别焦虑，ChatGPT还没有那么神

作者｜吴明灿

编辑｜桑明强

最近的科技圈狂欢，属于chatgpt。

自从openai公司公开了chatgpt的公测平台后，chatgpt就迅速霸占了国内各平台的科技榜单，短短一周，用户量已经突破了1百万人。但事实上，它不是一个新概念，确切的说，他算是介于gpt-3和gpt-4中间的一个彩蛋，而且，gpt-3已经是现象级的ai产品了。

在chatgpt之前，openai推出了gpt-3，同样是对人类语言的理解，gpt-3对比chatgpt来说就显得冰冷。后来，在gpt-3的基础上，chatgpt引入了人类偏好学习机制，让他的回答更贴近人类，不仅如此，chatgpt学会了纠正提问中的错误，并对一些敏感的问题做出回避。

在一些业内人士看来，chatgpt的出现对传统的搜索引擎是一个冲击。无论是谷歌还是百度，用的都是一套“推荐制”的搜索方式，而chatgpt跳过了网页浏览和整合这个步骤，直接给你一个答案，而这样的搜索结果显然更加效率，能大量节省用户浏览和比对的时间。

更有人预言，chatgpt会颠覆现在已有的产业业态，就像当年互联网对线下商业的冲击一样。那么，事实真的如此吗？这篇文章我们来好好聊一聊。

大约在6年前，一篇大名鼎鼎的论文《attention is all you needed》正式发表，它第一次提出了注意力机制（attention），并且在attention的基础上创造了一个全新的nlp（自然语言处理）模型transformer。

transformer是gpt和bert的前身。谷歌和openai在自然语言处理技术上的优化，都是基于这个模型。

后来，从2018年开始，gpt技术基本上是一年迭代一次，所使用的参数量从初代gpt的1.17亿，增加到gpt-3的1750亿。优化的背后，是openai巨额的研发经费投入。据相关数据显示，gpt-3训练一次的费用是460万美元，总训练成本达到了1200万美元，不仅测试成本非常高，gpt技术对算力的要求也是目前aigc技术领域最高的。

各项技术算力需求图源国盛证卷

与此同时，在大算力的驱动下，aigc生成的结果会更优质，更效率。从第一代的gpt技术到现在的chatgpt，如今的技术已经可以让ai跟人进行自然的交流。因此，它也就具有了更多的应用场景，比如搜索引擎、电商客服等。

有趣的是，最近大家都在担忧谷歌会不会被chatgpt替代掉的问题。关于这个问题，我们先来看一个应用场景：我从旅游景点推荐的方向，分别问了chatgpt这样几个问题，它给出的答案如下：

chatgpt问答测试图源新眸自制

以往我们需要查找一项攻略的时候，需要经历四个步骤才能得到答案：输入、检索、整理、结果，而chatgpt跳过了中间的两个步骤，实现了从输入到结果的新搜索方式。

总结起来，就是chatgpt技术已经可以替代部分的搜索引擎功能，大幅提高了用户的检索效率。再回到chatgpt的核心技术上，gpt的全称是生成式预训练模型（generative pre-training transformer），chatgpt也就是在无监督无标记，这种更符合日常沟通的条件下，识别人的语言并进行对话。

某种程度上，nlp技术的优劣，决定了ai对人类意图的理解能力，如果ai能理解人类的意图，就能生产更符合人类需求、更优质的产品。

作为aigc赛道上重要的一个阶段，nlp技术的升级是整个aigc技术更新的第一步。

chatgpt在原来gpt的模型基础上加入了人类反馈学习的机制，也就意味着，新的gpt技术将更好的理解人类的自然语言。

用建筑设计领域举个例子，aigc技术如果能完美的理解设计师的意图，就能免去很多繁琐和重复的工作，在提高效率的同时，也能释放劳动力的潜力，创作者可以逃离重复的工作，利用多余的时间进行自我提升。

从gpt-1到如今的chatgpt，在nlp技术上的优化和迭代，让aigc技术有能力开拓更多的应用场景。如果将优化后的aigc技术落实在企业应用端，也会进一步提高企业效率，释放更多的人力成本。

aigc应用场景图源红杉资本

在技术圈和投资者们都为aigc技术狂欢的同时，感到焦虑的是大部分ai企业。对于ai赛道上的其他企业来说，openai和它们之间已经形成了很大的差距。

在chatgpt发布之前，不是没有人挑战openai的技术。

自从openai发布了gpt-3并创开创了aigc大算力的发展前景的时候，不少工程师开始研究对nlp过程进行瘦身，在保证运行效果不变的情况下，通过降低算力和参数量的需求，开发transformer模型在应用端的潜力，目的在于希望小企业也能有能力运用nlp的新技术，但其实这是比较难实现的，尤其是参数量的需求对于aigc技术来说是刚需，越多的参数量，所产出的aigc作品也就更优质。

就像一位分析师在李rumor公众号中所提出的问题：“如果商用智能作为公司助手，你是会选择高价但是能精准提高效率的，还是低价但是准确率只有70%-80%的产品呢？”从长期投资的角度来看，企业是会倾向更精准的机器的。

最典型的例子是，在gpt-3发布之后不久，meta ai推出了opt技术。

opt和gpt-3的运行效果几乎没有什么区别，参数量也是很巧合的1750亿。不仅如此，meta ai还将opt技术做了开源，提供给所有需要的企业和个人作为研发的基础技术。

那么问题来了，推特上的一位数字科技的风险投资人andrew steinwold这样评论gpt-4技术，他说：“gpt-3需要1750亿参数，gpt-4明显会拥有100万亿的参数量，你们想用gpt-4做出什么样的东西来呀？”

也许gpt-3对参数和算力的要求还能被一些比较大的企业满足，如果换做是参数量翻了几百倍的gpt-4，能跑得动巨额参数的企业也只能是凤毛麟角了。

aigc未来对算力和规模的要求，对于进入赛道尚且年轻的企业来说更是不可能超越的。某种意义上，openai凭借着大规模和大算力，在同行和自己之间构建了足够厚的技术壁垒，而这份研发投入，是非常难超越的。在全球市场排在头部的企业也就几家，能做到微软这个量级的企业就更少了。

这也是openai开发gpt技术让人感到害怕的地方。

对于aigc这个赛道来说，算力、算法、数据都是促使它优化的主要因素，而gpt技术的迭代升级，将大数据的重要性放到了一个空前的位置。在大算力、大投资、大规模的要求下，后来的aigc企业想要做出更好的技术，只会变得更难。

也有人会问，为什么国内做不出chatgpt这样的产品？是创新力不够吗？其实，创新力是一个因素，但不是全部。

我们从融资、科研投入、技术三个方面分别聊聊国内的情况。

国内企业有很多从事aigc研究的企业，例如盗梦师、tiamat等，但是国内的投资人对aigc的狂热度远不及海外。在海外独角兽公司jasper和stability ai在今年10月相继获得了1.25亿美元和1.01亿美元的融资后，国内的aigc企业目前只有tiamat完成了百万美元的天使轮的融资。

先不看投资人的金钱实力，单凭投资逻辑，对于国内投资市场来说，投资人更关心aigc的商业化落地问题。百度集团副总裁吴甜就曾针对ai的深度学习说过这样的话：“深度学习技术已经开始向多个行业进行大规模地渗透推广，但目前ai大生产仍处于起步阶段。”这也意味着，其实企业内部也对aigc的商业化程度不够自信。

再比如pico这样的元宇宙系列产品，最近也面临着销售瓶颈，这样的情况时国内很多高科技企业都会面临的问题，技术是好的，但落实在产品销售上就卖的不好，从某种程度上也会抵消企业内部对一个新产品的信心。

由于国内的ai企业在核心技术门槛上并不具备先天的优势，如果想实现净利润的提升，最终总会走向技术商业化。笔者此前针对科大讯飞的商业模式做过一些了解，对于科大讯飞来说，语音技术门槛被突破，单纯做技术不能赚钱的话，它会先选择卖产品挣钱，先将技术在产品端落地了，有一份收入来源，剩下的就边走边看。

在这样的逻辑下，国内ai企业就会更关注一项技术能不能实现快速实现商业化，是否可以在产品端落实之后带来收益。

但是openai的思路明显和国内的大部分企业都不一样，openai之前获得了微软的20亿投资，进行gpt的开发。gpt-4技术需要的大算力和大规模，显然在近几年是不能回本的。光是gpt-3在测试阶段就花出去了千万美金，作为算力要求翻了几百倍的gpt-4技术，在开销方面也只会成百倍的增加。

总结起来，这也是国内外科研逻辑的不同。相比国外，国内更追求商业产品的落地，投资人在对一些概念性的产品进行投资时也更加谨慎。然而，在大算力的新竞争生态下，融资投入的增加对于aigc企业来说非常重要。

其次，是研发人员待遇的问题，根据市场调研数据，国内的企业研发人员相比于美国的企业，收入更依赖工龄和学历。

中美两国研发人员收入对比图源oecd

最后从国内aigc相关的技术发展方面，根据gartner数据统计，国内的数字化技术还集中在发展阶段。而美国的大部分技术都已经可以平稳发展。还有一个现象就是，在国内很多技术就算发展了5-10年也还是分布在创新孵化阶段，然而美国的很多技术在发展了1-2年后就能进入成熟阶段。从这个个统计结果来看，美国的企业相比于国内，研发效率明显更高。

综上来看，国内企业想要发展aigc技术，首先要解决的就是资金问题。按照国内高科技投资的逻辑，aigc技术在获得大量融资前，应该先让投资者看到它的应用前景。但是现在的aigc赛道，虽然应用场景很多，但是商业前景还不够明朗。

实际上，尽管aigc的技术一直在迭代升级，aigc的商业化推进其实是困难的。首先，aigc对于算力的要求越来越大，不是一般企业可以负担的起的，也只有一些大的b端企业可以负担aigc的大规模和大运算需求，这样一来将来能使用aigc技术做应用的公司并不多。

其次，aigc的应用路线还很模糊，就拿搜索引擎这一应用场景来说，chatgpt还不足以取代传统的搜索引擎。

网络上关于chatgpt击败传统搜索引擎的论调很多，我们回到前文提到的旅游推荐的应用场景去说，当我提问chatgpt能不能给我一些旅游建议的时候，它直接给出了答案，搜索效率是提上去了，但是这个答案一定就是我需要的吗？未必。

比如，我问它圣诞节伦敦有哪些值得去的地方。它给我列出了5个城市，现实的情况是，英国的圣诞活动各地都有，它直接给我列出的5个城市，一定程度上也减少了我的选择。

chatgpt现在的问题在于，他给出的答案往往是大众性质的、普适化的，而非个性化的。

在用户刚开始做检索的时候，大部分情况下对自己的需求是没有很明确的认知的。而在使用传统浏览器的时候，往往是在检索过程中才能进一步缩小自己的需求范围，而chatgpt是直接将用户能看到的答案范围进行了缩减，它给出的答案是正确的，但不一定就是最合适用户的。

就现在的情况看，aigc的应用前景并不明朗，尽管aigc可以运用在多种场景中，但好的技术，不一定能在商业上迅速落地。

尽管openai用钱烧出了gpt技术的迭代，但是这一做法也有它的市场局限性，在大算力的要求下，没有多少企业可以承担得起gpt-3 的运作，就算是面向大众测试的chatgpt，它的参数量要求也很大，将来如果运用在b端市场，对于多数的企业来说是个不小的负担。chatgpt的出现也只是aigc的一次技术迭代升级罢了，它的应用前景还不明朗，现在就谈到劳动力替代和技术垄断，还太早了。

本文系新眸原创，申请转载授权、商务合作请联系小新微信：lingshixiaoxin，添加好友请备注公司和职位。

— 往期推荐 —