ChatGPT劝退创业者

文｜熊出墨请注意

ChatGPT狂飙的几个月里，热度八成都是由国内的跟随者贡献。文心一言作为跟随者中的代表，产品虽然还在赶工研发，但早已被推上风口浪尖。

百度之外，各大厂也在争先恐后地表决心，不只把ChatGPT视作2023年的第一个风口，更是值得下半生All in的事业，动辄百亿豪赌，压上全部身家。

承诺归承诺，能否兑现又是另外一回事。大家把ChatGPT视作“全村的希望”，希望却不属于所有人。

这就不得不翻到狂飙的另一面。

ChatGPT风口如此之盛，原因很简单：与元宇宙、WEB 3.0、VR等所谓的“下一代互联网”相比，ChatGPT既表现出了接地气的落地应用，同时又打开了无穷的想象空间，而在过往的风口上一般只能看到后者。

可与此同时，ChatGPT风口还表现出其他的非典型特性。比如大语言模型技术对应的极高的资金、资源硬性门槛，以及日后持续性的投入，从根源上注定ChatGPT只能是巨头的专属游戏。

清晰的门槛，决定了这不是随随便便就能上场的牌桌，炒作者无处遁形的同时，入局者也必须掌握追风的正确姿势。

一呼百应，应用场景被激活

一夜之间，几乎所有主流互联网、科技大厂全部集结到场。

百度、阿里巴巴、腾讯、京东、字节跳动、快手、360、网易、讯飞、华为......虽然各自侧重的业务不同，但是大厂之间就ChatGPT所代表的AIGC技术能力达成了共识。

客观而言，国内大厂的“复刻”，其中一部分更倾向于从ChatGPT获得了启发，应用场景得以激活。因为有公司在过去就已经在做应有的技术储备，ChatGPT的出现为技术的落地指明方向。

作为从业者，微软小冰公司CEO李笛对此持有类似观点，“最重要的不是ChatGPT，而是以ChatGPT为代表的大语言模型技术新范式的兴起。”

兴起，体现在两方面：

一是真金白银地砸钱。

行事最为高调的当属美团二号人物王慧文，自己出资5000万美金，宣称打造中国的OpenAI，八字尚未有一撇之际便拉来了顶级VC的2.3亿美元，并表示后续也“不必为资金忧心”。

同样拿钱说话的还有周鸿祎，他直言不讳，“如果企业搭不上ChatGPT这班车，很可能会被淘汰”。同时面向投资者表示，360方面表示有200多亿的资金能够支持360进行类ChatGPT技术的研究和投入。

另外，百度、阿里、腾讯、字节跳动、华为等其他入局者虽然没有公开关于ChatGPT的具体资金规划，但也找到一些参考。

比如，李彦宏近日透露了一组数据，在过去十年里，百度在AI方面的投入超过1000亿元，每年研发占营收的比例都在15%以上，这使得百度具备了人工智能全栈式布局，其中就包括大语言模型“文心”。

二是业务层面的铺开。

各公司的主营业务不同，类ChatGPT技术的应用场景自然有别。比如字节跳动，与新闻资讯业务相结合，AIGC技术主要用于内容创作。网易把相关技术用于教育，主要业务场景为AI翻译等。

而随着各大厂商按部就班地推进，ChatGPT的身影出现在更多业务场景里。

有业内人士将之称为“哪里需要哪里搬”，如果进一步拓展到AIGC范围，文字生成、图像生成、视频生成、音频生成、数字人等各个技术细分领域，其对应的应用场景进一步扩充。

所以，ChatGPT的爆火只是一个开始，更多的渗透还在路上。

巨头专属游戏，创业公司没机会

风口就在那里，所有人都可以去试一试，能不能玩得转则是另外一回事。

从ChatGPT的出身就能看出，大语言模型天生“嫌贫爱富”。

根据公开资料，基础模型GPT-3.5训练一次需要花费300万-460万美金，这显然不是普通企业所能承受的。而且，随着模型能力提升，参数持续优化，训练的成本还会不断增加。如今，ChatGPT训练一次的成本高达1000万美元。

即便是喊出“不必为资金忧心”的王慧文，他拿出的5000万美元仅够进行几次训练。李笛也曾公开表示“如果按照ChatGPT成本来考量的话，每天要烧3亿人民币，一年要烧一千多亿。”

另有业内人士强调，“模型训练除了贵，还有另外一个特点，那就是短时间内是看不到回报。就算有了商业变现，还要根据实际应用场景继续训练，投入更多的资金，创业公司根本无法承担。”

数据显示，ChatGPT大火之前，高昂的计算、人工成本与孱弱的商业化能力形成巨额缺口，其主体公司OpenAI财务情况并不好看。以2022年为例，OpenAI在总收入3600万美元，亏损超过5亿美元。

此番情形下，ChatGPT之所以能够成功面世，最基础的保障就在于资本输血。

《财富》杂志近期报道称，微软投资OpenAI 总计100亿美元。而在此之前，OpenAI成立七年多的时间里一共收到了40亿美元的投资。

资金门槛阻断了创业公司复刻ChatGPT的路径，此外，创业公司能用于模型训练的资源同样受制。

以数据为例，海量数据是人工智能发展的必备资源，喂给模型的数据质量和数量，一定程度上决定其能力的上限。