引言

在过去的几年中，人工智能（AI）领域经历了迅猛的发展，尤其是大型语言模型（LLMs）的崛起，引发了广泛的关注和讨论。2023 年，生成式 AI 的投资激增，达到了 252 亿美元，是 2022 年的九倍。这不仅反映了技术的进步，也预示着未来巨大的应用潜力。

然而，随着技术的不断突破，AI 大模型的训练和推理成本也达到了前所未有的高度。例如，OpenAI 的 GPT-4 训练成本估计为 7800 万美元，而 Google 的 Gemini Ultra 更是高达 1.91 亿美元。尽管如此，这些技术进展正在推动 AI 在各个领域中的广泛应用和创新。

随着 AI 技术的不断进步，其对社会和行业的影响也越来越深远。本文将探讨 AI 大模型技术的变革及其对行业的影响，并对未来的发展趋势进行深入思考。

AI 大模型的技术变革和行业影响

近年来，AI 大模型（LLMs）技术取得了显著的进步，从基础模型架构到计算能力的提升，都经历了重要的变革。

大模型的定义与发展

AI 大模型（LLMs）是一类能够处理和生成自然语言的大型人工智能模型。这些模型经过大量数据训练，具备理解、生成和翻译文本的能力。自 2018 年 Transformer 架构引入以来，LLMs 的发展迅速。例如，OpenAI 的 GPT-4 和 Google 的 Gemini 是当前最先进的多模态模型，能够处理文本、图像，甚至音频。

大模型的技术创新

Transformer 架构是现代 LLMs 的基础，其自注意力机制大大提升了模型处理长距离依赖关系的能力。随着研究的推进，Transformer 架构被不断优化，并在各类任务中表现出色。例如，GPT-4 在语言理解和生成方面表现优异，能够生成高质量的文本。此外，Google 的 Gemini 和其他多模态模型能够同时处理文本和视觉任务，大大扩展了 AI 的应用范围。这些模型在各种复杂任务中，如图像生成、代码生成和复杂推理等方面展示了卓越的性能。

为了满足这些模型的高性能需求，硬件技术也在快速发展。NVIDIA 最新发布的 GeForce RTX 40 系列显卡和 Blackwell B200 GPU 在性能上有显著提升。RTX 40 系列显卡不仅在游戏和内容创作中表现出色，还在 AI 任务中提供了强大的支持。Blackwell B200 GPU 相比之前的 H100 解决方案，训练性能提升了 4 倍，推理速度提高了 30 倍，并且能效提高了 25 倍。

大模型对产业链影响

上游产业：AI 硬件公司和云计算公司受益

AI 大模型的风口最直接的利好是 AI 硬件公司和云计算公司。就好像当年美国西部淘金时，买铲子和水的公司一样。从 OpenAI 发布 ChatGPT （2022 年 11 月 30 日）至今，NVIDIA 和 Microsoft 的股价分别上涨了 767.67%和 88.05%。NVIDIA 更是于 2023 年 6 月 18 日登顶市值全球第一的宝座。

在以 ChatGPT 为代表的预训练大模型加速商业化落地，带来大量算力需求的同时，在国内以政府为主导的城市智能计算中心 AI 算力卡国产化进度较快，以华为昇腾为代表的 AI 计算卡，一度在国内一卡难求。

行业内：传统 AI 公司的优势逐渐减弱

在大模型技术的冲击下，传统 AI 公司的优势逐渐减弱。尽管这些公司迅速调整并自研大模型，但在资本市场上的表现平平。例如，商汤和云从科技在大模型风口下表现不佳。相反，以百川智能、智谱 AI、月之暗面、Minimax 和零一万物为代表的新兴 AI 公司正在快速发展。同时，大量资本涌入大模型赛道，国内的互联网大厂或发布自己的大模型，或通过投资形式参与大模型战场。

不过，传统 AI 公司也不会坐以待毙，目前看来基本可以分为三个路线：

回归小模型赛道，小模型的市场和业务还是会更明确一些，投入也更可控。
发力视觉大模型的研发，毕竟传统 AI 公司在视觉领域的算法和基础建设积累还是足的。
放弃继续任何形式的自研大模型，全力投入 AI Agent 的研发。

下游产业：围绕 AIGC 的应用公司持续增多

2023 年，生成式 AI 和大模型领域的新独角兽达 23 家，其中垂直行业研发公司有 10 家。而在 2023 年前，AIGC 应用的独角兽仅有 2 家（Midjourney 和 Jasper）。预计到 2024 年，AIGC 应用领域的独角兽将继续增加。

对 AI 行业的思考与未来展望

大模型训练成本持续增加，自研大模型将成为巨头的特权

目前自研大模型主要有三条路线（成本从高到低）：

从零开始自行设计模型架构，使用大量数据和算力进行模型预训练。代表公司有 OpenAI（GPT-4）和 Google（Gemini）。
基于开源成熟的模型结构，少量修改模型架构，进行模型预训练。代表公司有阿里（Qwen）和零一万物（Yi 模型）。
基于开源的模型权重，用少量数据进行继续训练或微调。大部分大模型公司属于这一类。

随着数据壁垒逐步加深，高质量的免费数据将越来越少。同时，算力成本持续增加。目前一台 8 卡 NVIDIA A800 服务器的价格基本在 100 万到 150 万元之间，而这仅是一台服务器。一般进行预训练的集群规模都是二三十台到上百台不等。大型互联网公司的 GPU 集群甚至达到了万卡级别。因此，中小规模的 AI 公司未来基本很难有在自研大模型的牌桌上继续停留的资格了，更多是采用方案 3 利用垂直领域的数据进行模型的继续训练和微调。

大模型推理成本持续降低，利好大模型应用创新

去年，OpenAI 的 GPT-4 API 的输入 token 价格为$30/1M token，输出 token 价格为$60/1M token，相当于 100 万个单词，价格 60 美元。截至 2024 年 6 月 14 日，OpenAI 最新的 GPT-4 价格为输入 token 价格$5/1M token，输出 token 价格$15/1M token，成本下降为原来的四分之一。

国内 API 价格竞争更加激烈。deepseek-v2 的 API 输入 token 价格$0.14/1M token，输出 token 价格$0.28/1M token，开启了国内大模型的价格战。以下是 2024 年 5 月 24 日智东西收集的数据。

一方面是资本和大厂其他部门的补贴和输血，另一方面也得益于推理技术的提高（相比于训练技术，推理技术进步更快）。

推理 API 价格的持续降低，大大利好 AI Agent 的开发，尤其是类似 AutoGPT 或 MetaGPT 这种需要反复调用大模型 API 完成复杂应用的智能体。

大模型的 iPhone 时刻尚未到来

虽然 OpenAI 于 2024 年 1 月发布 GPT Store，当天就上线了超过 300 万个 GPTs。有业内人士认为大模型的 iPhone 时刻已经到来。然而，过去半年里，用户定制的 GPT 并没有出现杀手级应用，反而是微软宣布将在 7 月 14 日关闭 Copilot GPT 服务（类似 OpenAI 的 GPT Builder 和 GPT Store）。

我个人感觉 AI Agent 的能力还太弱，根本无法完成复杂的日常任务，总不能天天用大模型来写诗、聊天和读文档吧？

技术从来不决定工作和生活

在过去的一年多时间里，互联网充斥着大量渲染焦虑的信息，比如："程序员很快要被 AI 取代了"。下面谈谈我的看法：

不可否认，AI 确实加速了程序员日常工作的效率，写代码已经离不开 ChatGPT 了，很多基础代码和文档都可以用 AI 快速生成。然而，时间久了会发现，AI 写代码是一个好手，但目前 AI 无法完成架构设计或根据实际业务给出具体的解决方案，甚至我还得非常认真地检查 AI 写的代码是否正确。所以，谁在给谁打工？

在我看来，AI 永远只是一个效率工具，它不会创造需求，也不会改变目的。例如，记录笔记这个需求，从古老的甲骨文到现在的语音输入和 AI 总结，需求和目的并没有变化，只有技术在不断进步。

最后

每个新时代一定会将一些公司推向全球市场的顶部。想想 PC 互联网时代的微软和 Google、移动互联网时代的苹果，现在是英伟达。所以新的时代要来了？

参考资料

关于作者：核动力蜗牛（微信公众号：yidooxyz，博客：异度部落格） 转载声明：本文版权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。