從chatgpt面世到全球為之著迷，已經有了近半年時間，可以說，chatgpt的大爆發驅動了行業的大繁榮，隨著Ai的應用面越來越廣，人們使用中不斷進行反饋，AI的表現越來越好。在其擅長的領域，已經可以完全替代人力。甚至有些設計公司，裁員了三分之一的員工，卻提供了更好的圖片設計產品。
資本市場也早已把當前Ai的各個方向預期了一輪，從訓練AI所需要的算力芯片，到擁有大量芯片的數據中心，到云服務商，再到各類正在開發Ai產品的公司，最后到應用側，各類傳媒、教育、游戲公司。
(相關資料圖)
無所不想，無所不炒，但倘若我們問問自己，chatgpt真的影響了我們生活中的方方面面了嗎，似乎又還沒到這個程度。
必須承認的是，在創意制作領域，我們確實看到了一些震撼的表現，但在AI的大規模應用方面，人們期待的自動化操作，卻還有更多進步的空間，至少，目前的Ai在日常應用中還是太少，除了程序員和設計師，編輯等，其他職業使用的依賴度還是不夠高，Ai更大規模的落地，還需要更多努力。
一、多模態大模型的成本制約
目前人們最期待的莫過于GPT-5，期待它可以更聰明，回答更多的問題，未來甚至能夠分辨語音和圖片，甚至視頻，試圖打造一個無所不能的chatgpt。
讓長板更長的思路總是正確的，但可以預期的是，對大模型更大的追求，將面臨算力和成本的制約。
可以看到，GPT-4的升級過后成本是數十倍的躍遷，目前的GPT-4收費，也只是維持盈虧平衡，但問題在于，除了設計及編程相關人員，20美元的收費是需要考慮的，至少從身邊的樣本看，很多用戶依然使用的是免費版本，有需要時，與他人共享一個GPT plus賬戶。
當下也許Ai更加實用的關鍵，并不是再度加大模型，不斷地擴充其計算容量，而是如何讓其更普遍，更輕量些。
我們可以對照電子計算機的誕生歷史。
原先的計算機只是開發用于軍事和政府用途的大型機器，其使用方式跟現在的Ai如出一轍，都是中心化的，也就是一個大型終端，用戶通過連接到終端來使用。
但顯然，計算機真正走向爆發并提升生產力，并不是在40年代-60年代問世的時刻，而是在后來，PC的出現才帶來了計算機應用的大爆發，每個人都可以極其輕易地，不受限制地使用PC，這帶來了互聯網的爆發，而在PC普及的幾十年后，智能手機將終端再次革新，使得互聯網走向了新的高潮。
Chatgpt目前的問題同樣是用戶在使用過程中，首先需在使用中缺乏更多的多樣性，例如每個用戶若打算基于自己的工作習慣打造合適自己的Ai，還有相當的難處。
企業使用API，則也面臨著數據開放的疑慮，至少目前，沒看到有哪個應用或者公司已經深度結合chatgpt推出產品，畢竟，把自己的數據庫完全給Ai看個遍，是很令人擔憂的。
另外，用戶使用chatgpt的方式過于中心化，這導致了較高的不穩定性，而例如斷網或者chatgpt服務器過載等問題，依然困擾著很多用戶，不穩定就導致了很多自動化流程無法實踐。
如現在我們在使用chatgpt中面臨的痛點，與chatgpt進行的對話均保存在云端，而隨著使用量的增加，重度使用者的對話量已經積累得非常龐大，可能高達數十條或者數百條對話，以解決不同的場景，而實際上每次打開chatgpt，加載這些數據已經開始緩慢了起來。
再看到，GPT-4的運算速度相比GPT-3.5，確實是慢了不少，倘若未來的GPT-5加入圖片等模態輸入，其運算量的加大就更不言而喻了。
即便用戶對于運算速度的問題可以容忍，但更大的運算量所帶來的成本和定價問題，則也是openai等公司不得不考慮的。
看上去chatgpt是一個殺手級應用，全球無數用戶都愿意使用，然而，要走出成功商業循環，或者說，要讓chatgpt馬上盈利，也不是那么簡單的。
面對此種問題，將chatgpt適當的本地化是一個很好的思路。屆時，較快的運算速度，更穩定的使用體驗，才會使得其的功能最大化。而包括大量的IOT設備，也才能更好地接入Ai。
其實我們看到目前的Ai繪畫和Ai擬聲，都是本地化、專類化取得成功的例子。
如大名鼎鼎的midjourney，就憑借其過硬的產品取得成功，我們看到的設計公司減員增效，也都基于這個。應該明確的是，Ai繪畫與chatgpt是完全分離的東西，Ai繪畫是應用了機器學習模型在設計領域的一個應用，它與chatgpt的成功沒有太大關系，千萬不要把它們混作一談：Ai。
在商業層面，midjourney更成熟，首先其專類化，用戶明確就是設計團體，盡管圖片處理的計算量比文字大，但不需要像gpt大模型一樣面面俱到，要考九門考試，又要編程，所以其訓練量只要面向圖片即可，成本平衡得更容易。
又比如Ai擬聲，最近我們看到了通過人聲訓練所產出的各類ai歌曲，如ai周杰倫，ai孫燕姿翻唱的數百首歌曲，效果不錯，這同樣是與chatgpt關系不大，同樣是基于ai的基礎算法取得的成功。
而制造出這些產品的基礎，其實就是開源的，可以在自己搭建的本地環境中訓練的模型。比如midjourney，實際上只是11個人+非常基礎有限的硬件。
再仔細想想，chatgpt所生成的產品，是不是還是欠缺的呢？Chatgpt讓人印象深刻的，是文章還是笑話？（請排除所有的AI繪畫、Ai音樂作品，它們不是gpt的產物）
所以說，chatgpt作為一個大模型在自然語言理解上有其巨大價值，但應用側需要完善，需要更多的用戶來使用參與，來發散自己的創意把Ai應用好。
其角色更應該是基礎性的，類似于Ai繪畫中的diffusion算法，來幫助用戶繼續開發更進一步的產品。所以，追求大模型的同時，專類化更是Ai進化的關鍵。
當然，要達到此種效果，首先需要openai等公司在商業模式上的改變，包括將訓練Ai的一部分職能讓渡給用戶，給予更高的自由度。也包括硬件層面的適配。例如設計在PC層面支持特定Ai運算的芯片，以應付本地啟動模型運算的基礎算力。
另外，還需要將Ai進行小型化輕量化，部分的數據保存在本地，不再進行預加載。大模型過大后，將其特定用途分型，即為剪枝，以達到更低的運算量，這都是需要重新設計的。
二、適應新時代的趨勢
因此，Ai時代的下一個看點，并不是GPT-5或者GPT-6后面還有多聰明，因為目前的chatgpt在應付人類的問題上已經足夠好，正如圖片所示，進步空間其實就是剩下的比例了，而明顯，距離滿分已經不遠。
關于大模型的發展，未來分化成小模型，提煉其核心能力，使其可以被更多用戶所使用，創造是關鍵，我們還是從痛點出發，倘若要實現本地化，使得每個人可以訓練自己的Ai，首先要的是硬件方面的適配。
如算力，滿足本地化進行Ai訓練和運算的芯片將是一個開放的方向，這其中需要的，首先是GPU公司的適配，對未來PC整個業務模式的適配，這個機會不只是英偉達的，實際上幾個芯片業內的巨頭還是有機會參與競爭，另外，FPGA和ASIC芯片也應該在這個趨勢的發展中有一定的地位。
當然，也別忘了，作為芯片的載體，也是訓練和運用Ai的載體，無論是PC還是手機，都有在這基礎上實現功能創新的可能。
當在Ai實現專類化的過程中，也需要一部分公司對于大模型進行修整，重塑，如一些公司正在針對chatgpt的數據緩存進行改善以實現數倍的加載速度提升。同樣地，一些基于chatgpt所建設成的專類AI已經實現了更快的運算速度，如文本識別的等。這些完善Ai結構，把chatgpt從大模型分離出小模型的公司，同樣大有前途。
三、結語
新事物的誕生總是需要一段時間的適應期，需要時間讓人們去應用，發掘，創造，對于chatgpt而言，明顯，現在就是在一個事物認知逐漸從發現亮點到發現缺點的過程，一定的擔憂和懷疑將很快到來。
大模型的未來，依然充滿不確定性，如何讓其本地化以實現運算速度和穩定性的提高，成為小模型，個人模型（personal model）確實是現在提升使用體驗的關鍵。無論是Ai繪畫還是Ai音樂，都是小模型的好例子。
因此朝著這方向，新的個人化硬件發展和應用側的開發，將是未來一段時間Ai發展的重點，而單純的大模型模仿，在算力上，在模型參數量上的內卷，不一定是更應該聚焦的方向。
目前AI的快速發展，痛點的出現總是不可避免的，方向的改變也是迅速的，革命性歸革命性，人們使用chatgpt及其衍生產品的比例，時長，在這些產品上的付費額，包括相關Ai公司所得到的營收及增長，才是對Ai產業發展程度更立體的觀察指標。而明顯，現在的Ai，仍需要更多的改善。
責任編輯：Rex_10
營業執照公示信息