大模型在經(jīng)歷了前期的熱潮之后，如今逐漸降溫，其背后的原因引人深思。

難點(diǎn)方面，盈利難和落地難是大模型面臨的主要挑戰(zhàn)。強(qiáng)如 OpenAI 也面臨“恰飯”難題，其營(yíng)收難以覆蓋成本，且為推出新一代大模型需要更多投入。而國(guó)內(nèi)大模型多數(shù)采取 ToC+ToB 的模式，但能產(chǎn)生付費(fèi)的情況寥寥無(wú)幾。同時(shí)，大模型還存在諸多局限性，如認(rèn)知偏差、能動(dòng)性欠缺、泛化性能弱、幻覺(jué)等，在數(shù)值運(yùn)算等方面表現(xiàn)不佳，多輪對(duì)話時(shí)容易“健忘”。

卡點(diǎn)主要體現(xiàn)在數(shù)據(jù)、算力和成本上。數(shù)據(jù)方面，大模型需要高質(zhì)量、大面積且多樣的語(yǔ)料投喂，但數(shù)據(jù)的挖掘、獲取涉及多方權(quán)益保障等問(wèn)題，處理敏感信息時(shí)的清洗、標(biāo)注、脫敏工作繁雜。算力方面，如同維持工廠運(yùn)轉(zhuǎn)的昂貴“燃料”，隨著大模型規(guī)模擴(kuò)大，算力需求倍數(shù)遞增，超越硬件的摩爾定律。成本方面，大模型受限于算力，實(shí)際也是受限于高昂的成本。

盡管大模型降溫面臨諸多問(wèn)題，但我們也看到其正逐步向產(chǎn)業(yè)邁進(jìn)，嘗試扮演淺層的 Agent 角色。比如華為的盤(pán)古礦山大模型，覆蓋煤礦多個(gè)細(xì)分場(chǎng)景，用 AI 取代人進(jìn)行精準(zhǔn)監(jiān)測(cè)。

未來(lái)，大模型如何突破這些難點(diǎn)、卡點(diǎn)和節(jié)點(diǎn)，找到可持續(xù)的發(fā)展路徑，值得持續(xù)關(guān)注。