2、GPU芯片的市场格局或将发生变化，在
微软等巨头的强力支持下，AMD较为薄弱的软件生态有望取得长足进步，AMD将对N
VIDI A形成强有力的挑战。
3、芯片是中美竞争的最大鸿沟。两国达到一个数量级的算力储备既是目前亟待解决的瓶颈，也是未来确定的投资机遇。尤其是在边缘侧推理算力，既是被低估的远超训练算力的市场，也给了中国展现制造业优势的机会。
2 、关于AI行业应用
第一，大模型适用于需要一定容错率的行业，ChatGPT开始做商业化付费使用plus其实并不赚钱，核心是为了挡掉一些乱用而把成本变得过高的用户。大模型应用在要求100%准确的行业目前难度比较大，更多的是比如客服咨询、艺术创作、会议记录、写文章、数据分析等。大模型的商业化在B端已经看到成果了，比如：微软的全家桶office，减少制作时间、提升完成度、提升复购率；客服：给地产公司、医疗公司节省前端客服的成本。视频制作：一键生成visla.us只能生成demo视频等工具，就不需要找工作室了，节约人力成本。GPT4到现在只有一个半月，市场还在讨论如何应用，再过六个月能看到更多更清晰的落地。
第二，微软M365 产品主要在大规模交付、隐私和安全方面发力。微软现在主要的目标是怎样去大规模的交付，尤其是解决一些个性化的AI特征，另外就是安全与隐私方面的准备。M365是微软现在最核心的产品。对于企业整个工作流，整个的协作平台，整个工具、存储、安全都在M365的目录下面。Copilot是对于现有的产品线的生产能力做大幅度的提升。M365有两套不同的运算，依托Azure的
数据中心做全球的扩张，M365内部也有自己的数据中心；M365是把openAI嵌入产品，不是用公用的openAI。M365在中国落地技术上有难度：1）运算资源；2）法规：数据透明度、敏感信息的管理。
我们认为，在美国，AI技术的应用已经非常普遍，例如客服咨询、艺术创作、会议记录、写文章、数据分析等众多行业。但需要注意的是，目前大模型的应用应该定位在“副驾驶员”，需要一定的容错率而非确定性的决策工作。此外，以微软为代表的海外大模型应用目前进入中国仍存在较大难度，这些难度不仅仅是在
数据安全与合规政策的要求方面，大模型与算力资源的本地化部署方面也面临诸多挑战。
3 、大模型与垂直模型的发展趋势
第一，谷歌和微软的大模型大概率闭源，而Meta可能是最重要的开源“搅局者”。 Meta最重要的业务是社交，AI可以作为聊天助手，Meta的思路是做出大模型然后开源，成为大模型里面的“搅局者”。比较来看，Meta的大模型1750亿参数，估计GPT4参数5000亿左右，Meta开源了超过650亿个参数的大模型，估计精确度比ChatGPT低20%左右。很多公司和学使用Meta的开源模型做微调，在模型参数很小的基础下效果和GPT等差不多。开源的意义在于可以发动全世界上百万工程师一起参与微调。
第二，大模型走向移动端是个趋势。未来大模型开源生态中大公司做大模型，小公司做微调，大模型还会被简化到在各个移动终端上，比如原来的32位浮点运算改成INT8等，提升运算速度。大语言模型在开源中会有一个很好的生态圈，大语言模型就像水、电一样，在一些细分领域让开源生态做。开源社区有些聪明的人可以把模型蒸馏的很小，比如把36位浮点运算改成INT4，可以把体积缩小十倍，小到可以在电脑和手机端装，未来可能会有很多有创意的应用开发出来。未来iOS或者安卓可能会内置大模型，以后所有的移动端应用跑一次给
苹果一定费用。
第三，大模型继续发展中参数量的增加核心要考虑ROI。处于科研角度，当然参数越多越好，但是处于商业使用的角度，每多一个参数就会增加成本，包含收集成本、训练成本。ChatGPT 3.0用了1750B的参数量，而GitHub上有一个仿GBT的模型只用了70B的参数就达到了90%GPT的效果。从商业应用层面，需要找ROI最高的参数。
第四，大模型最终会通吃一些通过互联网即可获得数据的垂直行业，可能无法覆盖某些数据无法获得的垂直领域模型。现在谷歌正在做一件事让AI像人一样实时学互联网的内容，而数据在线下无法获得的领域，可能会出现线上的大模型和本地模型做交互的形式，但这个涉及难度比较大的耦合问题。
我们认为：
1、 中国可能是以Meta为代表的开源大模型的最大受益者。
2、我们对于国内大模型追赶全球领先水平的进度应该保持信心，在已经给定了技术路线方向与开源大模型基础上去追赶，实际上节省了从头开始的试错成本。尤其是对大模型通用性要求并不高的垂直行业龙头，借助开源大模型可以迅速搭建垂直大模型，加快垂直领域的应用落地。
3、大模型部署在边缘侧与移动端是一个必然的趋势，尤其在近期谷歌发布移动端大模型和ChatGPT在苹果手机上的App正式上线之后，这一趋势逐步被市场认知，大模型是非标准化的各类AIoT终端等待已久的统一操作系统。
紫狼作手
登录用户ID：
13
评论(53)
收藏
展开
