路线分化

短短两个月，分化已经出现。

在5月23日举办的文心大模型技术交流会上，百度智能云AI与大数据平台总经理忻舟介绍：“文心千帆大模型平台，是百度提供给客户的企业级大模型生产平台，不但提供包括文心一言在内的大模型服务及第三方大模型服务，还提供大模型开发和应用的整套工具链。”

即文心千帆可以文心一言为核心，提供大模型服务，帮助客户改造产品和生产流程；企业也可以在文心千帆上基于任何开源或闭源的大模型，开发自己的专属大模型。

多位与全天候科技接触的业内人士认为，当前国内大模型赛道主要包括三类：一类对标GPT的通用大模型，聚焦基础层的公司；一类是在开源大模型基础之上训练垂类大模型，聚焦垂直行业的企业；另一类则是专注具体应用的纯应用公司。

“刚开始大家是一窝蜂扎进通用大模型，现在分化已经出现，不管是分化到具体行业的，还是不做研发直接调用接口做产品运营的，这个趋势是越来越清晰了。”前金山软件副总裁兼人工智能事业部负责人、现AI领域创业者李长亮告诉全天候科技。

通用大模型面临算力需求大、训练和推理成本高、数据质量不佳等挑战。一个成功的且可对外商业化输出的通用大模型大模型，要求厂商拥有全栈大模型训练与研发能力、业务场景落地经验、AI安全治理举措、以及生态开放性等核心优势。

在百度智能云副总裁朱勇看来，基础模型（通用大模型）的公司可能“只有那么几家”，但是上面会长出很多专业领域的大模型。

“训练一个基础模型，成本是非常高的，做一个千亿级的大模型，需要单机群万卡以上的算力。”朱勇说，从国内外来看，真正做通用模型的公司并没有那么多。相反，训练领域（垂类）模型所需要的代价和资源远远小于从零开始做通用模型。

因而，从商业逻辑的角度来看，大部分公司不具备做通用大模型的能力，巨头更适合做通用大模型，拥有丰富场景数据积累的公司更适合做垂域模型。

垂类大模型以深度解决行业需求为主，即企业在自己擅长的领域训练适合自己的“产业版GPT”。这类大模型生成的内容更符合特定垂类场景的需求，质量更高。

当前，已经可以看到不少垂类模型应用在金融、医疗、交易等场景中。比如，彭博社根据自身丰富的金融数据资源，基于GPT-3框架再训练，开发出了金融专属大模型BloombergGPT。

除了上述两种常见的模式，目前国内大模型创业赛道上还有一种专做应用的公司，它们没有研发团队，从现有大模型调用接口，做产品和运营。