大模式風暴刮了大半年，AIGC市場開始起了新的變化：

酷炫的技術Demo，正被完整的產品體驗所取代。

例如，OpenAI最新AI繪畫模型DALL· E 3剛一登場，就跟ChatGPT強強聯合，成為ChatGPT Plus裡最令人期待的新生產力工具。

△ DALL·E3準確還原文字輸入的每一個細節

又例如，微軟基於GPT-4打造的Copilot，已經全線入駐Win11，正式取代Cortana成為作業系統裡的新一代AI助理。

△使用Copilot一鍵總結部落格文章

再例如，國產汽車如極越01，已經在座艙中正式搭載大模型，而且是完全離線的那種…

如果說，「大模型重塑一切」在2023年的3月份還只是一句技術先行者的樂觀預言，到了今天，仍舊激烈的百模大戰、以及實際的應用進展，已經讓這一觀點在行業內外激發越來越多的共鳴。

換言之，大到整個互聯網的生產方式，小到每一輛車中的智慧座艙，一個以大模型為技術力底座、驅動千行百業自我革新的時代正在來臨。

依照蒸氣時代、電力時代的命名方式，或許能將之命名為「模力時代」。

而在「模力時代」中，最受關注的場景之一，就是智慧終端。

原因很簡單：以智慧型手機、PC、智慧型汽車甚至XR設備等為代表的智慧終端產業，是與當代人生活最緊密相關的科技產業之一，自然也就成為了檢驗前沿技術成熟度的一個金標準。

所以，當科技熱潮帶來的第一波炒作逐漸冷靜，以智慧終端場景為一個錨點，「模力時代」新的機會和挑戰該如何看待和解讀？

現在，是時候掰開揉碎，好好梳理一番了。

在具體分析挑戰和機會之前，還是先回到一個本質的問題上：大模型為代表的生成式AI為何會如此火爆，甚至被認為是「第四次工業革命」？

針對此現象，已經有不少機構在進行研究，試圖預測或總結生成式AI在不同場景下的發展規律，如紅杉資本的《Generative AI: A Creative New World》。

在這其中，也有不少產業頭公司，基於自身經驗分析了生成式AI在特定產業中的落地場景和潛在變革方向。

如終端側AI代表玩家高通，就在前段時間發布了關於生成式AI發展現狀和趨勢的白皮書《混合AI是AI的未來》。

從中，或許能解讀出生成式AI在業界火熱的三大原因。

無論是智慧湧現的大模型，還是生成品質以假亂真的AI繪畫，無不是用效果說話，實打實在幾乎所有與文字、圖像、視頻和自動化相關的工作領域，展現出了顛覆傳統工作流的驚人能力。

其次，是潛在落地場景豐富。大模型所帶來的AI代際式的突破，從一開始就帶給了人們無窮的想像空間：最早的一批體驗者，很快就感知到了生成式AI為工作帶來的助益。

用戶面龐大的需求，從ChatGPT等代表性應用的用戶成長速度，就可見一斑。

△ ChatGPT打破熱門應用程式註冊用戶破億速度紀錄，圖源紅杉資本

從最開始網路的搜尋、程式設計、辦公，到現在湧現的文旅、法律、醫藥、工業、交通等等場景應用，乘生成式AI之風而起的，遠不止能夠提供基礎大模型的公司，更是有一大批新創企業正順勢繁榮生長。

有不少業內專家認為：對於創業者而言，大模型所帶來的應用層的機會更大。

底層有技術的代際式突破，上層有應用需求的蓬勃爆發，生態效應由此被激發。

根據Bloomberg Intelligence預測，到2032年生成式AI市場規模將從400億美元爆炸式增加到1.3兆美元，廣泛涵蓋生態鏈的各個參與者，包括基礎設施、基礎模型、開發者工具、應用產品、終端產品等等。

這種生態鏈的形成，推動了產業新的變革，有望讓AI進一步成為底層核心生產力。

基於這樣的背景，我們再來看智慧產業當下正在發生的事。

一方面，以大模式為代表的AIGC應用風暴，正以天為單位的迭代節奏中迅速從雲端走向終端。

ChatGPT率先在行動端更新了「視聽說」的多模態功能，用戶們拍照上傳，就能針對照片內容與ChatGPT進行對話。

例如，「如何調整自行車座椅高度」：

△和GPT-4圖文對話，秒給5點建議

高通也快速實現了在終端側運行十數十億參數的Stable Diffusion和ControlNet大模型，在手機上產生高品質AI影像只需十幾秒。

不少手機廠商也已經宣布，要為自家語音助理裝上大型模型這個「大腦」。

在上海車展、成都車展、慕尼黑車展等國內外大型展會上，基礎模型廠商和車廠的合作越來越常見，大模型「上車」已然成為智慧座艙領域新的競爭點。

△一句話就能讓車上大模型在APP裡加購食材，回家就能做上飯

另一方面，應用的爆發加劇了算力供不應求的情況。

可以預見的是，模型的推理成本將會隨著日活用戶數量及其使用頻率的增加而增加，僅僅只依靠雲端算力，是不足以快速推進生成式AI規模化的。

從各行各業都在提升對終端側AI算力的重視程度，也能看出這一點。

例如終端側AI玩家高通，針對PC端晶片效能提升發布了新一代PC運算平台，採用高通自研的Oryon CPU，尤其搭載的NPU將面向生成式AI提供更強大的效能，被命名為驍龍X系列平台。

預計會在2023驍龍峰會上，這新的運算平台就會發表。

顯然，無論從應用或算力來看，智慧終端都已經成為AIGC落地潛力最大的場景之一。

事物通常具有兩面性，大模型從快速發展到落地亦是如此。

當生成式AI一路狂飆到今天，智慧終端產業巨大潛力下的現實瓶頸，已經浮出水面。

最大的掣肘之一，是最底層的硬體。

正如紅杉兩位投資人Sonya Huang和Pat Grady最新一篇生成式AI分析文章《Generative AI's Act Two》中所提到的，AIGC發展得很快，然而預料之中的瓶頸不在於客戶需求，而在於供應端的算力。

這裡的算力，主要指AI和機器學習硬體加速器，從部署場景來看又可以被分成五大類：

資料中心級系統、伺服器級加速器、輔助駕駛&自動駕駛場景下的加速器、邊緣運算和超低功耗加速器。

△ 5類AI加速器，圖源MIT論文「AI and ML Accelerator Survey and Trends」

隨著ChatGPT爆火，大模型帶動AIGC現象級出圈，使得資料中心、伺服器級處理器等「雲端算力」短期受到大量關注，甚至出現供不應求的情況。

然而，隨著生成式AI迎來第二階段，關於算力的一些問題也日漸凸顯。

首先也是最大的問題，在於成本。如高通《混合AI是AI的未來》白皮書所言，如今大半年過去，隨著大模型從技術追逐轉向應用落地，各公司的基礎模型訓練逐漸塵埃落定，算力的大部頭落到大模型的推理上。

短期內推理成本還可以接受，但隨著大模型的APP越來越多、應用場景越來越廣泛，在伺服器等加速器上推理的成本也會急劇增加，最終導致調用大模型的成本比訓練大模型本身還高。

換言之，大模型進入第二階段後，推理對算力的長期需求將會遠遠高於單次訓練，僅依靠數據中心和伺服器級處理器組成的“雲端算力”，完全不足以將推理打到用戶能夠接受的成本。

根據高通在白皮書中統計，以加持大模型的搜尋引擎為例，每一次搜尋查詢的成本，可以達到傳統方法的10倍，每年光是這方面的開銷就可能增加數十億美元。

這注定會成為大模型落地的關鍵掣肘。

隨之而來的，還有時延、隱私和個人化問題。高通在《混合AI是AI的未來》中也提到，大模型直接部署在雲端，除了用戶量激增帶來的伺服器運算量不夠，需要「排隊使用」等bug，還勢必需要解決用戶隱私和個性化問題。

如果用戶不希望上傳資料到雲端，大模型的使用場景如辦公室、智慧助理等，就會受到不少限制，而這些場景多數分佈在終端側；而如果需要進一步追求更好的效果，如客製化大模型為己用，更是需要直接將個人資訊用於大模型訓練。

種種因素之下，在推理上能發揮作用的「終端算力」，也就是包括自動駕駛&輔助駕駛、邊緣運算（嵌入式）和超低功耗加速器在內的幾大類處理器，開始進入人們的視野。

終端潛藏著巨大的運算能力。根據IDC預測，2025年全球物聯網設備數將超過400億台，產生資料量接近80ZB，超過一半的資料需要依賴終端或邊緣的運算能力來處理。

但終端同樣存在功耗散熱受限導致算力受限等問題。

在這種情況下，如何利用潛藏在終端的巨大算力，來突破雲端算力發展面臨的瓶頸，正成為「模力時代」下的最普遍的技術難題之一。

更別提除了算力以外，大模型落地還面臨演算法、數據和市場競爭等挑戰。

對演算法而言，基礎模型的架構依舊未知。ChatGPT固然已經取得了很好的成果，但其堅持的技術路線並非就是下一代模型的架構方向。

對於數據而言，其他公司要想取得ChatGPT一般的大模型成果，高品質數據不可或缺，但《Generative AI's Act Two》同樣指出，目前應用公司產生的數據並沒有創造一個真正的障礙。

靠數據建立起來的優勢是脆弱且無法持續的，下一代基礎模型很可能就能直接摧毀這堵“城牆”，相比之下，持續而穩定的用戶才能真正構建數據來源。

對市場而言，目前大模型產品尚未出現多個殺手級應用，它究竟適配於何種場景仍舊未可知。

在這個時代將它用於哪類產品之中、做出哪種應用能發揮它最大的價值，目前市場還沒能給出一套能夠沿襲的方法論或標準答案。

針對這一系列問題，業界目前主要有兩種解題方向。

一種是改善大模型本身的演算法，在不改變模型「精華」的基礎上，更好地改進它的大小，提升它在更多設備上的部署能力；

以Transformer演算法為例，這類參數量龐大的模型要運行在端側，勢必要在結構上做出調整，因此，這段時間來也誕生了不少MobileViT等輕量級演算法。

這類演算法力圖在結構和參數量上進行不影響輸出效果的改進，從而以更小的模型在更多設備上運行。

另一種是提升硬體本身的AI算力，讓大模型能更好地在端側落地。

這類方法又包括硬體上的多核心設計、以及開發軟體堆疊等，分別用於提升硬體運算效能和模型在不同裝置上的通用性，以增強大模型在端側落地的可能性。

前一種可以稱為軟體對硬體的適配，後者則是硬體廠商順應時代浪潮的改變。但無論哪個方向，單獨押注都存在著被追趕的風險。

#模力時代 你可以在這裡找到鉅亨號中所有使用「模力時代」為關鍵字所發布的內容