圖片來源@視覺中國
文 | 李智勇
上一篇提到最終大模型的格局很可能是有一個偏通用大模型，比如chatGPT，它會顛覆現(xiàn)有信息集散的基本格局，同時還會有很多面對垂域的大模型，每一個都會像是一個個成功了的沃森（AI大模型沒有商業(yè)模式？）。但沒說為什么這么認為，這篇首先講這個�；卮疬@個問題首先要回到一個類似關(guān)公戰(zhàn)秦瓊的問題：chatGPT如果去下圍棋能干過AlphaGo么？
chatGPT 和AlphaGo下圍棋，誰贏？
估計沒人會不同意人工智能行業(yè)十幾年來讓人印象最深的兩個標志性事件是：2016年AlphaGo戰(zhàn)敗李世石和柯潔和2022年chatGPT展現(xiàn)通用智能能力。
而很有趣的事情在于這兩次突破正好一個對應(yīng)于垂直領(lǐng)域（AlphaGo），一個對應(yīng)于相對通用的領(lǐng)域(chatGPT)。
從訓(xùn)練方式上看AlphaGo做到了自己就是數(shù)據(jù)源，這意味著經(jīng)常說的數(shù)據(jù)飛輪效應(yīng)對AlphaGo在后期變成內(nèi)置的了。升級到后面的版本（AlphaGo Zero）的時候已經(jīng)不再使用人類的棋譜，而是自己和自己玩，然后結(jié)果非�？膳�，大概下面這樣：
21天AlphaGo Zero通過自己對戰(zhàn)自己達到戰(zhàn)敗自己哥哥AlphaGo Master的水平。典型的人工智能自己驅(qū)動數(shù)據(jù)飛輪，誰也不靠。
這對判斷誰贏有什么幫助呢？其實這非常關(guān)鍵。
判斷誰贏，純靠技術(shù)是不行的，因為過去十年最大的經(jīng)驗就是如果從技術(shù)角度對未知領(lǐng)域進行判斷，那誰也判斷不準。所以我們換種模式。
AlphaGo相當于把一個邊界足夠清楚的事走到頂了，經(jīng)歷了一個人工智能到頂?shù)娜^程。所以我們從中可以總結(jié)出一個人工智能到頂?shù)年P(guān)鍵階段：
這三個階段是：現(xiàn)有全量數(shù)據(jù)階段--自我數(shù)據(jù)生成階段--啟動數(shù)據(jù)→智能飛輪，領(lǐng)域高點。
在現(xiàn)有全量數(shù)據(jù)階段AlphaGo在學(xué)習(xí)人類的棋譜，在戰(zhàn)敗李世石后，它就進入自我數(shù)據(jù)生成階段，然后數(shù)據(jù)→智能飛輪啟動階段。
這是一種遞進的關(guān)系，全量數(shù)據(jù)意味著對場景描述已經(jīng)比較充分，人工智能可以比人的干好。只有過了這個階段，它才可能自己產(chǎn)生有價值的數(shù)據(jù)，而一旦它可以自己產(chǎn)生有價值的數(shù)據(jù)，那后續(xù)的進化就會非�？臁�
但形成這種數(shù)據(jù)的閉環(huán)并不容易，領(lǐng)域越寬越難。
如果目標是處理真實世界的所有問題，那就得有一個能窮盡世界各種變量的元宇宙才行。這就是做垂直領(lǐng)域最核心的優(yōu)勢，只要選的比較好，那就有可能更快的到達類似“AlphaGo”的圍棋之神的境界。
回到我們最初的問題：即使沒下過，GPT4論下圍棋也肯定不如AlphaGo，AlphaGo已經(jīng)通過數(shù)據(jù)飛輪達到領(lǐng)域高點，GPT4相當于剛會下，大致等于專業(yè)拳擊手對小朋友。
這個結(jié)論其實非常關(guān)鍵，這既能回答垂直領(lǐng)域大模型是否能夠存在，還能回答垂直領(lǐng)域大模型的基礎(chǔ)戰(zhàn)略到底應(yīng)該是什么樣。
但要想真的做垂直領(lǐng)域大模型，還需要考慮的問題是解決垂直領(lǐng)域問題除了大模型還要什么，大模型到底在其中占多少權(quán)重。是大模型往那兒一擺，垂直領(lǐng)域的問題就解決了么？還是說會有更關(guān)鍵的決定性因素？
大模型在"沃森"類系統(tǒng)中的權(quán)重
郭士納之后IBM好像徹底變成了個只會賺錢的公司，創(chuàng)新的業(yè)務(wù)比如IBM Watson總是給我們一些負面的消息。但這個時候不能忽視的恰恰是它，因為它落過地，也許技術(shù)沒行，但對場景的總結(jié)和描述一定就是大模型也需要解決的問題。
成功的案例可能會更耀眼，但失敗的案例往往可以讓我們學(xué)到更多。（考慮chatGPT 2022年底才出來，我們實在也找不到更好的成功的案例。）
沃森的產(chǎn)品架構(gòu)大概這樣：
現(xiàn)在代表Watson那個球完全可以替換成大模型，然后你就會發(fā)現(xiàn)其它的部分未來再做落地的時候一個要少不了，還可能需要增加。
我們來簡單翻譯下上圖的各種輸入，沃森作為一個輔助診療的系統(tǒng)，它第一個需要的是關(guān)于病人當前癥狀的數(shù)據(jù)比如X光等，而病人的數(shù)據(jù)有可能是不完整的所以它可能會主動激發(fā)一些問題，讓病人進行回答，讓它能夠形成判斷，最后病人的基因數(shù)據(jù)也需要作為一個關(guān)鍵數(shù)據(jù)提供給它。
除了病人的數(shù)據(jù)外，它還需要具備這個領(lǐng)域相關(guān)的知識，比如那些診療方法是不被允許的，過往類似的病情都是如何處理的，新藥等。這就是上圖右側(cè)的部分。
這個表述比較形象，但會有點雜亂，不利于推測后續(xù)垂直領(lǐng)域大模型的關(guān)鍵點，所以我們換個視角對此進行再分類，這就可以更清晰的看到垂域大模型所對應(yīng)的系統(tǒng)構(gòu)成。
需要最終面對對象（也就是患者）的全量數(shù)據(jù)。全量數(shù)據(jù)包括：當前這個時間點的數(shù)據(jù)（當前病癥）、歷史數(shù)據(jù)（病例）、基礎(chǔ)特質(zhì)（基因）。這其中當前數(shù)據(jù)有可能需要在時間和空間上都需要進行展開，時間上的展開比如24小時心電圖，空間的展開比如傳染病的時候你的行動軌跡等。這代表了對象的充分數(shù)字化。
垂直域的大模型自身必須是一個活的專家。也就是說它的領(lǐng)域知識不止要全量還要是活的，所以不管是行業(yè)規(guī)則還是最新研究成果都要形成有機的聯(lián)動。這里面規(guī)則可能更關(guān)鍵，因為它需要立刻生效。
這兩部分數(shù)據(jù)的獲取會導(dǎo)致所有AIoT的相關(guān)部分全需要被挪過來，你需要大規(guī)模管理設(shè)備（對接醫(yī)療設(shè)備等），需要云原生，需要數(shù)據(jù)庫，需要內(nèi)容審核和對接等。大模型相當于在原來的基礎(chǔ)上強化了腦袋，并不是把一切推翻重來。
在這個過程中大模型提供了構(gòu)建有價值的認知類系統(tǒng)的機會，但在最終成型的認知系統(tǒng)重遠不是全部，從創(chuàng)造價值所占的權(quán)重的角度看也許只有30%。這看似有點矛盾，但可以拿移動互聯(lián)網(wǎng)做類比，沒有Android和iOS就沒有移動互聯(lián)網(wǎng)，但如果把移動互聯(lián)網(wǎng)看成一個整體，從創(chuàng)造價值的角度看，他們的權(quán)重也許就不到1%。
這是從沃森這樣系統(tǒng)中可以直接看到或者聯(lián)想到的部分。
那數(shù)據(jù)飛輪在那兒呢？答案是一時半會這類系統(tǒng)不會有數(shù)據(jù)飛輪。
人以及病例畢竟不是棋譜可以人工智能自動生成。按照我們：現(xiàn)有全量數(shù)據(jù)階段--自我數(shù)據(jù)生成階段--數(shù)據(jù)→智能飛輪，領(lǐng)域智能高點的階段劃分，這好像完全到不了自我數(shù)據(jù)生成階段，因為在漫長的時間里人是不能充分量化的，新的創(chuàng)造也是會實時發(fā)生的。也就是說沃森這種系統(tǒng)會長期處在第一個階段。
這也幫我們引出垂直領(lǐng)域大模型相關(guān)的第三個話題：不是所有垂域都有數(shù)據(jù)飛輪效應(yīng)。萬物皆數(shù)的程度和數(shù)據(jù)飛輪效應(yīng)正相關(guān)。
萬物皆數(shù)與數(shù)據(jù)飛輪
像圍棋這種領(lǐng)域數(shù)字化的成本極低，因為本質(zhì)上這是一個數(shù)字空間的游戲。純粹數(shù)字空間的事其實不多，雖然過去都產(chǎn)生比較大的影響，比如搜索、社交網(wǎng)絡(luò)、IM等。
到電商和O2O的時候數(shù)字化的成本就變關(guān)鍵了，必須有一個簡單的方法能夠讓物理的商品或者外賣小哥能充分數(shù)字化，然后才能獲得數(shù)字和算法所帶來的紅利。
大模型的作用域和后者類似，都是需要走出純粹的數(shù)字空間。
這樣一來萬物皆數(shù)反倒是更關(guān)鍵。就像沒有米飯做的再好也沒意義一樣。當大模型離開了純粹的數(shù)字空間（chatGPT在這里）一樣要走過O2O的歷程，否則你就沒法解決現(xiàn)實問題。在這里感知和認知需要無縫的融合。
這是完全不一樣的游戲規(guī)則，這個環(huán)節(jié)最關(guān)鍵的反倒是傳感器，傳感器的小尺寸和成本大幅下降，讓物理世界的數(shù)字化成為可能。但它的部署很麻煩，每一個場景的數(shù)字化的成本估計和大模型的研發(fā)是類似的。同時他們倆又是雙生的。
這類場景確實還會進一步細分，一部分更貼近數(shù)據(jù)飛輪效應(yīng)，一部分則相去甚遠。比如同樣牽涉人，但教育應(yīng)該就比醫(yī)療更好做，稅務(wù)就比戰(zhàn)爭好做。
所以大模型落地的順序大致會是：純粹的數(shù)字領(lǐng)域，比較低成本可以做到萬物皆數(shù)的領(lǐng)域，高成本但還是可以做到萬物皆數(shù)的領(lǐng)域。
下面這個是純粹猜測，數(shù)據(jù)→智能飛輪，領(lǐng)域智能高點這個階段里可能算力需求會下降。這只是一個觀察，非技術(shù)性的結(jié)論。
計算成本的考量
在能力增加的時候AlphaGo所需的算力是下降的
https://www.deepmind.com/blog/alphago-zero-starting-from-scratch
顯然的GPT還在繼續(xù)放大的路上，從最新透漏出來的消息看，GPT-4在120層中總共包含了1.8萬億參數(shù)，而GPT-3只有約1750億個參數(shù)。按照這趨勢GPT5不太可能變小，還是變的更大。
這也許是因為問題域太大，而限定邊界的話就可能可以更早的進入優(yōu)化階段。AI未必不能優(yōu)化自己。
相信什么樣的回答就有什么樣的選擇
上面說了很多觀點，每個上的判斷和選擇都影響未來幾年大模型的真正走勢。
關(guān)鍵是這只是看著能行，沒人能給準確判斷。這就變成了一個相信的問題。相信什么就有什么樣的選擇，而什么樣的選擇就會有什么樣的結(jié)果。我們來對此做個簡單總結(jié)：
相信通用大模型不能覆蓋垂域大模型么？
相信這種三段劃分么？現(xiàn)有全量數(shù)據(jù)階段--自我數(shù)據(jù)生成階段--數(shù)據(jù)飛輪，領(lǐng)域智能高點
相信最終價值鏈條中大模型只創(chuàng)造30%么？
相信萬物皆數(shù)的成本和大模型本身其實一樣關(guān)鍵么？
從現(xiàn)在看未來的時候，這些關(guān)鍵節(jié)點上的判斷非常關(guān)鍵，會影響資源的投入。
OpenAI 首席科學(xué)家說的對：你先要選對，然后你的信念就是結(jié)果。
小結(jié)
從做事的角度看，純粹數(shù)字空間的大模型對絕大多數(shù)人而言機會幾乎為0，垂直領(lǐng)域大模型早期會加大虧損，但增加最終商業(yè)模式跑通的可能性。短期一定會出很多垂域大模型，因為下圍棋的話chatGPT總是干不過AlphaGo。長線看通用大模型和垂域大模型的競爭會一直都在，但如果通用大模型真的覆蓋每一個AlphaGo這樣的領(lǐng)域，那意味著什么呢？
