进入2024年，大模型的热潮似乎有所减退。在资本市场，与大模型相关的概念炒作逐渐降温，英伟达的股价频繁大幅波动，引发了市场对其“泡沫”的担忧。与此同时，消费市场也呈现出类似的趋势，BATH等科技巨头的新品推出活动减少，产品迭代速度放缓，公众关注度随之下降。
然而，在这场看似平静的市场背后，两大战役却悄然打响。自5月15日字节跳动宣布“以厘计费”策略以来，国内大模型市场的价格战正式拉开序幕。百度文心、讯飞星火、阿里通义、腾讯元宝等纷纷跟进，价格战愈演愈烈。与此同时，在白领人群密集的区域，如地铁、写字楼、机场等，各大厂商的大模型广告更是铺天盖地，竞相争夺市场份额。
面对这一“海水”与“火焰”交融的场面，我们不禁要问：大模型的未来究竟在哪里？其发展的难点、卡点、节点又是什么？据ITBEAR了解，盈利难和落地难是当前大模型面临的主要挑战。即便是强如OpenAI，也面临着盈利的难题。据报道，OpenAI预计亏损50亿美元，全年运营总成本高达85亿美元，现金流可能在一年内耗尽。而市场上大部分大模型都采取To C+To B的盈利模式，即会员订阅和开发者API调用两条腿走路，但能够立即产生付费的用户寥寥无几。
除了盈利难，大模型的落地难也是一大挑战。尽管大模型被誉为“iPhone时刻”的革新，但现实中，大模型仍存在诸多局限性，如认知偏差、能动性欠缺、泛化性能弱等。例如，大模型在数值运算方面表现不佳，甚至可能不如二、三年级的小学生。此外，大模型还存在资料更新不及时、健忘等问题，这都给其在实际应用中带来了不小的挑战。
深入剖析，大模型的“落地难”与其在数据、算力、成本三大方面的卡点息息相关。在数据方面，大模型需要高质量、大量的语料进行长期、高频次的训练，这对数据的挖掘、获取提出了严峻考验。同时，数据的权益保障、利益分配、版权归属等问题也亟待解决。在算力方面，大模型的训练与推理需要庞大的算力支持，而这往往伴随着巨额的资金投入。随着大模型规模的扩大，算力需求也会倍数递增，这已经超越了硬件的摩尔定律。在成本方面，高昂的算力成本也成为了大模型普及的一大障碍。
然而，尽管大模型面临诸多挑战，但其向产业迈进的步伐却从未停止。大模型正在逐步走出实验室，应用于矿区、政务、金融、医药、物流等具体领域，努力兑现其终极使命。例如，在矿区，华为的盘古矿山大模型已经成功应用于煤矿的各个环节，用AI取代人力进行主运智能监测系统的巡检工作，大大提高了安全性和效率。在物流领域，京东言犀大模型的小哥终端助手也为快递员提供了极大的便利和帮助。
总的来说，把大模型“种植”在产业里，让其在产业中生长、发芽，已然成为当下大厂的共识。长远来看，这一共识也将如“星星之火”般燎原旷野。然而，面对数据、算力、成本等现实问题，供需两端正逐渐回归理性。可以预见的是，在大模型真正实现“好用”和“吸金”之间，还有很长的路要走。
