2023年6月10日~11日，人人都是产品经理举办的【2023数字化产品经理大会·深圳站】完美落幕。远望资本创始合伙人@程浩老师，为我们带来《LLM/AIGC带来的创新机会》为题的分享。
ChatGPT的出现仿佛平地一声惊雷，无异于第四次工业革命。大模型对于人类的价值远超互联网的价值，互联网是搜索信息，大模型是理解信息。举个例子，图书馆有成千上万的书，互联网能帮我们做的是找到这本书，而大模型可以帮你理解、看懂、消化这本书。
而未来大模型对人类工作的替代会从初级白领开始，比如帮忙订酒店机票的助理，发展到后面可能也会取代高级白领，比如律师、医生等。
(资料图)
这就带来一个问题：未来，知识不是必选项。纯知识性的、重复性的工作将会被取代，留下来的岗位，都是在做创新的岗位。这也将会对国内的教育体系造成冲击。
接下来讲什么是LLM。这是一种压缩技术，提示语（Prompt）是解压缩。涌现是解压缩中，随机组合出现新的内容。它就相当于基因突变，但大部分基因突变都是错误的，涌现是好的基因突变。
泛化是LLM核心能力。什么是泛化？以前我在百度时，做问答的、客服的、新闻的都有自己的大模型和算法，但他们都只在垂直领域达到了59分，还不能商业化。而ChatGPT这个通用的模型，在每一个垂直领域都达到了80分，具有很好的泛化能力。
训练大语言模型模型，需要三个步骤。第一步是预训练，去互联网找很多语料，无监督学习。接下来第二步就是指令微调，给Q&A，预训练做得好，指令微调的成本越低。第三步是reinforcement learning。根据用户反馈不断调整，你问AI一个问题，AI给你回答，你可以告诉他是对的，给他正向回馈；也可以告诉他是错的，要他进行修正，让AI不断优化。还包括对齐，比如对其价值观，不能有地域歧视、残疾人歧视等等。
这三个步骤中，预训练的成本是最高的，没有上亿都不要搞预训练。很多创业公司都是先找好一个预训练模型，再进行后面两个步骤。
从大模型角度来说，数据质量是最重要的，其次是数据多样性，然后是数据规模，再是模型，最后才是模型参数。这也解释了为什么英文状态下的大模型效果会更好，因为不管是从数据质量还是数量或者多样性上，英文都是远超其他语言的。
如今，千亿参数可能是极限，未来的趋势是小型化，比如把大语言模型集成到手机里。
未来，还有一个趋势是从GUI（图形界面）到NLUI（自然语言交互）。现在打车还需要用滴滴，订外卖还要用美团，未来可以直接拿手机说打车去机场，订票去上海。
现在几乎每个企业都有自己的数据库，未来大语言模型也会像数据库一样，成为企业的重要基础措施。
未来大语言模型会让那些行业受益呢？主要是以文字语言交互为主导的行业，对纯数字化行业影响不大。
在C端领域，受益的可能是写作、问答、总结、法律、招聘、售前、客服、营销等这些以文字交互为主的行业。
那么，想要做大语言模型，是用开源模型还是闭源模型呢？像ChatGPT、文心一言这些都是闭源模型，但开源模型的趋势正愈演愈烈。
创业公司选择开源还是闭源呢？各有优势。开源你只需要买TOKEN就好了，再加上 Prompt engineering和向量数据库等。闭源的优势在于，保护数据隐私，并且可以不断用数据填充完善自己的模型。
C端有做开源的也有闭源的，但是B端几乎都是开源的。在做demo的时候，通常会用闭源的，效果最好，还不用买云计算资源，等到要形成行业壁垒了，再改回到开源模型。
那么，大语言模型，也就是通用模型，它的泛化能力足够好之后，是不是不需要垂直模型了？
不是的。通用模型很难替代垂直模型。
因为80%的有价值的行业知识和数据都在企业防火墙内，通用模型没办法接触到这些数据，自然也就没办法推导出答案。并且，通用模型具有一定的模糊性，所以它更适合一些容错率高的、低价值的行业。垂直模型更适合容错率低的、高价值的行业。
比如炒股票、自动驾驶这类需要精确、可控的事情显然不能用通用模型，但是聊天、写作就可以。
大语言模型有四个架构，最底层的是Infrastructure，例如算法、算力，这些和创业公司都没关系，都是巨头在参与。
第二层是large language models，比如ChatGPT、文心一言、通义千问都是属于第二层的。
第三层是LLMOPs，这层实际上是工具层，像向量数据库就是典型的LLMOPs。
第四层是应用APP。
最下面两层没有上亿的资金很难做出来，适合大公司去做，上面两层比较适合创业公司，尤其是应用层，可应用的行业太多了。
那么，创业公司能不能做通用大语言模型呢？很难。
首先，缺乏先发优势。创业公司能突破大公司的包围，核心原因就是你跑得快，有先发优势。要么是大公司没看上、没看懂或者走错方向了，所以创业公司能冲出来。但在大语言模型这块，这些情况都不成立，每个大公司都无比重视。
第二，没有Dummy Period。现在做大模型已经成为了共识，但是创业公司要想跑出来，那就得留有一定的非共识期来发育。
第三，缺乏场景。大公司都有很好的落地场景，比如百度可以把问答和搜索引擎结合，腾讯的语言模型可以和微信结合。但是创业公司有什么可落地的场景呢？
在垂直领域，创业的机会还是挺多的。我分成B端、C端、国内、国外四个方面来讲。
在国内做TO C的好处是什么呢？高爆发。在国内几个月做成几百万DAU是非常有可能的。但问题是什么呢？第一，壁垒低。你能做的，竞争对手也能做。第二，C端的流量红利没了。想想大家手机的首页APP已经有多久没更新过就知道了，几年都不会下载一个新应用。第三，巨头抄袭。你做了一个APP，那字节跳动、腾讯跟你做一个类似的，你怎么办？第四，合规成本高。做C端的大语言模型，用户问的问题是千奇百怪的，指不定哪个问题就违规了。第五，只能用国内的大模型。
在国内做TO B的好处是离钱近，壁垒相对高一些。但问题是，天花板低。在中国做TO B最大的痛苦就是企业的付费能力不好，这是受限于国内B端市场的规模。中国的IT Spending只有美国的六分之一，国内上市SaaS公司的人均产值只有30—60万人民币。所以在中国做企业服务就比较辛苦，核心原因就是民企没钱。
在国际做C端的好处是增长快，问题同样是壁垒低，而且市场已经是红海了。并且，即使是海外AIGC独角兽也面临巨头竞争。
在国际做B端的好处是海外企业付费好，天花板高。有垂直壁垒，巨头不会进入，而且国外的大模型相对更成熟。但问题是团队得懂海外的企业服务市场。
最后，我们在创业的时候，是AIGC+还是+AIGC呢？这两者的区别是你是用AIGC原生还是用AIGC赋能。比如要做一个客服系统，一个团队是之前就做AI的，先做好了问答机器人，再去添加客服系统的其他功能；另一个团队是本来就是做客服SaaS的，只不过之前的SaaS不是智能的而是人在后面回答，现在要把AI的自动回答功能加到已有的客服系统里去。
如何判断你更适合哪一种？第一个判断依据，如果公司70%的价值链都是AI，那么很显然就适合AIGC+的赛道。如果本身是SaaS，而AI只占到10%，那显然更适合+AIGC。第二个判断依据，看AI本身的技术壁垒怎么样。如果你选择AIGC+的赛道，那就必须补充业务工作流，完善价值链。未来，AIGC+和+AIGC一定会相互渗透的。
本文为直播专场分享整理内容，由人人都是产品经理运营 @Darcy 整理发布。未经许可，禁止转载，谢谢合作。
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。息存储空间服务。储空间服务。
标签：
