Ai实用的关键——本地化
从chatgpt面世到全球为之着迷，已经有了近半年时间，可以说，chatgpt的大爆发驱动了行业的大繁荣，随着Ai的应用面越来越广，人们使用中不断进行反馈，AI的表现越来越好。在其擅长的领域，已经可以完全替代人力。甚至有些设计公司，裁员了三分之一的员工，却提供了更好的图片设计产品。
资本市场也早已把当前Ai的各个方向预期了一轮，从训练AI所需要的算力芯片，到拥有大量芯片的数据中心，到云服务商，再到各类正在开发Ai产品的公司，最后到应用侧，各类传媒、教育、游戏公司。
无所不想，无所不炒，但倘若我们问问自己，chatgpt真的影响了我们生活中的方方面面了吗，似乎又还没到这个程度。
必须承认的是，在创意制作领域，我们确实看到了一些震撼的表现，但在AI的大规模应用方面，人们期待的自动化操作，却还有更多进步的空间，至少，目前的Ai在日常应用中还是太少，除了程序员和设计师，编辑等，其他职业使用的依赖度还是不够高，Ai更大规模的落地，还需要更多努力。
一、多模态大模型的成本制约
目前人们最期待的莫过于GPT-5，期待它可以更聪明，回答更多的问题，未来甚至能够分辨语音和图片，甚至视频，试图打造一个无所不能的chatgpt。
让长板更长的思路总是正确的，但可以预期的是，对大模型更大的追求，将面临算力和成本的制约。
可以看到，GPT-4的升级过后成本是数十倍的跃迁，目前的GPT-4收费，也只是维持盈亏平衡，但问题在于，除了设计及编程相关人员，20美元的收费是需要考虑的，至少从身边的样本看，很多用户依然使用的是免费版本，有需要时，与他人共享一个GPT plus账户。
当下也许Ai更加实用的关键，并不是再度加大模型，不断地扩充其计算容量，而是如何让其更普遍，更轻量些。
我们可以对照电子计算机的诞生历史。
原先的计算机只是开发用于军事和政府用途的大型机器，其使用方式跟现在的Ai如出一辙，都是中心化的，也就是一个大型终端，用户通过连接到终端来使用。
但显然，计算机真正走向爆发并提升生产力，并不是在40年代-60年代问世的时刻，而是在后来，PC的出现才带来了计算机应用的大爆发，每个人都可以极其轻易地，不受限制地使用PC，这带来了互联网的爆发，而在PC普及的几十年后，智能手机将终端再次革新，使得互联网走向了新的高潮。
Chatgpt目前的问题同样是用户在使用过程中，首先需在使用中缺乏更多的多样性，例如每个用户若打算基于自己的工作习惯打造合适自己的Ai，还有相当的难处。
企业使用API，则也面临着数据开放的疑虑，至少目前，没看到有哪个应用或者公司已经深度结合chatgpt推出产品，毕竟，把自己的数据库完全给Ai看个遍，是很令人担忧的。
另外，用户使用chatgpt的方式过于中心化，这导致了较高的不稳定性，而例如断网或者chatgpt服务器过载等问题，依然困扰着很多用户，不稳定就导致了很多自动化流程无法实践。
如现在我们在使用chatgpt中面临的痛点，与chatgpt进行的对话均保存在云端，而随着使用量的增加，重度使用者的对话量已经积累得非常庞大，可能高达数十条或者数百条对话，以解决不同的场景，而实际上每次打开chatgpt，加载这些数据已经开始缓慢了起来。
再看到，GPT-4的运算速度相比GPT-3.5，确实是慢了不少，倘若未来的GPT-5加入图片等模态输入，其运算量的加大就更不言而喻了。
即便用户对于运算速度的问题可以容忍，但更大的运算量所带来的成本和定价问题，则也是openai等公司不得不考虑的。
看上去chatgpt是一个杀手级应用，全球无数用户都愿意使用，然而，要走出成功商业循环，或者说，要让chatgpt马上盈利，也不是那么简单的。
面对此种问题，将chatgpt适当的本地化是一个很好的思路。届时，较快的运算速度，更稳定的使用体验，才会使得其的功能最大化。而包括大量的IOT设备，也才能更好地接入Ai。
其实我们看到目前的Ai绘画和Ai拟声，都是本地化、专类化取得成功的例子。
如大名鼎鼎的midjourney，就凭借其过硬的产品取得成功，我们看到的设计公司减员增效，也都基于这个。应该明确的是，Ai绘画与chatgpt是完全分离的东西，Ai绘画是应用了机器学习模型在设计领域的一个应用，它与chatgpt的成功没有太大关系，千万不要把它们混作一谈：Ai。
在商业层面，midjourney更成熟，首先其专类化，用户明确就是设计团体，尽管图片处理的计算量比文字大，但不需要像gpt大模型一样面面俱到，要考九门考试，又要编程，所以其训练量只要面向图片即可，成本平衡得更容易。
又比如Ai拟声，最近我们看到了通过人声训练所产出的各类ai歌曲，如ai周杰伦，ai孙燕姿翻唱的数百首歌曲，效果不错，这同样是与chatgpt关系不大，同样是基于ai的基础算法取得的成功。
而制造出这些产品的基础，其实就是开源的，可以在自己搭建的本地环境中训练的模型。比如midjourney，实际上只是11个人+非常基础有限的硬件。
再仔细想想，chatgpt所生成的产品，是不是还是欠缺的呢？Chatgpt让人印象深刻的，是文章还是笑话？（请排除所有的AI绘画、Ai音乐作品，它们不是gpt的产物）
所以说，chatgpt作为一个大模型在自然语言理解上有其巨大价值，但应用侧需要完善，需要更多的用户来使用参与，来发散自己的创意把Ai应用好。
其角色更应该是基础性的，类似于Ai绘画中的diffusion算法，来帮助用户继续开发更进一步的产品。所以，追求大模型的同时，专类化更是Ai进化的关键。
当然，要达到此种效果，首先需要openai等公司在商业模式上的改变，包括将训练Ai的一部分职能让渡给用户，给予更高的自由度。也包括硬件层面的适配。例如设计在PC层面支持特定Ai运算的芯片，以应付本地启动模型运算的基础算力。
另外，还需要将Ai进行小型化轻量化，部分的数据保存在本地，不再进行预加载。大模型过大后，将其特定用途分型，即为剪枝，以达到更低的运算量，这都是需要重新设计的。
二、适应新时代的趋势
因此，Ai时代的下一个看点，并不是GPT-5或者GPT-6后面还有多聪明，因为目前的chatgpt在应付人类的问题上已经足够好，正如图片所示，进步空间其实就是剩下的比例了，而明显，距离满分已经不远。
关于大模型的发展，未来分化成小模型，提炼其核心能力，使其可以被更多用户所使用，创造是关键，我们还是从痛点出发，倘若要实现本地化，使得每个人可以训练自己的Ai，首先要的是硬件方面的适配。
如算力，满足本地化进行Ai训练和运算的芯片将是一个开放的方向，这其中需要的，首先是GPU公司的适配，对未来PC整个业务模式的适配，这个机会不只是英伟达的，实际上几个芯片业内的巨头还是有机会参与竞争，另外，FPGA和ASIC芯片也应该在这个趋势的发展中有一定的地位。
当然，也别忘了，作为芯片的载体，也是训练和运用Ai的载体，无论是PC还是手机，都有在这基础上实现功能创新的可能。
当在Ai实现专类化的过程中，也需要一部分公司对于大模型进行修整，重塑，如一些公司正在针对chatgpt的数据缓存进行改善以实现数倍的加载速度提升。同样地，一些基于chatgpt所建设成的专类AI已经实现了更快的运算速度，如文本识别的等。这些完善Ai结构，把chatgpt从大模型分离出小模型的公司，同样大有前途。
三、结语
新事物的诞生总是需要一段时间的适应期，需要时间让人们去应用，发掘，创造，对于chatgpt而言，明显，现在就是在一个事物认知逐渐从发现亮点到发现缺点的过程，一定的担忧和怀疑将很快到来。
大模型的未来，依然充满不确定性，如何让其本地化以实现运算速度和稳定性的提高，成为小模型，个人模型（personal model）确实是现在提升使用体验的关键。无论是Ai绘画还是Ai音乐，都是小模型的好例子。
因此朝着这方向，新的个人化硬件发展和应用侧的开发，将是未来一段时间Ai发展的重点，而单纯的大模型模仿，在算力上，在模型参数量上的内卷，不一定是更应该聚焦的方向。
目前AI的快速发展，痛点的出现总是不可避免的，方向的改变也是迅速的，革命性归革命性，人们使用chatgpt及其衍生产品的比例，时长，在这些产品上的付费额，包括相关Ai公司所得到的营收及增长，才是对Ai产业发展程度更立体的观察指标。而明显，现在的Ai，仍需要更多的改善。
丫丫商务合作微信：wushuxi_
(添加好友请备注：公司+合作事项)
丫丫内容投稿：[email protected]
微信扫码关注该文公众号作者