中国大模型面临的真实问题：登顶路远，坠落一瞬

“现在的国内大模型和 AI 创业公司就是在走钢丝，稍微不注意就万劫不复”。

这句话是我在看完十一财经那篇《中国大模型产业的五个真问题》后的内心独白。

虽然我现在已经转向研究领域，但这篇文章可以说是振聋发聩，今天我想借着这篇文章的部分内容讲一讲之前我看到的，听到的真实现象，讲讲行业内一些鲜为人知的故事。

一、从 "超级烂车"到"超级跑车"

人工智能在 2023 年掀起了惊涛骇浪。OpenAI 推出 ChatGPT 后，中国科技界迅速做出反应。短短几个月内，中国公司如雨后春笋般推出了自己的大语言模型。到 2023 年底，这个数字已经突破 130 个，展现了中国在 AI 领域的雄心和实力。

然而，回溯 ChatGPT 问世之前的科技格局，我们会发现一个有趣的现象：产业界和投资界对 OpenAI 的前景普遍持怀疑态度。这种普遍的质疑声并未动摇 OpenAI 的决心。他们坚持自己的方向，最终用实际成果证明了自己的远见。

过去，大模型研发的低迷常被归因于结果的不确定性。然而，ChatGPT 的横空出世彻底改变了这一局面。如今，大模型的潜力已经得到了充分证实，各大公司纷纷加大在算力、数据和人才方面的投入。

中国企业向来以工程优化见长。这种优势让许多人对国内大模型的快速应用充满期待。他们认为，能够实际落地的大模型产品指日可待。但现实是否如此简单？

回顾 OpenAI 的发展历程，我们会发现一个关键因素：坚定的方向。对 OpenAI 而言，大模型从未是一个摇摆不定的选项，而是一条笔直的道路。他们将大部分资金投入到算力上，尤其是在英伟达 A100 芯片价格相对较低的时期。这种前瞻性的投资策略，为他们后来的成功奠定了基础。

这种做法让人想起了亚马逊创始人杰夫・贝索斯的一句名言："发明需要长期思维。"OpenAI 的成功不仅仅是技术的突破，更是战略眼光和长期投入的结果。

OpenAI 的成功背后，是一场惊人的资源调动。根据第三方数据机构 Sami Analysis 的估算，OpenAI 的硬件配置令人瞠目结舌：约 3,617 台 HGX 100 服务器，搭载近 3 万块英伟达 GPU。这个数字足以让任何科技爱好者心跳加速。

然而，这仅仅是冰山一角。投资方微软的支持更是锦上添花，为 OpenAI 量身打造了定制化的算力集群，进一步提升了 GPU 的效率。这种深度定制化的 Approach，犹如为一辆超级跑车配备了专属的赛道。

在数据方面，OpenAI 的投入同样令人惊叹。从数据收集、标注、清洗、整理到优化，每一个环节都得到了持续而深入的关注。人才方面，OpenAI 汇聚了一批来自顶尖科研机构和科技巨头的精英。这支梦之队的组建，仿佛是在为 AI 领域的 "登月计划" 招募宇航员。

然而，即便有如此雄厚的财力、实力和持续的投入，OpenAI 仍然用了超过 8 年的时间才打造出突破性的产品 GPT-4。更值得注意的是，即便是如此先进的系统，仍然面临着幻觉问题这一难以彻底解决的挑战。

但是，有一个令人困惑的现象引起了广泛关注：为何中国公司能在短短几个月内推出据称可与 GPT-4 匹敌的大模型？这种 "神速" 背后，究竟是技术的突飞猛进，还是另有隐情？

二、“你不套，有的是人套”

让我们从模型本身这个问题开始剖析。

2023 年下半年，一个不容忽视的事实浮出水面：部分声称性能卓越的中国大模型被揭露为 "套壳" 产品。这些模型实际上是直接采用了国外的开源大模型，经过简单包装后就宣称具备与 GPT-4 相当的能力。在一些评估大模型能力的榜单上，这些 "套壳" 模型往往名列前茅，多项指标甚至接近 GPT-4 的水平。

更令人深思的是，一个奇怪的现象开始显现：在这些榜单上，模型的表现越好，被证实为 "套壳" 的可能性就越高。稍加调整，这些模型的性能就会显著下降。然而，"套壳" 问题仅仅是中国大模型产业现状的冰山一角。这个现象揭示了更深层次的问题：在追求快速结果的压力下，一些公司选择了捷径，而非踏实的技术积累。

2023 年 11 月，一个引人注目的事件震动了 AI 圈：李开复创办的 "零一万物" 被国外开发者质疑为 "套壳" 产品。他们指出，该模型疑似只是对开源模型 Llama 进行了简单的重命名。这一指控如同一颗重磅炸弹，引发了广泛的讨论和反思。

面对质疑，李开复和 "零一万物" 团队迅速做出回应。他们承认在训练过程中确实沿用了开源架构，但强调这只是为了快速起步，进行充分的测试和对比实验。他们坚称，其发布的模型都是从零开始训练的，并进行了大量原创性的优化和突破。

继“零一万物”之后，12 月，一则震惊业界的消息传出：科技巨头字节跳动被曝出在其秘密研发的大模型项目中调用了 OpenAI 的 API，并使用 ChatGPT 的输出数据来训练自己的模型。这一行为，恰恰触犯了 OpenAI 使用协议中明确禁止的条款。

OpenAI 的反应迅速而坚决。他们立即暂停了相关账号，并表示将进行进一步调查。如果指控属实，OpenAI 可能会要求字节跳动更改其做法，甚至可能终止其账户。这种严厉的态度，展现了 OpenAI 对其技术和知识产权的坚决保护。

面对这一指控，字节跳动的回应颇具策略性。他们承认在 2023 年初，技术团队在大模型探索的初期确实有部分工程师将 GPT 的 API 服务应用于较小模型的实验性项目研究中。然而，他们强调这个模型仅用于测试，从未计划上线或对外使用。更重要的是，字节跳动表示，自 2023 年 4 月公司引入 GPT API 调用规范检查后，这种做法就已经停止了。

其实，不光是这些在 23 年披露出来的国内事件，在 24 年也有更多被指“套壳”国内大模型的事件，比如说斯坦福大学 AI 团队主导的 Llama3-V 开源模型，被证实套壳抄袭国内清华与面壁智能的开源模型。这些现象其实背后都指向了大模型的建设方式。

在这里，我们粗浅地将大模型的建设方式分为三类：

第一类是原创大模型。这类模型就像是 AI 世界中的 "独角兽"，稀少而珍贵。创造原创大模型需要强大的技术积累，同时还需要持续的高投入。然而，这条路充满风险。正如马斯克所说："当某件事情足够重要时，即使概率对你不利，你也要去做。" 原创大模型的开发者们正是秉持着这种精神，在未知的领域不断探索。但是，一旦模型未能展现出足够的竞争力，这些大规模的投入就可能付诸东流。
第二类是套壳开源大模型。这种策略反映了一种务实的发展路径，利用现有资源快速迭代和改进。在这条“赛道”上，需要思考如何在借鉴中实现真正的突破和创新。
第三类是拼装大模型。这种方法将过去的小模型拼接在一起，形成一个参数量看似很大的大模型。这种策略体现了一种独特的创新思维，试图通过整合已有资源来实现质的飞跃。然而，正如系统理论所示，整体的性能并不仅仅是各部分的简单相加。

在这三类模型中，原创大模型的数量最少，也最具挑战性。它们需要强大的技术积累、持续的高投入，以及面对巨大风险的勇气。然而，当市场上已经出现了足够好的基础大模型时，其他公司应该转向挖掘新的价值点。比如，探索大模型在不同领域的应用，或者开发中间层服务，如训练、数据处理、算力服务等。但现实是，大多数参与者仍在追逐所谓的原创大模型，又担心风险太高，导致大量套壳和拼装大模型的出现。

事实上，无论是直接使用开源大模型还是拼装大模型，只要符合相关规范，都是可以接受的。在商业化落地时，客户往往更关注实用性而非原创性，有时甚至会因为成本较低而更倾向于选择非原创技术。可问题在于，即使是拼装和套壳，许多公司仍不断强调自己是原创的。为了证明这一点，他们不断进行调整和修改，这反而影响了大模型的迭代能力，逐渐陷入内耗、刷榜和作假的境地。

三、是真的被“卡脖子”，还是不想换条“新领带”？

大规模算力投资带来的重大问题是：它会使公司转变为重资产模式。这种转变就像是一艘灵活的帆船突然变成了一艘庞大的油轮，虽然力量增强，但失去了灵活性。在当今瞬息万变的科技市场中，这种转变可能会对公司的估值产生不利影响，进而直接影响投资人的收益。

尽管美国政府实施了“卡脖子”策略，但对中国公司而言，获得英伟达的算力并非完全不可能。光我自己听说的渠道就多达好几种。然而，无论选择哪种方式，获得高端 GPU 都是一项巨大的投资。除了 GPU 本身的高昂价格外，后续的部署、运营、调试和使用都将产生可观的成本。这么看，高性能算力的获取和使用，无疑是一项需要深思熟虑的重大决策。

有意思的是，这两年中国的 AI 投资圈出现了一种有趣的现象。许多投资人会直接告诉大模型的创业者一个看似矛盾的策略：

招募名校背景的人才
迅速组织产品发布会
推出大模型产品
进行下一轮融资
避免购买算力

其实从上面的做法中就不难看出，在很多创业公司、创始人面前都摆着一个两难的选择：是否应该承担高昂的算力投入风险？还是应该包装自己，不断推高自己的估值？

在现实情况中，大多数创业公司都选择了规避算力风险，抬高估值。但这个看似明智的决定却可能成为他们在大模型领域突破的绊脚石。因为这种做法让人想起了 17 世纪的荷兰郁金香泡沫。当时，人们疯狂投资郁金香球茎，推高价格，希望在泡沫破裂前获利。在 AI 领域，我们似乎正在经历一场类似的 "估值泡沫"。然而，正如每个泡沫最终都会破裂，AI 的风口期也不会永远持续。当风口过去，公司面临继续融资或上市的需求时，真实的收入将成为关键指标。

在这种背景下，我们经常听到业内人士抱怨被 "卡了脖子"。但这里出现了一个发人深省的问题：究竟是被他人卡住了脖子，还是我们自己不愿意 "买条新领带"？

四、“超级跑车是好看，可它费油啊！”

另一个关键问题是能耗。

接触过模型训练的人应该都知道，想练出一个好模型是超级费卡费电的，所以能耗也是一个拦路虎。假设，我们面前有一台由 8 张 A100 GPU 组成的 DGX 服务器。这台服务器就像是 AI 世界中的 "超级跑车"，性能强劲，但 "油耗" 惊人。它的最大功率达到 6.5 千瓦，这意味着运行一小时就会消耗 6.5 度电。然而，这仅仅是开始。

让我们来做一个具体的计算：

假设工业用电的平均价格是每度 0.63 元。
一台服务器（包括散热）每小时消耗约 13 度电。
如果这台服务器 24 小时不间断运行，每天的电费约为 200 元。

现在，让我们将视野扩大到一个大规模的 AI 研究中心或大型科技公司：

如果有 1,000 台这样的服务器同时运行，每天的电费将达到惊人的 20 万元。

对于大多数 AI 创业公司来说，大规模购买和部署 GPU 就像是攀登珠穆朗玛峰：看似令人向往，实际上充满风险和挑战。但在瞬息万变的 AI 领域，长期大规模投资可能会成为公司的致命弱点。没准下一波海浪就会把他们拍死在沙滩上。

然而，就像每一个挑战都孕育着机遇，GPU 资源的稀缺也催生了新的解决方案。云服务平台如阿里云、腾讯云和亚马逊 AWS，这些基础设施提供商建立的 "算力集市"，为 AI 公司提供了一个灵活的选择。在这些平台上，公司可以直接租用算力服务，而不必承担购买和维护的全部成本。

然而，即使是租用模式，许多大模型公司也对大规模算力投入持谨慎态度。这种谨慎背后隐藏着两个深层次的问题，这些问题已经成为 AI 投资圈的 "公开秘密"：

无止境的投入：就像是一个永不满足的黑洞，算力投入似乎没有上限，也没有终点。这种情况让人想起了希腊神话中的西西弗斯，永远推着巨石上山，却永远无法到达顶峰。
不可预测性：没有人能准确预测需要投入多少算力才能达到预期的效果。这种不确定性增加了项目的风险，也给投资决策带来了巨大挑战。

五、"你有我也有"

接下来，让我们把目光转向数据这个同样关键的要素。

在人工智能的世界里，数据就像是原油，而高质量的数据则是精炼后的汽油。虽然 OpenAI 训练大模型所用的中文数据也源自中国的互联网平台，但他们在数据处理上的额外努力，就像是将粗糙的原石打磨成璀璨的钻石。这种数据质量的提升，远非简单的数据标注工作所能企及，而是需要一支专业团队进行深度的数据清洗和精细整理。

然而，在中国的 AI 创业生态中，高质量的数据处理服务就像是稀缺资源。在国内，数据获取的门槛相对较低，这看似是一个优势。然而，虽然数据获取容易，但高质量数据的获取却是另一回事。国内的大模型主要以中文数据为基础，这看似是一个自然的选择。但业内普遍认为中文互联网数据的质量相对较低。这种情况让人想起了信息论中的 "垃圾进，垃圾出" 原理。如果输入的数据质量不高，那么即使有最先进的算法，输出的结果也难以令人满意。

这个现象在 IT 从业者的日常工作中得到了印证。当需要搜索专业信息时，他们往往会首选 Google、arXiv 或 Bing 等国际平台，而不是国内的搜索引擎。

那么，可能有人会想：“那我买点优质数据不就完了吗？”但对于许多公司，尤其是初创企业来说，这笔投入看似是一个风险过高的赌注。更不要考虑到找到一个好的数据供应商是万里挑一的概率了。这个风险，创业公司很难担的起。如果大规模投入后，模型效果不如预期，那么这笔投资就像是泥牛入海。因此，许多公司选择了一条看似更安全的路径：直接使用开源数据进行训练，然后匆忙召开发布会。

更有意思的是，在国内的 AI 领域，这份 "黄金" 似乎变成了一个难解的谜题。正如一位大厂 AI 线的负责人所言，"在中国，你能拿到的数据，别人也能拿到。"

这个现象产生了一个悖论：如果一家公司投入巨资打造高质量数据集，其他公司可能会以极低的成本获取类似的数据。反之亦然。这种情况就像是在一个没有知识产权保护的市场中进行高科技研发，既打击了创新的积极性，也阻碍了整个行业的进步。

在国际舞台上，我们看到了像 Scale AI 这样的数据处理独角兽企业的崛起。这些公司的成功证明了高质量数据处理在 AI 领域的重要性和商业潜力。然而，在中国，数据加工清洗的工作往往被低估，就像是被忽视的 "幕后英雄"。

最终，创业公司又开始面临两难选择：是追求高质量数据而承担高昂成本，还是选择低成本投入而牺牲数据质量？这种困境就像是在钢丝上行走，一边是质量的深渊，一边是成本的悬崖。在这种情况下，模型调优这个本应是 AI 发展核心的环节，反而成了可望而不可及的奢侈品。

六、谁来接盘？

这些问题的根源，或许可以追溯到一个更深层次的问题：资本的短视。尽管 OpenAI 已经为大模型发展趟出了一条明确的道路，但对于绝大多数公司来说，从零开始打造一个成熟的大模型仍然需要巨大的时间和资金投入。这就像是在科技领域重演了 "罗马不是一天建成的" 这句古老谚语。

中国投资人的耐心通常只有 3-5 年，这不是个人选择，而是整个资本运作模式决定的。这就像是一场有时间限制的马拉松，投资人必须在规定时间内完成比赛并取得好成绩。他们从有限合伙人（LP）那里募集的资金需要在固定年限内退出，并且要实现可观的收益。这种模式就像是一把双刃剑，既推动了创新，也可能导致短视。

投资人的退出渠道主要包括项目并购、上市，或在后续融资中将股份卖给新投资方。这就像是接力赛跑，每个投资人都希望在最佳时机将接力棒传递给下一位跑者。早期融资可能依靠风口和讲故事，就像是用美丽的泡沫吸引投资者。但是，当项目进入中后期甚至准备上市时，就必须展示实质性的商业化能力。

但是在国内，虽然在 C 端市场上也推出了许多大模型产品，但迄今为止，多数产品仍旧在用免费策略培养自己的用户群体，所以眼下来看更赚钱的则是做 B 端的定制化项目。但这条路径上最大的客户是政府和国企，这些客户对于减少人力方面是持相当保守的态度。更不要提现在的模型本身就有“幻觉”，在很多方面本就有先天不适的缺陷（比如涉及生命与财产安全的场景），进一步缩短了 B 端大模型的落地场景。

卷又卷不过，舔又舔不上。

以上种种，决定了创业公司很难实现爆炸性的收入增长。因此，投资人往往选择在风口还在的时候，迅速推动公司完成多轮融资，抬高估值，然后即使打折出售手中的股份也能获利。

这也解释了为什么 2023 年大模型相关的发布会层出不穷，各种大模型榜单百花齐放，而且排名各不相同，表面光鲜亮丽，实际上可能掩盖了一些根本性的问题，一旦投资者认可了其“价值”，那么他们就成为了下一个“价值投资的赢家”。

七、最后

历史总是惊人地相似。几年前，曾经的 "AI 四小龙" 风光无限，如今的大模型创业热潮，不过是将过去三年的剧本压缩到一年内重演。回首过去，我们经历了各种泡沫，而这一次还会是泡沫吗？但愿我们学懂了黑格尔的那句话：

"我们从历史中学到的唯一教训，就是我们从不吸取历史的教训。"

我只能祝愿国内大模型和创业公司们越来越好。

以上。