在本周四发布的与凯恩·萨特采访中，Meta首席执行官马克·扎克伯格对AI的未来发表了看法，他坚信未来“不会只有一个AI”。扎克伯格强调了开源的价值，他认为应该让更多人掌握AI工具，并在采访中暗戳戳地diss了那些他认为不够开放的竞争对手，他补充说，这些做闭源AI的人有一种感觉他们在“创造上帝”的幻觉。扎克伯格说：“我不认为AI技术是应该被囤积的东西……一家公司可以使用它来构建他们正在构建的任何中心化、单一的产品。”他继续说：“当科技行业的人们谈论构建这个‘唯一真正的AI’时，我感到很反感。” “这几乎就像他们认为自己在创造上帝或类似的东西……而这不是我们正在做的事情，”他说。“我不认为事情会这样发展。”现在发表这番言论多少有点酸葡萄的意味，因为不久前，在Meta试图与苹果谈判将其AI集成到苹果的操作系统中遭到了拒绝。据说苹果最终决定不与Meta进行正式讨论，是因为它不相信其安全隐私实践足够强大。那么Meta为什么坚持生成式AI和大语言模型的开源战略，原因似乎并没有扎克伯格说的那么简单，可以来展开分析一下。 为什么Meta要做开源模型的引领者成为开源模型的领导者有许多好处，最最重要的是吸引人才。可以说，生成式人工智能的竞争是一场由计算能力瓶颈制约的人才竞争。根据Elon Musk的说法，谷歌拥有三分之二的AI人才，为了对抗谷歌的影响力，他们创立了OpenAI。然后，一些最优秀的人才离开OpenAI并创立了Anthropic。因此，这三家公司目前在市场上拥有最好和最多的AI专家。成为开源模型的领导者将帮助Meta弥补AI专家的差距，因为开源模型会以两种不同的方式吸引人才。首先，AI专家希望来Meta工作，因为他们构建的模型会被全世界使用，这太酷了。这会为他们的工作提供巨大的曝光度，扩大专业影响力，助力未来的职业生涯。因此，许多有才华的人愿意为他们工作。其次，社区中的AI专家为Meta免费工作。Llama发布已来，已经有无数的人用它做实验，帮助它开发新的技术来调整模型，降低成本，发现漏洞，并用它开发新的应用，将这些工作开放给社区为Meta节省了大量的计算和人力资源。第二，与社区快速迭代。通过开源模型，Meta可以与社区快速迭代，直接整合他们新开发的方法。Meta想要采用社区的新技术，几乎没有成本。社区已经在Llama模型上进行了实验和基准测试，因此几乎不需要进一步评估。代码是用PyTorch编写的。他们可以直接将其复制并粘贴到他们的系统中。Llama在Meta和社区之间建立了一个良性循环。Meta引入了社区中的最新技术，并向社区推出了下一代模型，PyTorch是他们共同的语言。Meta能赚钱吗？前段时间Meta 发布了Meta AI,上面提供了基于其开源模型的各种应用和服务，并可能向用户收费。这一举措显示了 Meta 对其 AI 蓝图和商业化有着明确的规划。模型是开源的，人们难道不会自己构建服务吗？他们为什么要为基于开源模型构建的服务向Meta付费？当然会。因为即使有了开源模型，构建服务也很困难。如何调整和对齐模型以适应你的特定应用程序？如何在服务成本和模型质量之间取得平衡？你是否知道充分利用GPU的所有技巧？知道这些问题答案的人很难雇佣。即使有足够的人，也很难获得用于调整和部署模型的计算能力。所以，如果他们将来有任何GenAI服务，人们可能仍然会为Meta的服务付费。开源模型与开源软件开源模型很像传统开源软件，但又不完全一样。相似之处在于，“免费代码付费服务”框架仍然适用。代码或模型是免费的，以吸引更多用户进入生态系统。随着生态系统的扩大，所有者将会更加受益，也就是说，建立在免费代码之上的服务是盈利的。然而，跟开源软件最大的区别在于，用户留存率低和它们创建的生态系统类型。低用户留存率开源模型的用户留存率较低，因为迁移到新模型比迁移到新软件容易得多。迁移软件很困难。比如，PyTorch为深度学习框架建立了强大的生态系统。想要创建一个新的深度学习框架与之竞争，即使是稍微改变他们的主导地位都会相当困难。另一个很好的例子是JAX。它有更好的大规模分布式训练支持，但是让用户上JAX很难，因为它的生态系统和社区较小。它缺乏一个有用的社区来支持用户的问题。此外，将整个基础设施迁移到一个新框架的工程成本对大多数公司来说太高了。而开源模型没有这些问题。它们易于迁移，几乎不需要用户支持。因此，人们很容易转向最新和最好的模型。要保持在开源模型领域的领导地位，你必须不断地在排行榜上发布新模型。这也是作为开源模型领导者的一个挑战。新型生态系统的崛起开源的AI模型正在塑造一个全新的生态系统。这和传统的开源软件运动不太一样，后者往往围绕一群人共同开发软件。而开源AI模型则是让每个人都能根据自己的需要，对模型进行调整和优化，就像是在原始模型上长出新的枝叶。这意味着，基础的AI模型不必在所有任务上都做到最好。因为用户可以根据自己的特定需求，用相关的数据来训练模型，使其更适合特定的应用场景。一个优秀的基础模型，关键在于能否满足用户在实际部署时的需求，比如快速响应或者体积小巧，方便安装在各种设备上。以Llama模型为例，它就提供了多种规模的版本，比如Llama-3就有8B、70B和400B三个版本，以满足不同场景下的部署需求。结语即使Meta不开源他们的AI模型，其他人也会这么做。因此，Meta早早痛下决心并引领了这一趋势，另辟蹊径与OpenAI和谷歌等竞争者，不失为一种聪明的战略选择。坚持开源模型的道路，并不意味着Meta的服务将无人问津。事实上，从基础模型到打造卓越的服务，中间仍有一条漫长而充满挑战的道路。这不仅需要技术层面持续的深耕，更需要是对市场需求敏锐的洞察。展望未来，我们可以预见，越来越多的企业将加入开源模型的行列。与深度学习框架逐渐汇聚于PyTorch的趋势不同，开源AI模型的世界将更加多彩，竞争也将更加激烈。小伙伴们关注起来谨防走丢：