另外，排队等待使用的企业过多，间次使用等待的时间过长，，并且稿件本身也需要好几天才能完成。看似一个简单的写稿需求，对无所不能的GPT-3来说应该是小case，结果无疾而终。存在类似小需求的企业应该还是有很多，而这些需求都需要排队等待调用大量的算力，并且磨几天才能产出，而花时间花钱结果还存疑。当时行业里最好的大模型落地都如此艰难，大模型的落地还是有点不理想。
好的大模型不仅仅需要模型、算力等本身性能方面强劲，关键也需要看与某垂直行业结合时产品化落地的能力是否实用。落地的大模型需要解决一些行业具体的问题，与行业结合时二次开发、对接的成本尽可能地小，否则它强势的性能也只是空中楼阁，中看不中用。大模型需要工程落地的能力，从而打开更多的边界，让更多领域和企业来使用。
大模型的未来趋势从产业价值的角度来看，预训练大模型带来了一系列可能性，让产学研各界看到了由弱人工智能走向强人工智能，走向工业化、集成化智能化的路径。在这样的驱动背景下，大模型也会有一些可预见的趋势与发展。
1.我们知道事物的发展规律是优胜劣汏，在竞争的角逐中，一些标榜独特性的小众模型的泛化能力差，越独特可能也就意味着越小众，使用的范围十分有限，可能会逐渐走向消亡。
2.崛起的大模型不仅仅是泛化性、落地能力强，创新性强、训练数据规模大，也需要具备不断生长革新的能力，也就是自我进化、智能化的能力。大模型的未来需要创新，也需要自我生长，向可持续、可进化的方向发展，架构上的革新会让模型更加高效。
3.大模型能力的端侧化，“芯片化”。将模型的一些运算存储等能力像芯片一样固化在一些端侧硬件设备中，在使用的过程中不用在重装的模型中耗时调用算力与数据，可以实现随时调用随时使用。现下的模型多是重装大模型，使用的话需要调用庞大的算力和运行时间，未来的大模型会逐渐改变这种模式。
4.大模型的标准化与模块化发展。大模型的评估未来会有标准化成熟的体系来衡量，这个体系也会是行业内公认的标准，用这个标准来衡量大模型的优劣而不是现下自卖自夸式的标榜。

文章插图
目前我们在各大榜单上看到的分数来自于大型的数据集和算力模型，让开发更加容易，调试与训练的周期越来越短。但我们也知道大量的数据喂养出来的模型回报并不是百分百地正确。喂养的数据知识的极大扩展也无法保证结果的确定性，这也是大模型最大的弱点，而这也意味着对于大模型的探索需要持续的迭代发展。
预训练大模型是面向通用智能最高阶的探索，也是AI持续变革的核心发展方向与动力，随着AI不断深入产业与各学科领域的过程中，大模型在军备battle和百家争鸣，算力、数据、规模都会朝着极致化的方向发展。未来新的预训练大模型将会与那些计算量巨大的科学领域，比如制药、脑科学、医疗、生物计算等领域相互结合，带来巨大的价值。
我们的那些悬而未解的难题，在未来都会有答案，无论最终这个结论正确与否，都能够为前沿的发展、探索带来很多灵感与角度，世界的多面体将会被打开。

稿源：(钛媒体APP)

【傻大方】网址：http://www.shadafang.com/c/102O342232021.html

标题：大模型的未来在哪？( 二 )