共计 1589 个字符，预计需要花费 4 分钟才能阅读完成。
从硅谷裁员潮看 AI 的突围
近年来，硅谷经历了大规模裁员，涉及元宇宙、芯片、自动驾驶、SaaS 等多个领域。2023 年初，全球科技公司累计裁员数十万，行业景气度低迷。以元宇宙为例，Meta 甚至进行了其成立 18 年来最大规模的裁员，并被投资人要求大幅缩减花费。
面对这些挑战，微软选择果断转向人工智能领域。2023 年初，微软宣布投资 100 亿美元入股 OpenAI，并计划将 ChatGPT 技术整合到旗下包括 Bing、Office、Azure 等多款产品中。微软推动的 AI 应用迅速落地，加速了行业变革。
与此同时，谷歌也紧急回应，召回创始人团队领导 AI 应战，推出自家聊天机器人 Bard，并投资竞争对手 Anthropic，尝试布局生成式 AI 市场。亚马逊和苹果等科技巨头也纷纷行动，AI 成为硅谷科技聚焦的新 C 位。
国内 AI 大厂火速跟进，技术差距并不悬殊
中国科技公司同样热衷布局类 ChatGPT 产品。百度发布了“文心一言”，预计将于 2023 年春上线；阿里巴巴、腾讯、网易等也在紧锣密鼓地推进 AI 相关研发和测试。市场对中国版 ChatGPT 寄予厚望，资本热度同步攀升。
针对中外差距，有业内人士指出实际差距可能只有大约一年时间，而不是外界普遍认为的两年。中国大厂不仅具备训练大规模模型的能力，许多已达国际先进水平，例如腾讯的混元大模型、阿里的通义大模型。技术积累和专利储备同样不容小觑。
然而，聊天机器人背后的核心技术其实并不新颖。大模型的理念由来已久，多家国内外企业都有相似成果，真正的难点在于海量数据的标注、筛选和高效训练，这些工程细节需要反复尝试和累积经验。
理性看待 ChatGPT，不应神化技术
大家对 ChatGPT 的热情高涨，但技术专家提醒，不应盲目神化聊天机器人。它虽然颠覆了传统搜索和自然语言处理，但目前技术仍在演进中，未来可能出现更高效、成本更低的方案。模型规模大带来的成本和应用限制，促使业内探索更多更精细化的路径。
此外，中文和英文的语言差异为国内 AI 带来了特殊挑战。中文作为表意文字，在抽象推理和逻辑表达上本质不同于英文，同时，中国互联网数据的开放度和量级亦不及英文环境，这对模型训练有直接影响。
因此，与其单纯追求通用大模型，不如结合具体行业场景开发专用模型，更具实际效果。例如医院等专业领域，现阶段难以承受大模型的计算和成本压力，而 BERT 等模型在拥有针对性数据下表现优异，更适合解决特定问题。
AI 产业生态：大厂主攻基础模型，创业企业聚焦场景
目前业界普遍认为，AI 产业将呈现三层架构：基础层由大厂负责训练通用预训练模型；中间层聚焦垂直和个性化定制模型；应用层则直接面向各类生成式 AI 产品。大型企业既推动技术进步，也通过 API 接口帮助中小企业快速接入 AI 能力。
这为创业公司创造了机会。它们可基于开源或大厂模型，专注于特定场景的创新应用，如结合数字人和聊天机器人实现自动生成视频，提供定制化客服或金融服务。不过，市场也面临同质化风险，差异化创新与数据积累成为竞争关键。
有声音认为，利用 ChatGPT 等通用模型冷启动积累数据后，再训练专用模型，是打造竞争壁垒和差异化服务的有效路径。与此同时，中小企业若无法承受通用大模型开发，也可聚焦行业版模型，用更小参数规模但行业化数据实现客户所需功能甚至超越通用模型表现。
总结：AI 仍处于早期，耐心等待变革
目前无论是在技术还是商业模式上，AI 都还处于相对初期阶段。通用人工智能的终极形态尚未出现，年度回顾常常显示各种颠覆性预期被重新调整。
类似 2016 年 AlphaGo 击败围棋顶尖人类选手时引发的 AI 热情，带来了强烈期待和担忧，然而近十年来在生活层面并未产生巨大改变。ChatGPT 启动的这波潮流也许是一个开始，但还需要时间沉淀。
不管是技术实现，还是商业应用，都还需不断摸索。把握好理性心态，专注积累技术实力和数据，探索切实可行的场景应用，才是迎接 AI 未来的正确姿态。
