大模型AI的真正价值

（注：非严谨的研究文章，以易理解、实践为准）

先从基础概念讲起。

AI模型的活动大概过程：通过数据训练从规律中得到函数模型，通过函数计算输入数据，给出最大概率的结果。

大模型之所以大，是指模型参数够大，一般亿级以上。所以函数层级够深，兼顾到更多因素、精度更高。例如下棋，以往AI遍历10步以内怎么下胜算更大，现在就是1000步以内如何胜算更大。同时需要的资源也多。

从上面可以看出，训练数据的质量决定函数的质量。如果训练数据中，一直告诉程序1+1=3，那后面问训练完成的模型1+1，它就会告诉你3。

再说下预训练，其实是对训练的分步拆解。例如希望有个中文合同要素提取的AI模型，和以往对比，现在大模型做法就是先预训练中文语义模型，再用大量的合同模板进行训练，然后再对要素提取进行训练。有了拆解，就可以进行分工，降低成本。举例：openai负责第一步的语义模型，解决方案供应商负责合同训练，企业再对模型的要素提取精准度进行微调。

说完以上概念，下面说下我们自己的理解。

从ChatGPT和MidJourney来看，大模型目前看是非常可行的路子。资源也不是问题。在应用时，大模型区别于以往AI模型主要有：

考虑的因素多；支持的场景多；参与的个体多。

当然不仅限于自然语言生成、图片生成这种通用场景，诸多领域的问题都可以尝试解决。

比如交通，红绿灯的协调，可以把附近几公里的红绿灯、行人数量都计算进去，从而灵活调整红绿灯时间及协调车流疏散。自动驾驶也不再是每个车辆自己去识别、计算，而是与交通中心的总模型共同协作。

比如无人机，目前的无人机是预编程，机械型的组成图案，偏表演。如果是在军事领域，可以根据实地情况，在一个空间塞入大量便宜的无人机协同作战，形成战力碾压。

比如投资策略。使用ChatGPT问答式的制定投资策略不合适，它只能按自然语言分析获取投喂的策略，生成的策略依然是小参数、少因子的模型。可以尝试大模型包含更多的策略因子，包括国外、国内、宏观、微观、行业、企业、行情、舆情等，步步推导，给出最大胜算概率的投资标的。

这些场景共性是什么呢？对大资源的动态、精准的控制利用能力。所以可以打开思路，不要单纯被聊天、图片生成这种限制住。

同时，我们依然要考虑大模型AI的局限性。人工智能不能创造智能（模拟出电能到智能这条能量转化路径，估计还得百万年），也就是GPT3.5到GPT4不能自动演变，而只能程序员进行升级。人工智能也不能控制智能。

另外，试用了下最近开源的BLOOMChat，效果赶不上ChatGPT。应该是训练数据不行。就像meta的opt，也是数据质量问题。所以，依然保持前面选型中“私有化版本选ChatGLM”的决定。