OpenAI破产笑话的背后，是AI大模型“内卷”的现状

椒盐火龙果

AI大模型的浪潮之下，

 是各家企业鱼跃争流的湍急漩涡。

文 | 青崖白鹿

（VRPinea2023年8月16日讯）印度媒体Analytics India Megazine近日发布报道称，由于高昂的运行成本、用户群数量下降及同类模型竞争等因素，开发了ChatGPT的人工智能实验室OpenAI将有可能在2024年破产。

该报道指出，OpenAI仅是维持ChatGPT的正常运行，每天就需要花费约70万美元。再加上同样不菲的产品研发投入，OpenAI目前只能依靠微软的100亿美元融资维持公司运转。这样的日常花销确实有些惊人，但就此得出OpenAI可能破产的结论也属实离谱。该报道的作者自己也知道，所以在最后一段打了补丁，“if OpenAI does not get more funding soon（OpenAI如果不能尽快获得更多资金）”。

（OpenAI与ChatGPT）

很“遗憾”的是，目前看来，大半年的时间过去了，资本对于OpenAI的青睐还是没有减少。据外媒消息，美国金融科技行业知名投资机构Ripplewood有意向OpenAI投资10亿美元（目前双方均未正式回应这一消息）。毫无疑问，这样的投资信号，完全可以看作一次对OpenAI破产预测的“正面回击”。

为什么是印度？

话又说回来，为什么爆出这则大概率只会沦为笑柄报道的会是印度媒体呢？首先，是印度具备“秋风未动蝉先觉”的条件。印度是全球最大的软件外包基地，大约占全球软件外包市场的55%，世界主要的软件公司都在印度设有分公司。换句话来说，有多少企业在下注AI大模型市场，有多少AI大模型在投入使用，有多少企业选择接入ChatGPT等等这些问题，印度的软件工程师们，大概率会是最先知道的那批人。

（印度软件外包工程师）

那又为什么会产生这样过度悲观的观点呢？可能是因为“同行见面分外眼红”吧。目前的生成式AI已经能胜任不少的IT外包工作，如分解编程、数据转换、漏洞测试等。在ChatGPT引发AI大模型热潮之初，就有相当一部分行业分析师发表了类似观点：人工智能的飞速发展，将导致印度大多数外包程序员的工作岗位在未来一两年内消失。

热闹的AI大模型赛道

让我们再把视线转回到AI大模型的赛道上。比尔·盖茨在其博客文章《人工智能时代已经开启》中表示：自1980年首次看到图形用户界面GUI以来，OpenAI的GPT人工智能模型是他见过最具革命性的技术进步。

自今年年初ChatGPT爆火后，AI、AIGC（AI Generated Content，生成式AI）及AI大模型等词汇，就像是长在了热搜词条上一样，在互联网上“无处不在”。顶格的热度带来的自然是资本、大厂及一众创业者的高关注度，全球的科技公司，就像是在围绕人工智能进行“军备竞赛”一样，纷纷下场。以下，将举两个例子作简要分析。

其一，是Meta和微软联合推出的新一代开源大模型Llama 2，该模型将开放免费商用权限。提及Llama 2的原因很简单，像Llama 2这样的强大开源模型将对ChatGPT构成相当大的威胁。哪怕是Meta在其研究论文中表示，Llama 2与GPT-4仍存在较大性能差距，也不影响企业将基础模型替换为Llama 2。因为对于大部分的应用场景而言，开源透明的Llama 2可能比庞大复杂的GPT-4更适合帮助企业创造产品和服务。

（Llama 2 vs GPT-4）

其二，是在14日刚刚结束的2023雷军年度演讲中，AI大模型的戏份也不少。提及雷军的原因更简单，以小米为代表，展现一下各家互联网大厂对AI大模型的强关注度，顺便也蹭下雷总的热搜。

雷军在年度演讲中宣布，“全面拥抱大模型”会是小米接下来的战略。并且表示，目前已经升级小爱同学的大模型版本，正开启邀请测试。雷军还在演讲中梳理了小米在AI领域的投入时间线（略写）：2016年，成立AI视觉团队，后升级为小米AI实验室；2021年，成立小米机器人实验室；2023年4月，成立大模型团队。

从一开始的百度文心一言率先“应战”，到阿里通义千问、科大讯飞星火（就在昨天，科大讯飞举行了星火认知大模型V2.0升级发布会）以及小米、华为等国内互联网大厂。再到海外的微软、谷歌、Meta、苹果甚至是沃尔玛、特斯拉、奔驰等，不仅限于互联网领域的行业巨头们都在不断加码AI大模型。

还有如雨后春笋般涌现的一众AI创企，从数百万到上千万，甚至上亿美元的融资也不少见。这场关于AI大模型的竞争，已经趋近白热化的阶段，无论体量大小，各家企业都在拼命“内卷”。

（竞争激烈的“赛道”）

盈利痛点的确存在

尽管数不清的真金白银已经砸向了AI大模型，各行各业也都对其潜力报以极大信心。但不可否认的一点是，目前的AI大模型的确存在盈利问题。首先，训练一个可商用的AI大模型需要大量的计算资源和时间，这将直接导致高昂的训练成本。并且，从训练到商用部署，硬件设备、能源消耗、服务器、云计算以及人力成本等，统统都需要大量的前期投入。

此外，对于用户数据隐私安全的保护，伦理及法律问题的影响等，都需要投入额外的成本去解决。当然了，市场份额不断压缩带来的竞争压力，以及行之有效的商业转化模式更是重中之重。众所周知，技术从实验室到真正能用，最后一公里往往才是最难的。

让**飞一会儿

猪哥

看看

qwert8

路过了

笨拉登2

飞花入梦

呵呵