Le grand modèle To C est lancé, et le champagne est ouvert à mi-temps de commercialisation de l'IA ?

Source : Internet Jianghu

Source de l'image : générée par Unbounded AI‌

Les grands modèles ne semblent pas parvenir à apporter davantage d’imagination en matière de valorisation.

Le 14 mars de cette année, OpenAI a publié GPT-4, qui a encore amélioré la compréhension et la fiabilité des grands modèles. Deux jours plus tard, Baidu Wen Xin Yi Yan a été officiellement libéré et ce n'est que fin août que Wen Yi Yan a officiellement ouvert ses services au public.

En plus de Baidu, iFlytek a lancé le modèle Spark le 6 mai et il sera ouvert au public le 5 septembre. Shang Tang. En avril, le système grand modèle Ririxin a été lancé et fin août, le grand modèle Ririxin a été approuvé. Tencent Hunyuan et Alitong Qianwen se sont également précipités pour entrer sur le marché.

Aujourd'hui, six mois se sont écoulés depuis le lancement du premier modèle national à grande échelle. Quelle est la performance des différents marchés de capitaux ?

Le cours de clôture de l'action Baidu à Hong Kong était de 129 HK$ le 14 mars et de 132,2 HK$ le 18 septembre.

SenseTime a clôturé à 3,33 HK$ le 11 avril et à 1,46 HK$ le 18 septembre.

iFlytek a clôturé à 63,76 yuans le 8 mai et à 48,38 yuans le 18 septembre.

……

Il y a effectivement eu un buzz autour du concept des grands modèles, mais à l'heure actuelle, l'agitation s'est estompée et le marché ne semble pas y adhérer.

Le 15 août, les "Mesures de gestion des services d'intelligence artificielle générative (projet pour commentaires)" sont entrées en vigueur et la voie vers la conformité des produits AIGC était claire. En conséquence, de grands modèles nationaux ont été lancés de manière intensive, notamment Baidu, iFlytek, SenseTime, etc. Les joueurs ont commencé à s'emparer du marché ToC.

Alors, la « première application à grand modèle » sur les téléphones mobiles des gens peut-elle devenir la « première entrée » vers la génération de l'IA ? Cela vaut la peine d’être étudié.

Le grand modèle a été « roulé » à la réception, et le champagne a été ouvert à la mi-temps après le lancement de l'IA ?

Une chose est sûre, c'est que le marché attend avec impatience la « production » au sens applicatif. Quels types de problèmes objectifs les grands modèles peuvent-ils résoudre ? Les applications qui peuvent résoudre les problèmes sont des applications ayant une valeur commerciale.

L’application la plus directe des grands modèles concerne les assistants vocaux.

Les grands modèles renforcent une vague d'applications d'interaction vocale, ce qui pourrait apporter un « deuxième printemps » à certaines industries du matériel. Par exemple, les haut-parleurs intelligents ont de nouveaux arguments de vente, et les haut-parleurs intelligents Xiaodu pourraient trouver de nouveaux points de croissance.

Dans le domaine des assistants vocaux, l’application la plus réussie pourrait être celle des automobiles.

Wen Xinyiyan a accès à Geely, Great Wall, Hongqi, Dongfeng Nissan et Lantu. ChatGPT est connecté à Mercedes-Benz, Spark grand modèle est connecté à GAC, Huawei Pangu est connecté à Thalys... C'est aussi l'un des scénarios les plus simples pour la commercialisation de grands modèles. Après tout, pour les scénarios embarqués, les applications d’assistant vocal sont nécessaires de toute urgence et constituent également un domaine relativement mature pour la mise en œuvre côté B.

Bien qu'une étape importante ait été franchie dans la pénétration des grands modèles dans le côté C, je crains qu'il reste encore un long chemin à parcourir avant qu'ils puissent être véritablement appliqués à grande échelle.

Les acclamations d'aujourd'hui sont comme du champagne à la mi-temps. La réalité est que les grands modèles sont loin d'être matures.

Ce que les gens doivent accepter, c’est que le grand modèle semble très solide, mais lorsque vous l’utilisez réellement pour résoudre des problèmes, vous constaterez qu’il n’est pas si solide.

Pour certains des besoins les plus pratiques, même les plus simples, les grands modèles ne sont toujours pas en mesure d'y répondre. Derrière eux se cachent des problèmes de données et des problèmes écologiques, mais en dernière analyse, ils ne peuvent résoudre les besoins réels que dans une mesure limitée.

Le premier est la question de la fraîcheur des données. En utilisation réelle, nous avons constaté que pour la même question, la réponse donnée par le grand modèle n'est même pas aussi bonne que la recherche.

Voici la réponse donnée par la recherche Baidu :

Voici la réponse donnée par Wen Xinyiyan :

En termes de rapidité et de précision, la recherche est plus conforme au bon sens et à la compréhension des scènes réelles par les gens.

"Wen Xin Yiyan peut être utile dans tout scénario d'application impliquant la gestion du langage, du texte ou du code de programme", a déclaré un jour Wang Haifeng au monde extérieur.

En effet, les scénarios d'application des grands modèles sont très vastes, mais la réalité est que dans les scénarios de demande réelle, les produits actuels des grands modèles semblent avoir une grande marge d'amélioration.

Par rapport à Wen Xinyiyan, le modèle iFlytek Spark donne la réponse, mais l'heure est au classement des sociétés cotées en 2022, qui ne sont pas les données les plus récentes.C'est aussi une question de fraîcheur des données.

Le problème de la fraîcheur des données est essentiellement un problème insulaire de l’écologie des données.

Pour des questions dans certains domaines verticaux, les réponses apportées par les grands modèles ne semblent pas répondre aux besoins des personnes en termes de professionnalisme ou de rapidité. Cela peut être dû au fait que, qu'il s'agisse du modèle Wen Yiyan ou Xinghuo, tout le monde n'a pas suffisamment de formation en données dans les domaines verticaux.

Par exemple, en termes d'informations financières, les résultats fournis par les grands modèles peuvent ne pas être aussi précis et utilisables que les résultats trouvés sur les sites Web d'informations financières. Bien sûr, des problèmes de droits d'auteur peuvent être impliqués, mais il s'agit essentiellement d'un problème insulaire dans l’écosystème des données.

En prenant ChatGPT comme exemple, OpenAI, Google et Anthropic, qui le soutiennent, utilisent depuis de nombreuses années le contenu en ligne d'autres sites Web ou d'entreprises pour entraîner leurs modèles d'IA générative. Bien que la quantité de données soit garantie, il existe également des problèmes juridiques potentiels.

Lorsque les grands modèles seront mis au premier plan, ce problème d’îlot de données deviendra plus important. Parce que les utilisateurs ne se soucient pas de la manière dont vous obtenez les données, ils se soucient uniquement de savoir si vos outils sont faciles à utiliser.

L'application Tianyancha recherche de grands modèles et il existe plus de 100 résultats associés. Bien que de nombreux grands modèles aient publié leurs propres applications, à l'heure actuelle, rares sont celles qui sont vraiment faciles à utiliser. L'afflux d'un grand nombre d'utilisateurs est dû à Le travail effectué par les grands modèles sur les applications côté C est en réalité encore très limité.

Par exemple, si un utilisateur souhaite convertir une image de résolution 2K en 4K, ce n'est pas techniquement compliqué, mais le grand modèle ne peut pas donner de résultats pour les utilisateurs ordinaires. Si cela ne fonctionne pas après l'avoir utilisé une fois, j'ai peur qu'il soit difficile de continuer à l'utiliser.

Tout comme les haut-parleurs intelligents et les assistants vocaux dans le passé, tout le monde possède des assistants vocaux IA dans son téléphone portable. Pourquoi ne sont-ils pas utilisés plus fréquemment ? En fait, c’est parce que ce n’est pas facile à utiliser. Par conséquent, pour Baidu, iFlytek et même SenseTime, le défi n’est pas de savoir s’ils peuvent créer des applications côté C, mais si elles sont suffisamment performantes.

Le produit Baidu le plus performant est Baidu Search. La recherche intelligente est en effet très puissante, mais la question de savoir si les produits à grande échelle peuvent atteindre le même niveau que la recherche nécessite un point d'interrogation.

Pour iFlytek, certains produits matériels fonctionnent bien, mais le test réside dans la capacité de définition des produits logiciels ; pour SenseTime, les applications ToB ont été réalisées beaucoup, mais ToC a évidemment encore besoin de plus d'expérience.

À l'heure actuelle, les grands modèles de ToC nationaux ne sont pas très différenciés. La plupart d'entre eux sont utilisés dans la création de contenu, la peinture d'IA, la traduction, le bureau d'IA et d'autres scénarios. Ils peuvent également aider les gens à résoudre certains problèmes pratiques, tels que la génération de plans de réunion et rédiger des plans pour PPT, rédiger des rapports de recherche et rédiger des rapports de travail quotidiens.

Mais ensuite, si le grand modèle de ToC peut vraiment devenir un « hit » et différencié, je crains qu'il ne soit pas seulement testé par la technologie de l'IA.

La période fenêtre de commercialisation des grands modèles touche à sa fin.

L’un des principaux obstacles à la mise en œuvre de grands modèles du côté B est l’incapacité à comprendre le métier.

Par exemple, le domaine financier est un domaine fortement axé sur les données. Les gens doivent prendre des décisions basées sur des données. Si une grande quantité de données et de théories financières sont utilisées pour former l'IA, alors face à un marché en constante évolution, comment une grande partie de la prise de décision peut-elle être prise par de grands modèles ? Les utilisateurs osent-ils l’utiliser ?

Musk a déjà déclaré que FSD V12 est presque entièrement un réseau de neurones, créant un ensemble de technologies de conduite autonome de bout en bout. En d'autres termes, le processus d'entrée et de sortie d'informations de bout en bout est une « boîte noire ».

Vous ne savez pas spécifiquement comment l’IA prend des décisions, mais vous finirez par obtenir un résultat utilisable.

La plupart du temps, de telles applications ne posent aucun problème. Par exemple, dans le domaine des voyages, ce dont les gens ont besoin, c'est d'atteindre leur destination en toute sécurité. Même si le problème de la boîte noire de prise de décision existe, cela n'affecte pas l'application réelle. .

Le plus gros problème de la boîte noire décisionnelle est la question de la confiance dans la prise de décision. Les grands modèles de bout en bout du Cloud ont également des problèmes similaires.

Par exemple, si vous posez une question à un grand modèle, les réponses données par la question de l'IA sont-elles suffisamment réelles et crédibles ? Ce problème doit encore être résolu avec de gros efforts. Pour faire simple, pour enseigner à un grand modèle quels résultats sont corrects et faciles à utiliser, cela nécessite d'« aligner » constamment les résultats de sortie du modèle sur la réalité.

Il s’agit également d’un défi important pour les grands modèles à implémenter du côté C.

L'authenticité et l'efficacité des résultats ne peuvent-elles pas être garanties au niveau le plus élémentaire ? Il s'agit d'un problème préalable qui doit être résolu pour que les applications à grande échelle puissent réellement déclencher une grande explosion.

Dans le passé, ChatGPT a dépensé beaucoup d'argent pour ce faire. Wen Xinyiyan, Spark Model et Ririxin Model de SenseTime doivent évidemment également passer par ce processus.

Au stade actuel, l'engouement pour l'application de grands modèles généraux s'apparente davantage à l'auto-culture des gens. La sortie de grands modèles par les entreprises s'accompagne souvent d'une série d'activités de relations publiques. Mais en outre, quel type d'augmentation des avantages peut Cela apportera-t-il aux entreprises du côté B ?Cependant, il n'y a toujours pas de plan clair, juste la rhétorique des relations publiques selon laquelle « les modèles intelligents d'IA à grande échelle réduisent les coûts et améliorent l'efficacité ».

Cette situation actuelle de « géant » en termes de promotion de produits et de « nain » en affaires n'est rien d'autre qu'une tentative de se présenter comme un grand modèle afin que le marché secondaire puisse y jeter un œil attentif. Cependant, le marché vote déjà avec ses pieds et examinera en fin de compte les performances commerciales réelles.

Internet Jianghu estime que si la valeur des grands modèles du passé réside dans le « label » des entreprises technologiques afin d'obtenir de bons prix sur le marché secondaire, alors leur capacité à survivre à l'avenir dépend de leur capacité à achever la « production ». S'appuyer vraiment sur la capacité de l'application à « conquérir le monde ».

Peter Thiel, le parrain de la Silicon Valley, a déclaré un jour que les entreprises qui aiment se labelliser sont presque toutes ininvestissables. Il a exprimé ce point de vue : « Je suis sceptique à l'égard de tous les investissements thématiques chauds. D'une manière générale, on dit qu'il n'y a pas de distinction entre de tels investissements. Tout le monde aime mettre beaucoup de choses complètement différentes dans un seul point chaud, étiqueté comme le cloud computing, le big data, l'intelligence artificielle, le SaaS médical, etc., mais en fait la couche inférieure est complètement différente. aucune différenciation.

Il en va de même pour les grands modèles.

En fait, après que la bulle dans le secteur de l'IA ait été éliminée, le marché a clairement compris que la véritable valeur des grands modèles réside toujours dans la production. La clé de la productisation n’est pas seulement une compétition technologique, mais également une compétition dans les capacités des chefs de produit.

À ce stade, les « rois » de l’ère précédente (comme Alibaba et Tencent) peuvent avoir plus d’expérience et plus de poids que Baidu.

D’une part, la clé de la productisation est de pouvoir définir avec précision les besoins des utilisateurs.

Par exemple, tout le monde préfère actuellement créer des applications natives d’IA, mais la manière de mieux répondre aux besoins réels des utilisateurs dépend de la définition du produit.

D’un autre côté, ce n’est qu’après la production que les grands modèles peuvent se différencier, et la commercialisation est en fait le résultat naturel de la production.

Après avoir expérimenté les modèles de produits à grande échelle lancés par diverses sociétés, j'ai le fort sentiment que même s'ils portent des noms différents, il n'y a pas beaucoup de différences dans leurs produits et les types de tâches qu'ils peuvent accomplir sont similaires.

Par exemple, lorsque vous utiliserez Wen Xinyiyan pour la première fois, vous sentirez qu'il est vraiment puissant et peut donner des réponses à toutes les questions. Une fois qu'il s'agira d'un contenu un peu plus approfondi, vous constaterez que les réponses qu'il donne sont trop stéréotypées, et la plupart du temps, ce sont des mots vides de sens et des clichés.

Non seulement Wen Xinyiyan, le modèle Spark d'iFlytek et SenseChat de SenseTime, les performances de chacun ne sont en réalité pas très différentes.

Cela est essentiellement dû au fait que les grands modèles ne sont pas par nature une intelligence artificielle puissante, qu'ils doivent néanmoins s'appuyer sur des données pour une formation continue et qu'ils ne portent pas de jugements basés sur des informations au vrai sens du terme. Par conséquent, la clé de la différenciation réside dans le produit d’application final.

Internet Jianghu estime que les produits à grande échelle doivent non seulement « attirer » les utilisateurs à travers des scénarios, mais doivent également utiliser l'expérience pour fidéliser les utilisateurs et même stimuler leur volonté de payer.

À l'heure actuelle, ces produits d'application à grande échelle qui ont été approuvés se concentrent sur des outils qui couvrent la plupart des scénarios quotidiens des utilisateurs. Des applications dans toutes les directions, du travail au divertissement, ont commencé à apparaître, dans l'espoir de devenir une nouvelle entrée.

Le problème est que la plupart des utilisateurs sont encore parmi les premiers à l’adopter et qu’il n’y a peut-être pas beaucoup d’utilisateurs qui l’utilisent pour résoudre de réels problèmes. La raison réside peut-être encore dans l’application du produit.

Prenons l'exemple du simple besoin de vérifier les fautes de frappe. D'après mon expérience personnelle, les applications grand public grand public actuellement sur le marché ne sont pas très bonnes. Au contraire, il existe des plateformes verticales spécialisées dans la relecture d'articles, et l'expérience utilisateur est beaucoup mieux. En tant qu'écrivain, j'ai en fait une forte volonté de payer pour un tel produit.

Non seulement le travail de texte, mais aussi la génération de code et la génération d'images.Le grand modèle actuel a initialement résolu le problème de « peut-il être utilisé », mais la vraie clé est de résoudre le problème de « est-il facile à utiliser ».

Par conséquent, les capacités des produits dans ces applications segmentées peuvent être la clé pour savoir si les utilisateurs peuvent réellement utiliser de grands modèles.

Une fois qu'un grand nombre d'utilisateurs l'ont utilisé et que suffisamment de données ont été utilisées pour former l'IA, les capacités du grand modèle d'IA peuvent s'améliorer à pas de géant. ChatGPT a véritablement décollé suite à l’afflux d’un grand nombre d’utilisateurs.

Il est prévisible qu'après l'ouverture du modèle à grande échelle, il y aura une explosion d'applications natives d'IA. Après l'explosion des applications, combien d'utilisateurs peuvent rester peut être une question à laquelle « Wen Xin Yiyan » doit réfléchir en profondeur.

"Si vous voulez avoir le dernier mot dans la 'Bataille des 100 modèles', vous devez encore voir combien d'utilisateurs sont prêts à dépenser de l'argent réel pour payer", a déclaré Liu Yu, un observateur de l'industrie.

Après que ChatGPT ait compté plus de 100 millions d'utilisateurs, il a commencé à facturer un abonnement de 20 $ US par mois pour la face C et a lancé une version entreprise spécifiquement pour la face B. Cela montre que la pensée d’OpenAI évolue, de la création de technologies à la création de produits. Bien entendu, le principe est que ChatGPT s’est avéré capable de résoudre des problèmes plus pratiques.

Il faudra encore un an pour que les grands modèles nationaux atteignent le niveau GPT4. En d'autres termes, il reste encore un an aux grands acteurs du modèle pour véritablement définir et améliorer les applications natives de l'IA des grands modèles. Ensuite, la clé peut être de savoir comment faire du bon travail dans ce domaine et améliorer encore l’actualité des données des grands modèles.

Écrivez à la fin :

Le succès de Steve Jobs et de l’iPhone prouve que ce qui brille vraiment, ce n’est pas la technologie, mais le produit.

Comment créer de bons produits d’application peut être un objectif plus clair pour les grands acteurs du modèle. Il est prévisible que les prochaines applications côté C devront effectivement être refaites avec de gros modèles, ce qui constitue sans aucun doute une opportunité pour Baidu, iFlytek et SenseTime.

L'industrie de l'IA n'a jamais manqué de ceux qui attendent le vent, mais ce qui manque vraiment, ce sont ceux qui créent le vent. Vient ensuite le champ de bataille de véritables épées et fusils. Nous attendrons de voir qui peut répondre à une variété de appels et ouvrir la mine d’or des applications de modèles à grande échelle.