还有约165个大模型尚未获得“过审”机会。
引言
继OpenAI的GPT-4模型问世后，国内大模型的发展也迎来了春天。这不仅推动了AI技术的新浪潮，也使得国内企业纷纷踏上了AI大模型的开发之路。然而，一年多的时间过去了，这些企业在发展过程中遇到了哪些挑战，他们又是如何寻找破局之路的呢？本文旨在探讨这些问题，分析当前形势，并预测未来的行业发展。
国内大模型的发展现状
在AI技术的持续革新中，国内的大模型如雨后春笋般涌现。据不完全统计，目前已有305个大模型发布，涵盖了语言理解、图像识别等多个领域。然而，备案率却只有大约45.9%，表明尚有大部分模型未获得‘过审’机会。这一现象背后，不仅反映了技术层面的难度，更突显了训练和推理过程中的高成本问题。
算力瓶颈与成本问题
算力资源的稀缺性成为制约大模型发展的关键瓶颈。即使大模型在训练阶段成功，但如果不能解决高额算力成本问题，就难以实现持续发展。目前市面上只有三类系统支持大模型训练，其中基于英伟达GPU的系统一卡难求，而基于国产AI芯片和超级计算机的系统也面临各自的挑战。
商业化之路的挑战
即便大模型在技术和算力上取得突破，其商业化之路也非一帆风顺。随着市场上通用大模型的增多，差异化盈利变得越来越困难。此外，大模型商业落地的边际成本仍然非常高，以至月订阅费用难以抵消背后的成本。面对这些挑战，部分企业开始尝试使用CPU进行大模型推理，以降低成本。
转型之路与新策略
在大模型领域，最终可能只会留下少数几家公司。对于那些在竞争中被淘汰的公司而言，未来之路在哪里？一些企业选择了投身于应用领域的探索或专注于垂直市场的细分，这成为了他们转型的策略。例如，一部分公司专注于高质量的通用大模型，并寻找超级应用来覆盖成本；另一部分则选择了成本优先的模式，寻找垂直场景的落地，并期待在相同的成本条件下，通过性能提升来拓宽商业化空间。
结语
在“百模大战”中，最终胜出的公司可能会是转型为应用驱动型的企业。正如一些成功的科技公司一样，他们的核心竞争力将来自于他们的应用而非其内部的大模型技术。对于许多企业来说，商业化的成功与否，将取决于其能否平衡算力成本与模型质量，以实现可持续的发展模式。
记者：可杨 杨卉
编辑：何小桃 兰素英 杜波
校对：汤亚文
本文分析了国内大模型的现状，探讨了备案率、算力成本以及商业化挑战，并对企业未来的转型策略进行了展望。
相关文章
