態、持續的資源投入、龐大的優質數據和應用場景，且都全面接入AI並相互打通，這才是豆包能成為行業“卷王”的秘訣。

二、下半場開始比拼多模態

自 OpenAI 推出 Sora，讓“一句話生成視頻”變成可能；谷歌發佈 Gemini ，可以泛化並無縫地理解、操作和組合不同類型的信息，國內主要公司就開始陸續跟進、佈局視頻、音樂、語音等多模態 AI 應用。

例如，今年5月開始，生數科技Vidu、快手可靈、字節即夢、智譜清影、商湯Vimi等都相繼發佈文生視頻模型；9月，MiniMax正式發佈視頻模型video-01、阿里雲在雲棲大會上發佈通義萬相全新視頻生成模型、美圖宣佈MiracleVision大模型完成視頻生成能力的升級；到了11月，騰訊混元大模型正式上線視頻生成能力，月之暗面旗下Kimi則被爆出正在內測AI視頻生成功能“Kimi創作空間”……多模態的“多”正在成為新的發展方向。

通過騰訊元寶APP-AI應用-AI視頻即可使用該功能 圖源：騰訊優圖實驗室

而此次火山引擎發佈的豆包·視覺理解模型，據介紹，主要能力包括：

**更強的內容識別能力：**不僅可以識別出圖像中的物體類別、形狀等基本要素，還能理解物體之間的關係、空間佈局以及場景的整體含義。**更強的理解和推理能力：**不僅能更好地識別內容，還能根據所識別的文字和圖像信息進行復雜的邏輯計算。**更細膩的視覺描述能力：**可以基於圖像信息，更細膩地描述圖像呈現的內容，還能進行多種文體的創作。

繼 GPT-4 在語言方向的里程碑式突破之後，業界普遍認為“視覺”是下一個爆發的賽道。畢竟人類的五感之中有 80% 是視覺信息，未來的大模型也應該充分利用更多種類的感官，以此探索實現 AGI 的路徑。

火山引擎總裁譚待也在採訪中表示，推出視覺理解模型相當於解鎖了一個很大的場景，同過去只有文字對話形式的AI相比，聊天功能與深度推理的、圖像視覺理解等能力的融合，能讓模型有能力處理好真實世界大量綜合性的信息，輔助人類完成一系列複雜工作。

比如，在旅遊場景中，幫助遊客看外文菜單、講解照片中建築的背景知識；在教育場景中，為學生優化作文、科普知識；在辦公場景下，除了識別內容，模型還能幫助用户分析圖表中的數據關係，處理代碼邏輯。

豆包·視覺理解模型教育場景應用案例 圖源：火山引擎 Force 大會

此外，火山引擎除了推出視覺理解模型之外，還發布、升級了多個其他模型。比如，豆包通用模型pro已全面對齊GPT-4o；音樂模型從生成60秒的簡單結構，升級到生成3分鐘的完整作品；文生圖模型2.1版本接入即夢AI和豆包App……

可以看出，儘管相比於市場同類產品，豆包系列大模型發佈的時間並不算早，但一直保持着較快速度的更新，並且將最新能力通過即夢AI、豆包App等應用，迅速開放給了普通用户使用。

而當下，AI 市場關注的重心正逐漸從“大模型”轉變到“大模型+”。除了常規的 AI 文本對話類應用，多模態的“多”正在成為新的方向。

三、大模型到了該“驗收”的時候

在2024世界人工智能大會上，百度創始人李彥宏在演講中提到，“2023年國內出現了百模大戰，其實造成了社會資源的巨大浪費，尤其是算力的浪費。”的確，無論是技術上的研發成本，還是應用上的運行成本，大模型的成長每一步都少不了真金白銀的支持。

在行業迴歸理性的今天，越來越多的AI企業意識到卷參數量、卷Token數、卷集羣規模、卷價格，其實都意義不大，大模型的商業化落地才是最需要關注的問題。

而按終端用户類型，AI大模型的商業模式可分為to C、to B。

to C：即面向個人消費者，包括免費和付費訂閲模式。免費模式如騰訊元寶、百度的文心一言（3.5版本）；付費訂閲模式如百度的文心一言（4.0版本）、OpenAI的ChatGPT（4.0版本）；to B：即面向企業，包括API調用授權、SaaS模式。API調用授權模式中，企業客户可在自己的應用程序或服務中集成AI功能，通常基於調用次數或數據量來計費，如阿里通義千問、智譜AI；SaaS模式中，大模型企業為客户提供軟件服務，客户無需安裝和維護軟件，如Google Cloud AI。在實際應用中，大模型企業通常混合使用多種商業模式。

圖源：AI繪圖

當下多模態大模型競爭火熱，將帶動諸多行業重塑生產環節，勢必會在以下幾個領域引發新一輪的升級與角逐：

**影音創作：**當大模型由單模態生成轉向多模態生成，AIGC應用降低了專業創作門檻，這將改變影音傳媒行業的生產模式，塑造全新內容生產範式，實現創作效率提升、創作空間拓展及作品質量提升的目標。**情緒智能：**基於最新的AI模型如GPT-4o和Gemini 1.5 Pro，未來AI陪伴將通過流式語音識別、多模態AI和情感計算等技術極大地提升互動體驗。這意味着多模態大模型將賦予機器情感價值，並通過深度分析用户的情感和行為，滿足用户的多元化陪伴訴求。**工業智造：**未來多模態大模型有望與當前普遍使用的專用小模型互補融合，深度賦能工業製造的各個環節，並隨着場景數據的整合和積累，進一步升級感知和理解能力，以滿足生產製造中的個性化需求，從而推動工業產業變革。

總之，現如今AI領域的競爭核心，已經從大模型的“有無之戰”變成了“應用之戰”。在這個階段裏，比拼的不再是宏觀概念，而是落地能力和商業化的進展。

隨着國內大模型持續迭代與升級，疊加國內GPU供應問題逐步緩解、政策牽引等，國內大模型訓推算力需求有望逐步釋放，這不僅將為大模型的落地應用進一步提速，也將給AI時代帶來新的行業機遇。