[size=14.6667px] 这些年，AI+养猪、AI+巡检、AI+煤矿、AI+码头等智能化项目，最常见的一个场景就是：AI企业的科学家、算法工程师、产品运营人员、项目经理等各色人等，有的在田间地头码头仓库，一待就是几个月，去了解基层人员的工作需求，去从头设计作业流程。 而智能化往往也伴随着“去人化”，有的时候一线工作人员也会不理解、不配合，大大延缓项目进度。有一年冬天，某煤矿智能化团队在陕北某场站调研时，工作人员不想搭理他们，就故意不开暖气炉，想让他们大冷天的自己知难而退。还有一次，在一家养猪场，管理方希望用智能摄像头来实时感知猪的体温，防范猪瘟等传染病，但算法性能一直提不上去，最后技术人员在现场反复调研，发现是因为猪皮太厚了，导致体温识别准确率下降…… 不难看到，这些十万、几十万的中小微企业的小项目，可能客单价比不了大B/政府类客户，但数量多、规模大，以基础大模型作为底座，进行定制化开发，可以极大地提高基座模型厂商的使用率，吸引更多伙伴/ISV服务商去打造商业版。[size=14.6667px]
[size=14.6667px] 吸引行业伙伴，百川智能、智谱AI、昆仑万维、澜舟科技都相继开源了数个模型。 但我们都知道，开源容易，做生态难。一个大模型开源之后，生态繁荣不起来，没有开发者来持续贡献、打造商业版，无法形成正循环。要吸引开发者，一是基座模型的能力还是要 亚美尼亚 WhatsApp 号码 过硬，理解分析逻辑不能有硬伤。奥特曼就曾经说过，GPT-4的很多问题会在GPT-5得到解决，希望开发者基于AGI通用人工智能去设计业务。换句话说，更强大的新模型，可能会将旧模型的商业价值一笔勾销，让开发者彻底白干。所以，开发者一定会选择将时间精力放在那些最先进的基座模型上，避免被卷得太快。
此外，需要良好完备的工具栈。大模型要用好，软件也要做一定的适配和改造，则考验的是大模型厂商的工程化能力，软件是否对开发者友好。而“四小龙”中比较多初创公司，工程团队在规模、人才、经验、积累等方面可能与BAT这类成熟企业有差距。比如任务调度、代码可读性、技术文档、标准数据集等，减轻开发者和伙伴们的负担，共同把大模型用好。 无论是曾经辉煌的“AI四小龙”，还是正在崛起的“大模型四小龙”，这些企业用锐利的技术和昂扬的理想，一次又一次地推高创新的“天花板”，是中国科技不可或缺的一支力量。 智能中国正打开更宽广的天地，这些大模型“潜力股”，一定会有龙跃于渊，遨游九天。 作者：藏狐
| 
發表於 2024-2-14 20:05:54
