國產大模型與GPT這類先進的大模型之間，到底存在著怎樣的發展區別呢？本篇文章具體分析國產大模型發展受限的原因，以及其面臨的一些考驗，希望能對你有一定的參考幫助。

縱觀人類的科技發展史，都由泡沫中的幸存者來繼續推動的。即使人類本身，也是物種大爆發這場生物泡沫的幸運兒。

最近，Facebook早期投資者Roger McNamee在CNBC上批評人們對AI的狂熱，是“忘掉了過去科技泡沫帶來的痛”。

同樣的，在國內，面對越來越多的大模型，部分頭腦冷靜的人士，也顯示出自己的擔憂。

“這么多的大模型，真正有自己技術的有幾個”？

“有幾家公司能持續投入下去”？

更有頭部VC機構人士認為，經過他們的私下測試和摸底，幾乎國內所有的大模型，都是PR項目…

眾所周知，大模型的訓練是一個成本極高的過程，需要大量的算力和資金支持。

以OpenAI為例，GPT-3的單次訓練成本就高達140萬美元，對于一些更大的大模型，訓練成本介于200萬美元至1200萬美元之間。

用知名計算機專家吳軍的話來形容，ChatGPT每訓練一次，相當于報廢了3000輛特斯拉汽車。

這個數字告訴人們：要想打造有競爭力的大模型，不下血本是不行的。

某些體量、資金不足，卻仍舊叫囂著要“對標ChatGPT”的企業，其本身的實力，難免讓人產生懷疑。

例如某個在發布大模型后，自身股價最高暴漲338%的國內公司（此處就不點名了），其賬上的貨幣資金不過13億元。

然而，以ChatGPT的訓練成本為例，要想背后的智能算力集群，僅GPU顯卡采購成本就超過了10億元。國內目前能夠支撐起類似基礎設施的企業不超過3家。

也正因如此，在這場表面熱鬧的大模型競賽中，注定有一大票公司，都只是打著大模型的名號，來實現自身利益的“陪跑者”罷了……

不過縱觀人類的科技發展史，都由泡沫中的幸存者來繼續推動的。即使人類本身，也是物種大爆發這場生物泡沫的幸運兒。如果泡沫無法避免，從業者真正需要的是面對泡沫時的冷靜和定力。

一、數據孤島

國產大模型能否達到或超越GPT這類先進模型的水平，有兩個較為主要的因素：

1. 在數據集的獲取上，如何不斷積累足夠多、且高質量的數據集；
2. 在煉制大模型的“工藝”上，如何不斷探索和突破，找到新的理論和方法。

先說第一點。

目前，在大模型的訓練上，用來訓練的主流數據集以英文為主，中文數據只占據4.8%。

之前清華計算機系教授唐杰，在對千億模型ChatGLM-130B訓練前數據準備時，就曾面臨過清洗中文數據后，可用量不到2TB的情況。

這就是國內所有做大模型的團隊不得不面對的慘烈現狀。

為解決這個問題，許多國內團隊，都開始通過“眾志成城”的方式，開源自身的中文數據集，以希望彌補高質量中文數據集的不足。

但是，這種通過各個團隊“自覺”開源的方式，仍然存在著一定局限性，那就是：由于數據的敏感性、隱私性和所有權等問題，很多行業和領域的數據并不容易獲得或共享。

國內數據大量儲存于移動端APP中，于訓練大模型而言比較難于抓取。

同時國內互聯網巨頭之間的數據相互封閉，數據孤島化情況嚴重。

例如百度的內容生態數據，騰訊的公眾號數據，阿里的電商和物流數，這些屬于各大企業的私有數據。雖然都在各自的行業和場景，積累了外人所不能及的優勢，但由其所有權和隱私性的問題，導致很難與外界進行共享。

而這些不容易獲取的數據，往往無法依賴各團隊的“自愿”和“主動”進行開源。

針對這一問題，走在前列的美國AI產業，早已通過更成熟的數據共享平臺、數據交易市場、數據信托等機制，促進了數據的流通和價值發現。

具體來說，在這些數據交易平臺中，第三方數據擁有者可以將原始數據掛到數據交易市場上公開出售，數據需求方按照約定價格（買斷數據/按小時計費、平臺會員費）購買后，可以在數據交易平臺上獲得離線的數據包或者實時API。

若最終成功交易，平臺收取一定傭金后返還銷售收入給第三方數據擁有者。這類型數據交易平臺代表有RapidAPI、Streamr等。

與之相比，國內大數據交易仍處于起步階段，數據交易主要以單純的原始數據“粗加工”交易為主。且數據供需不對稱，使得數據交易難以滿足社會有效需求，數據成交率和成交額不高。

此外，在數據交易過程中，國內市場也缺乏全國統一的規范體系和必要的法律保障，無法有效破解數據定價、數據確權等難題。

從長遠來看，國內大模型要想在數據的數量、質量上進一步得到提升，就不能單單只靠部分團隊“自愿”和“主動”的開源，而要在法律、市場機制等方面，做出更多與時俱進的改革。如此方能促進各個行業間數據的廣泛共享。

二、“工藝”的差距

除了數據集的數量、質量外，另一個決定大模型能力強弱的關鍵因素，就是煉制大模型的“工藝”。

前段時間，復旦大學教授、上海市數據科學重點實驗室主任肖仰華就表示：與國際同行相比，模型、數據和算力并不是中國最大的劣勢，真正的短板在于對大模型“煉制”工藝的掌握，包括數據配方、數據清洗和參數設置等等。

現在有些國內大模型，動輒就對外號稱“百億”、“千億”規模，仿佛參數量越大，模型性能就愈強。

然而，空有龐大的規模，卻缺乏先進的“工藝”，這就像一個腦容量頗大，但卻掌握不到學習要領的學生，難以在學習能力上進一步“精進”。

具體來說，如果將煉制大模型的過程，類比成一座工廠中的流水線。那么數據配方就像在開始生產之前選擇原材料一樣，需要選擇不同的數據集，確定不同領域、不同類型、不同模態數據的配比。

而數據清洗就像對原材料的加工一樣，對原始語料進行去噪、去重、過濾、規范化等操作，提取有用的信息；

參數設置就像生產過程中的調整和優化一樣，通過選擇合適的超參數，如學習率、批次大小等，以達到最佳的效果。

雖然上述的每一個具體步驟，國內其實都知道怎么做，但是將它們整合在一起，總體效果和國外是存在差距的。

這雖然不是0和1的區別，但卻是50分和100分的區別。

所以，大模型的研制與開發，終歸是一個易學難精的過程。而要想進一步提升這樣的工藝，就必須在人工智能的基礎理論、工程實踐以及創新思維上不斷積累，從而實現在關鍵環節上的突破和領先。

可問題是，這些反復試錯、探索的過程，往往是一個需要消耗大量時間、資源，且并沒有實際產出與盈利的過程。

即便是創造了ChatGPT的OpenAI，目前也處于嚴重虧損的狀態（其去年的虧損已達5.4億美元）。

這對于國內許多急功近利的企業而言，無疑是一個重大的考驗。

因為國內巨頭們對技術性風口的追逐和熱愛，不堅定，也缺乏耐心。

舉例來說，全民造芯運動中，在2017年，資本對半導體的狂熱達到了一個頂端，創下至今最高歷史記錄，單筆平均融資達到 8億元。

然而，一旦察覺某類技術的研發，是一場漫長且難見收益的過程，某些企業的“浮躁”與“搖擺”就會逐漸顯現。

2020年，武漢弘芯半導體，號稱千億投資，臺積電技術大牛執掌。但成立僅僅三年，就被曝出項目欠薪停擺。武漢弘芯將大陸唯一一臺，價值5億多元，能夠生產7nm芯片的光刻機，拿去銀行抵押續命。

由此可見，國內外大模型的競爭，表面上看，是數據集多寡、質量高低的競爭；稍微深入了看，是大模型工藝的比拼；而再深入到底層，就變成了不同的商業文化，乃至生態的綜合競爭了。