财经新闻网消息：
进入2023年，随着大尺寸车型的兴起以及不少企业“跑路”的前几个月，大尺寸车型开始偏向C端产品的研发，以及较为敏感的企业客户成本和效率似乎已经脱离了焦点。
然而，在过去的两个月里，情况发生了变化。 基于医疗、金融、教育等垂直行业的大型模式开始出现。 而已经发布通用大模型的企业，也在推出面向行业的模型服务。
这将给大车型的市场发展带来哪些变化？雷锋网
1. 关于 MaaS 的问题
随着“大模型是AI时代的基础设施”理念的深入人心，MaaS（Model as a，模型即服务）的概念逐渐被人们所熟知。 简而言之，用户可以直接在云端调用、开发和部署模型，而无需投资构建和维护自己的模型所需的基础设施、硬件和专业知识。
但从“用户”的角度来看，这种模式还是值得商榷的。雷锋网
现任某知名智能家居品牌CTO的陈平告诉雷锋网，他们的智能产品销往全球各地，对大型号的需求旺盛。 他们只是想用大模型来提高多语言识别和处理的能力。 以前的语音识别无法“通用”，而是要根据不同的国家设计不同的解决方案，但出来后调用API进行调试，发现大模型可以有效解决这个问题。
在海外，该品牌与亚马逊合作。 他们的产品本身需要通过亚马逊的平台销往海外，而亚马逊自家的Echo音箱也销往海外多个国家，这验证了亚马逊语音识别技术的成熟度。 虽然亚马逊的效率成本比较高，但是更能满足他们的需求。 但是在中国，他们不知道该用什么型号：目前在中国发布的大型号太多了。 如果他们要验证所有的模型，一个一个地比较模型的效果，消耗的人力成本会非常大。
国内模型能力的“卖家”可以分为两类：一类主要是BAT等大厂商和大型模型初创公司（如智普等）； 此外，还有大模型的“中间商”，主要是基于大模型开发应用服务的创始团队，包括底层算力和框架的提供商，甚至还有提供大模型微调的第三方公司。
陈平的想法反映了一些B端大客户的需求。 他们希望有一个专属于自己行业的大模式，介于两类卖家提供的产品和服务之间。
某大厂工程师在接受雷锋网采访时，将市场需求分为金字塔的底层、中层和上层：
从数据安全的角度来看，陈平更喜欢与大厂商合作，因为第三方公司虽然知道如何训练大型模型，但并不了解智能家居的知识。 首先，他们无法保证模型的能力可以扩展，其次，他们无法阻止第三方公司将这些数据和相应的模型出售给陈平品牌的竞争对手。
当理论付诸实践时，陈平的困境也是很多B端企业的通病。
2. 回到焦点
近三个月来，国内大型模型产品设计盲目跟风，将问题的定义留给用户自由发挥（俗称“AI召唤师”），导致同质化严重。 大模型的应用仅限于文本生成和代码生成等通用知识属性较强的场景，能够满足用户社交、娱乐或创作的需求。
离生产更近、对成本效率要求更高的工业市场没有过多提及。
今年5月，陈平尝试联系某大厂的大型模型团队，希望讨论大型模型的实施方案，但得到的答复是优先不在智能家居行业。
但眼下，主要制造商和初创公司正在重新关注该行业。
此前，国内大型模型产品无一例外地主打“对话互动”，而非“知识提升”。 ”（生成/创造）。但另一方面，C端用户付费意愿较低，To C一般大型模型产品的成功模式短期内无法复制。同质化产品的围攻下，他们被迫加入到资源竞争的烧钱游戏中，回过头来看，To B客户的付费意愿很高，随着市场回归理性，大车型选择To B几乎成为了不言而喻的范式。行业。
有报告指出，B端海量服务需要针对行业和业务场景做大量的工程工作，但B/G端客户拥有更强的支付能力，未来盈利空间和增长空间广阔。
不过，To B客户的需求也更加“强烈”。 如果一不小心误入歧途，就可能回到上一代AI模型定制化的老路。
例如，市场上出现了一些专门提供模型微调服务的第三方公司。
雷锋网了解到，此类第三方公司采用一次性开发+订阅的收费模式，比如初期研发费100万，加上终身授权设备费（每台8元），帮助B端客户根据以满足他们的需求。 训练一个满足他们行业需求的大模型，然后私下部署到客户的平台上。 由于市场上暂时没有合适的标准化产品，此类公司受到没有独立研发团队、渴望大规模模型能力的B端企业客户（不同于大B）的青睐。
3. 两个盲点
雷锋网也注意到，越来越多的大车型研发团队正准备弯道超车，绕过激烈的C端市场，专注于研究面向行业的大车型。 比如王小川创立的百川智能，刚刚推出了参数量表7B的开源商业模型。
腾讯还计划在6月19日发布大规模行业模型和商业训练平台。此前4月，腾讯发布了用于大规模模型训练的新一代HCC高性能计算集群。 整体性能较以往提升3倍，并通过腾讯云MaaS向企业输出模型训练相关服务。雷锋网
看来，腾讯并不急于推出聊天助手产品，而是选择了通用模式和行业模式两条腿走路，进一步释放行业模式的服务能力。 在刚刚结束的中关村论坛上，李彦宏提出，未来每个行业都会有自己的大模式。 规模化模式将深度融入实体经济，赋能千行万业，助力中国经济创造下一个黄金30年。 阿里公布的模型即服务三层架构也涵盖了企业特定的大模型。
可以看出，企业客户非常渴望实施大规模的模型，各个制造商和创业者也在追赶需求。
事实上，B端企业客户往往自带场景和数据，这是大模型落地的最佳试验场。 那么，当谈到大车型的落地时，企业客户最关心的是什么？
根据雷锋网的研究，企业大模型的实施存在两个盲点：一是数据安全，二是成本可控。 数据安全包括“数据隐私”和“专业知识”。 业内人士认为，生成的答案应该由相关领域的专业人士来判断。 基于通用的大型模型，目前用户在模型中输入专业知识后无法得到专业的结果。 此外，陈平指出，面向应用的企业基本上不愿意将自己微调过的模型贡献到公共版本上与他人分享，因此企业仍然倾向于训练自己的大模型。 训练完成后，在本地进行私有部署。
业界通常的做法是提供一个通用的大模型，然后开放给行业客户进行微调，然后私有化部署。 但陈平的经验是，以Open AI为例，虽然他们开放了API，但API无法私自部署，客户无法微调最新的模型版本； 大型号的技术变化太快，企业很难跟上潮流，追赶潮流的成本太高。
某公司CTO告诉雷锋网，目前公司大规模模型落地的成本分为两部分：一是前期对模型进行微调和训练的成本，二是前期模型的调优和训练成本。后期模型与业务结合的运营成本。 大模型的训练需要算力、数据、工程等多个系统的支持。 “企业应该考虑训练定制模型的人力和时间成本，更倾向于选择能够提供这两种能力的制造商，以最大限度地降低模型训练和运营成本。”
值得警惕的一点是：目前并不是所有场景都适合落地大型模型。 当大型模型刚开始流行时，一些没有及时推出大型技术或产品的行业和公司担心自己的业务会被大型模型改写。 看了两个月后，他们发现“我想太多了”。 他们认为原因可能有两个：一是缺乏会问好问题的AI产品经理，二是大模型技术属性的限制。 寻找场景一直是科技公司的难题，也是To B的难题。大模特团队正在寻找合适的场景，这也是深化To B服务的关键一步。
每一个掌握了大型模型自主开发能力的企业都希望成为大型模型时代的“基础设施运营商”。 三个月后，业界才能确定。 如果大模型真的是AI时代的智能运营商，比如水网这样的社会基础设施，不管这个行业现有的玩家有多少，最后能成功的只有少数。
先发者有先发优势，后发者有后来居上的可能。 大型模型驱动新生产力的博弈仍在继续。 如果大模型确实代表了一个新时代，行业集体花更多时间进行深度思考也是可以理解的。 目前看来，留在牌桌上已经是正确的一步了。
免责声明 ① 本网所刊登文章均来自网络转载;文章观点不代表本网立场,其真实性由作者或稿源方负责 ② 如果您对稿件和图片等有版权及其他争议,请及时与我们联系,我们将核实情况后进行相关删除 ③ 联系邮箱:215858170@qq.com
Copyright © 2017-2018