圖片來源 @視覺中國
作者｜吳明燦，編輯｜桑明強
最近的科技圈狂歡，屬于 ChatGPT。
自從 OpenAI 公司公開了 ChatGPT 的公測平台後，ChatGPT 就迅速霸占了國内各平台的科技榜單，短短一周，用戶量已經突破了 1 百萬人。但事實上，它不是一個新概念，确切的說，他算是介于 GPT-3 和 GPT-4 中間的一個彩蛋，而且，GPT-3 已經是現象級的 AI 産品了。
在 ChatGPT 之前，OpenAI 推出了 GPT-3，同樣是對人類語言的理解，GPT-3 對比 ChatGPT 來說就顯得冰冷。後來，在 GPT-3 的基礎上，ChatGPT 引入了人類偏好學習機制，讓他的回答更貼近人類，不僅如此，ChatGPT 學會了糾正提問中的錯誤，并對一些敏感的問題做出回避。
在一些業内人士看來，ChatGPT 的出現對傳統的搜索引擎是一個沖擊。無論是谷歌還是百度，用的都是一套 " 推薦制 " 的搜索方式，而 ChatGPT 跳過了網頁浏覽和整合這個步驟，直接給你一個答案，而這樣的搜索結果顯然更加效率，能大量節省用戶浏覽和比對的時間。
更有人預言，ChatGPT 會颠覆現在已有的産業業态，就像當年互聯網對線下商業的沖擊一樣。那麼，事實真的如此嗎？這篇文章我們來好好聊一聊。
01 ChatGPT 帶來了什麼改變？
大約在 6 年前，一篇大名鼎鼎的論文《Attention Is All You Needed》正式發表，它第一次提出了注意力機制（Attention），并且在 Attention 的基礎上創造了一個全新的 NLP（自然語言處理）模型 Transformer。
Transformer 是 GPT 和 BERT 的前身。谷歌和 OpenAI 在自然語言處理技術上的優化，都是基于這個模型。
後來，從 2018 年開始，GPT 技術基本上是一年叠代一次，所使用的參數量從初代 GPT 的 1.17 億，增加到 GPT-3 的 1750 億。優化的背後，是 OpenAI 巨額的研發經費投入。據相關數據顯示，GPT-3 訓練一次的費用是 460 萬美元，總訓練成本達到了 1200 萬美元，不僅測試成本非常高，GPT 技術對算力的要求也是目前 AIGC 技術領域最高的。
各項技術算力需求圖源國盛證卷
與此同時，在大算力的驅動下，AIGC 生成的結果會更優質，更效率。從第一代的 GPT 技術到現在的 ChatGPT，如今的技術已經可以讓 AI 跟人進行自然的交流。因此，它也就具有了更多的應用場景，比如搜索引擎、電商客服等。
有趣的是，最近大家都在擔憂谷歌會不會被 ChatGPT 替代掉的問題。關于這個問題，我們先來看一個應用場景：我從旅遊景點推薦的方向，分别問了 ChatGPT 這樣幾個問題，它給出的答案如下：
ChatGPT 問答測試圖源新眸自制
以往我們需要查找一項攻略的時候，需要經曆四個步驟才能得到答案：輸入、檢索、整理、結果，而 ChatGPT 跳過了中間的兩個步驟，實現了從輸入到結果的新搜索方式。
總結起來，就是 ChatGPT 技術已經可以替代部分的搜索引擎功能，大幅提高了用戶的檢索效率。再回到 ChatGPT 的核心技術上，GPT 的全稱是生成式預訓練模型（Generative Pre-Training Transformer），ChatGPT 也就是在無監督無标記，這種更符合日常溝通的條件下，識别人的語言并進行對話。
某種程度上，NLP 技術的優劣，決定了 AI 對人類意圖的理解能力，如果 AI 能理解人類的意圖，就能生産更符合人類需求、更優質的産品。
作為 AIGC 賽道上重要的一個階段，NLP 技術的升級是整個 AIGC 技術更新的第一步。
ChatGPT 在原來 GPT 的模型基礎上加入了人類反饋學習的機制，也就意味着，新的 GPT 技術将更好的理解人類的自然語言。
用建築設計領域舉個例子，AIGC 技術如果能完美的理解設計師的意圖，就能免去很多繁瑣和重複的工作，在提高效率的同時，也能釋放勞動力的潛力，創作者可以逃離重複的工作，利用多餘的時間進行自我提升。
從 GPT-1 到如今的 ChatGPT，在 NLP 技術上的優化和叠代，讓 AIGC 技術有能力開拓更多的應用場景。如果将優化後的 AIGC 技術落實在企業應用端，也會進一步提高企業效率，釋放更多的人力成本。
AIGC 應用場景圖源紅杉資本
02 焦慮是留給其餘 AI 企業的
在技術圈和投資者們都為 AIGC 技術狂歡的同時，感到焦慮的是大部分 AI 企業。對于 AI 賽道上的其他企業來說，OpenAI 和它們之間已經形成了很大的差距。
在 ChatGPT 發布之前，不是沒有人挑戰 OpenAI 的技術。
自從 OpenAI 發布了 GPT-3 并創開創了 AIGC 大算力的發展前景的時候，不少工程師開始研究對 NLP 過程進行瘦身，在保證運行效果不變的情況下，通過降低算力和參數量的需求，開發 Transformer 模型在應用端的潛力，目的在于希望小企業也能有能力運用 NLP 的新技術，但其實這是比較難實現的，尤其是參數量的需求對于 AIGC 技術來說是剛需，越多的參數量，所産出的 AIGC 作品也就更優質。
就像一位分析師在李 rumor 公衆号中所提出的問題：" 如果商用智能作為公司助手，你是會選擇高價但是能精準提高效率的，還是低價但是準确率隻有 70%-80% 的産品呢？" 從長期投資的角度來看，企業是會傾向更精準的機器的。
最典型的例子是，在 GPT-3 發布之後不久，Meta AI 推出了 OPT 技術。
OPT 和 GPT-3 的運行效果幾乎沒有什麼區别，參數量也是很巧合的 1750 億。不僅如此，Meta AI 還将 OPT 技術做了開源，提供給所有需要的企業和個人作為研發的基礎技術。
那麼問題來了，推特上的一位數字科技的風險投資人 Andrew Steinwold 這樣評論 GPT-4 技術，他說："GPT-3 需要 1750 億參數，GPT-4 明顯會擁有 100 萬億的參數量，你們想用 GPT-4 做出什麼樣的東西來呀？"
也許 GPT-3 對參數和算力的要求還能被一些比較大的企業滿足，如果換做是參數量翻了幾百倍的 GPT-4，能跑得動巨額參數的企業也隻能是鳳毛麟角了。
AIGC 未來對算力和規模的要求，對于進入賽道尚且年輕的企業來說更是不可能超越的。某種意義上，OpenAI 憑借着大規模和大算力，在同行和自己之間構建了足夠厚的技術壁壘，而這份研發投入，是非常難超越的。在全球市場排在頭部的企業也就幾家，能做到微軟這個量級的企業就更少了。
這也是 OpenAI 開發 GPT 技術讓人感到害怕的地方。
對于 AIGC 這個賽道來說，算力、算法、數據都是促使它優化的主要因素，而 GPT 技術的叠代升級，将大數據的重要性放到了一個空前的位置。在大算力、大投資、大規模的要求下，後來的 AIGC 企業想要做出更好的技術，隻會變得更難。
也有人會問，為什麼國内做不出 ChatGPT 這樣的産品？是創新力不夠嗎？其實，創新力是一個因素，但不是全部。
03 我們距離 ChatGPT 還有多遠？
我們從融資、科研投入、技術三個方面分别聊聊國内的情況。
國内企業有很多從事 AIGC 研究的企業，例如盜夢師、TIAMAT 等，但是國内的投資人對 AIGC 的狂熱度遠不及海外。在海外獨角獸公司 Jasper 和 Stability AI 在今年 10 月相繼獲得了 1.25 億美元和 1.01 億美元的融資後，國内的 AIGC 企業目前隻有 TIAMAT 完成了百萬美元的天使輪的融資。
先不看投資人的金錢實力，單憑投資邏輯，對于國内投資市場來說，投資人更關心 AIGC 的商業化落地問題。百度集團副總裁吳甜就曾針對 AI 的深度學習說過這樣的話：" 深度學習技術已經開始向多個行業進行大規模地滲透推廣，但目前 AI 大生産仍處于起步階段。"這也意味着，其實企業内部也對 AIGC 的商業化程度不夠自信。
再比如 PICO 這樣的元宇宙系列産品，最近也面臨着銷售瓶頸，這樣的情況時國内很多高科技企業都會面臨的問題，技術是好的，但落實在産品銷售上就賣的不好，從某種程度上也會抵消企業内部對一個新産品的信心。
由于國内的 AI 企業在核心技術門檻上并不具備先天的優勢，如果想實現淨利潤的提升，最終總會走向技術商業化。筆者此前針對科大訊飛的商業模式做過一些了解，對于科大訊飛來說，語音技術門檻被突破，單純做技術不能賺錢的話，它會先選擇賣産品掙錢，先将技術在産品端落地了，有一份收入來源，剩下的就邊走邊看。
在這樣的邏輯下，國内 AI 企業就會更關注一項技術能不能實現快速實現商業化，是否可以在産品端落實之後帶來收益。
但是 OpenAI 的思路明顯和國内的大部分企業都不一樣，OpenAI 之前獲得了微軟的 20 億投資，進行 GPT 的開發。GPT-4 技術需要的大算力和大規模，顯然在近幾年是不能回本的。光是 GPT-3 在測試階段就花出去了千萬美金，作為算力要求翻了幾百倍的 GPT-4 技術，在開銷方面也隻會成百倍的增加。
總結起來，這也是國内外科研邏輯的不同。相比國外，國内更追求商業産品的落地，投資人在對一些概念性的産品進行投資時也更加謹慎。然而，在大算力的新競争生态下，融資投入的增加對于 AIGC 企業來說非常重要。
其次，是研發人員待遇的問題，根據市場調研數據，國内的企業研發人員相比于美國的企業，收入更依賴工齡和學曆。
中美兩國研發人員收入對比圖源 OECD
最後從國内 AIGC 相關的技術發展方面，根據 Gartner 數據統計，國内的數字化技術還集中在發展階段。而美國的大部分技術都已經可以平穩發展。還有一個現象就是，在國内很多技術就算發展了 5-10 年也還是分布在創新孵化階段，然而美國的很多技術在發展了 1-2 年後就能進入成熟階段。從這個個統計結果來看，美國的企業相比于國内，研發效率明顯更高。
綜上來看，國内企業想要發展 AIGC 技術，首先要解決的就是資金問題。按照國内高科技投資的邏輯，AIGC 技術在獲得大量融資前，應該先讓投資者看到它的應用前景。但是現在的 AIGC 賽道，雖然應用場景很多，但是商業前景還不夠明朗。
04 談談 AIGC 這門生意
實際上，盡管 AIGC 的技術一直在叠代升級，AIGC 的商業化推進其實是困難的。首先，AIGC 對于算力的要求越來越大，不是一般企業可以負擔的起的，也隻有一些大的 B 端企業可以負擔 AIGC 的大規模和大運算需求，這樣一來将來能使用 AIGC 技術做應用的公司并不多。
其次，AIGC 的應用路線還很模糊，就拿搜索引擎這一應用場景來說，ChatGPT 還不足以取代傳統的搜索引擎。
網絡上關于 ChatGPT 擊敗傳統搜索引擎的論調很多，我們回到前文提到的旅遊推薦的應用場景去說，當我提問 ChatGPT 能不能給我一些旅遊建議的時候，它直接給出了答案，搜索效率是提上去了，但是這個答案一定就是我需要的嗎？未必。
比如，我問它聖誕節倫敦有哪些值得去的地方。它給我列出了 5 個城市，現實的情況是，英國的聖誕活動各地都有，它直接給我列出的 5 個城市，一定程度上也減少了我的選擇。
ChatGPT 現在的問題在于，他給出的答案往往是大衆性質的、普适化的，而非個性化的。
在用戶剛開始做檢索的時候，大部分情況下對自己的需求是沒有很明确的認知的。而在使用傳統浏覽器的時候，往往是在檢索過程中才能進一步縮小自己的需求範圍，而 ChatGPT 是直接将用戶能看到的答案範圍進行了縮減，它給出的答案是正确的，但不一定就是最合适用戶的。
就現在的情況看，AIGC 的應用前景并不明朗，盡管 AIGC 可以運用在多種場景中，但好的技術，不一定能在商業上迅速落地。
盡管 OpenAI 用錢燒出了 GPT 技術的叠代，但是這一做法也有它的市場局限性，在大算力的要求下，沒有多少企業可以承擔得起 GPT-3 的運作，就算是面向大衆測試的 ChatGPT，它的參數量要求也很大，将來如果運用在 B 端市場，對于多數的企業來說是個不小的負擔。ChatGPT 的出現也隻是 AIGC 的一次技術叠代升級罷了，它的應用前景還不明朗，現在就談到勞動力替代和技術壟斷，還太早了。
