三个基础假设
大模型太热了，不能免俗地再写一篇...
1. 开源模型会大大降低准入门槛
WHAT 在接下去半年到一年的时间当中，开源模型会接近甚至超越闭源模型的效果。除了头部的少数几个闭源模型服务之外，一旦这样的开源模型出现，社区的兴趣会全面转向基于开源模型的二次开发。
WHY 前面10年的深度学习发展告诉我们，AI 领域，开源模型持续处于主导地位。以 AIGC 为例子，最开始大家看到的是闭源的 Imagen、DALL-E 等模型，效果很好，“但是你只能干看着羡慕”。Stable Diffusion (SD) 的开源一下子扭转了这个状态，基于模型的直接应用，以及进一步的算法创新，几乎都在SD上而不是其他闭源模型上。这使得早期这些闭源模型陷入“起个大早，连晚集都没赶上”的窘境，比如谷歌趋势显示的 DALL-E 和 SD 的比较：
HOW 对于企业和创业公司而言，不应该单纯投入到“自研闭源模型”中去，而应该使用“打”或者“跟”的策略：以开源为宗旨建设模型，争取自己的模型成为社区引导者地位，或者充分利用社区开源模型，跟进应用开发。
AND? 在开源模型的基础上，我们可以引出下一条：
2. 应用为王，模型为辅
WHAT 对于语言类和图片类应用而言，今天的模型已经可以解锁很多应用，product market fit 的瓶颈目前在于应用创新，而不是继续“提升模型的精度”。
WHY OpenAI 在算法能力上做不到的，现实地说，今天其他企业，尤其国内的企业也很难做到（这里不要相信内部团队吹牛，说效果超过国际一流竞品 - 注意，最近是绩效季）。但是，有两个趋势很明显：第一，OpenAI API之上对各种应用场景的尝试，广度空间远未饱和；第二，现有开源的模型的质量，对不少应用来说已经足够了，“我们只是缺市场策略”。这里是我自己尝试的一个辅助创作的例子：用一个手绘的线稿来生成彩绘的结果：
虽然没有到理想状态，但是对于有想法的产品经理来说，这应该已经有很大想象空间。
HOW 对于投入大量资金训练模型的企业而言，应该思考上面的第一点：如果一下子出来一个像 Stable Diffusion 这样的开源高质量模型，我去哪里收回以百万甚至千万计的自研模型训练成本？所以，除了极少数笃定要以算法取胜的企业和研究机构，大部分企业应该把第一优先级定为“提供易于集成的模型服务给业务应用部门”：谁能激发应用部门的能动性，并开始去尝试更多的 go to market 场景，谁就能更快地实现落地。这个过程中自研模型能起到一定作用，但不是必要条件。
AND? 那么，怎么迅速给业务部门提供这样的服务？
3. 企业市场需要新的平台服务
WHAT 今天逐渐显示出来的一个共识是，AI 上层粘性业务有很强的溢价能力。根据不具名的信息来源，JasperAI 这样的公司，付给 OpenAI 的推理成本只占其营收的 10% 左右。也就是说，一个产品化、规模化的平台服务的基础，可以助力应用获取高达 90% 的毛利率。
WHY 部署模型依然很难。今天我们看到的不少情况是“算法科学家做工程”。在模型训练阶段，这样的方法并无不可：高性能训练基础设施，今天除了少数顽固派之外，已经成为标配（可以参见上一篇文章）。但是，在部署阶段，怎么将一个服务“多快好省”的部署起来，目前并没有很好的自动化方案，尽管人们已经看到了它的潜力：例如，根据阿里云在 2022 年云栖大会上公开的数据，PAI 平台化的服务能给研究部门的 AI 算法应用效率提高 6 倍以上。更延展开去，如何在有限的资源下，提供十倍甚至百倍的流量支持，这将成为未来平台的核心竞争力。
HOW 今天很多企业的策略是“先抢到足够多的GPU卡再说”。这个策略充其量只能说是 loss leader strategy 的一个变体。认真的企业应该开始思考选择优秀的 SaaS 软件平台服务商，采纳一个具有弹性、高效率、可观测性、免运维的 AI 平台服务。这个领域会类似数据时代的云数仓，早期 web 时代的中间件、微服务一样，成为一个新的千亿美元市场。
"Infrastructure vendors are likely the biggest winners in this market so far."
- Andreessen Horowitz, "Who Owns the Generative AI Platform?"
AND? 没有了，太忙了，只写那么多。
== Credits ==
题图：Unsplash
https://unsplash.com/@michaelrausch
手绘线稿：all rights reserved @myclover0527
线稿效果图：ControlNet