最近 ChatGPT 的出现，一方面给互联网用户带来了更新鲜的体验，另一方面也让不少业内人士开始思考起 AI 企业的发展路径，以及 AIGC 在国内的可发展性。那么综合来看，ChatGPT 带来了哪些改变?我们又距离 ChatGPT 有多远?不如来看看作者的解读。
最近的科技圈狂欢，属于ChatGPT。
自从OpenAI公司公开了ChatGPT的公测平台后，ChatGPT就迅速霸占了国内各平台的科技榜单，短短一周，用户量已经突破了1百万人。但事实上，它不是一个新概念，确切的说，他算是介于GPT-3和GPT-4中间的一个彩蛋，而且，GPT-3已经是现象级的AI产品了。
在ChatGPT之前，OpenAI推出了GPT-3，同样是对人类语言的理解，GPT-3对比ChatGPT来说就显得冰冷。后来，在GPT-3的基础上，ChatGPT引入了人类偏好学习机制，让他的回答更贴近人类，不仅如此，ChatGPT学会了纠正提问中的错误，并对一些敏感的问题做出回避。
在一些业内人士看来，ChatGPT的出现对传统的搜索引擎是一个冲击。无论是谷歌还是百度，用的都是一套“推荐制”的搜索方式，而ChatGPT跳过了网页浏览和整合这个步骤，直接给你一个答案，而这样的搜索结果显然更加效率，能大量节省用户浏览和比对的时间。
更有人预言，ChatGPT会颠覆现在已有的产业业态，就像当年互联网对线下商业的冲击一样。那么，事实真的如此吗?这篇文章我们来好好聊一聊。
一、ChatGPT带来了什么改变?
大约在6年前，一篇大名鼎鼎的论文《Attention Is All You Needed》正式发表，它第一次提出了注意力机制(Attention)，并且在Attention的基础上创造了一个全新的NLP(自然语言处理)模型Transformer。
Transformer是GPT和BERT的前身。谷歌和OpenAI在自然语言处理技术上的优化，都是基于这个模型。
后来，从2018年开始，GPT技术基本上是一年迭代一次，所使用的参数量从初代GPT的1.17亿，增加到GPT-3的1750亿。优化的背后，是OpenAI巨额的研发经费投入。据相关数据显示，GPT-3训练一次的费用是460万美元，总训练成本达到了1200万美元，不仅测试成本非常高，GPT技术对算力的要求也是目前AIGC技术领域最高的。
各项技术算力需求 图源国盛证卷
与此同时，在大算力的驱动下，AIGC生成的结果会更优质，更效率。从第一代的GPT技术到现在的ChatGPT，如今的技术已经可以让AI跟人进行自然的交流。因此，它也就具有了更多的应用场景，比如搜索引擎、电商客服等。
有趣的是，最近大家都在担忧谷歌会不会被ChatGPT替代掉的问题。关于这个问题，我们先来看一个应用场景：我从旅游景点推荐的方向，分别问了ChatGPT这样几个问题，它给出的答案如下：
ChatGPT问答测试 图源新眸自制
以往我们需要查找一项攻略的时候，需要经历四个步骤才能得到答案：输入、检索、整理、结果，而ChatGPT跳过了中间的两个步骤，实现了从输入到结果的新搜索方式。
总结起来，就是ChatGPT技术已经可以替代部分的搜索引擎功能，大幅提高了用户的检索效率。再回到ChatGPT的核心技术上，GPT的全称是生成式预训练模型(Generative Pre-Training Transformer)，ChatGPT也就是在无监督无标记，这种更符合日常沟通的条件下，识别人的语言并进行对话。
某种程度上，NLP技术的优劣，决定了AI对人类意图的理解能力，如果AI能理解人类的意图，就能生产更符合人类需求、更优质的产品。
作为AIGC赛道上重要的一个阶段，NLP技术的升级是整个AIGC技术更新的第一步。
ChatGPT在原来GPT的模型基础上加入了人类反馈学习的机制，也就意味着，新的GPT技术将更好的理解人类的自然语言。
用建筑设计领域举个例子，AIGC技术如果能完美的理解设计师的意图，就能免去很多繁琐和重复的工作，在提高效率的同时，也能释放劳动力的潜力，创作者可以逃离重复的工作，利用多余的时间进行自我提升。
从GPT-1到如今的ChatGPT，在NLP技术上的优化和迭代，让AIGC技术有能力开拓更多的应用场景。如果将优化后的AIGC技术落实在企业应用端，也会进一步提高企业效率，释放更多的人力成本。
AIGC应用场景 图源红杉资本
二、焦虑是留给其余AI企业的
在技术圈和投资者们都为AIGC技术狂欢的同时，感到焦虑的是大部分AI企业。对于AI赛道上的其他企业来说，OpenAI和它们之间已经形成了很大的差距。
在ChatGPT发布之前，不是没有人挑战OpenAI的技术。
自从OpenAI发布了GPT-3并创开创了AIGC大算力的发展前景的时候，不少工程师开始研究对NLP过程进行瘦身，在保证运行效果不变的情况下，通过降低算力和参数量的需求，开发Transformer模型在应用端的潜力，目的在于希望小企业也能有能力运用NLP的新技术，但其实这是比较难实现的，尤其是参数量的需求对于AIGC技术来说是刚需，越多的参数量，所产出的AIGC作品也就更优质。
就像一位分析师在李rumor公众号中所提出的问题：“如果商用智能作为公司助手，你是会选择高价但是能精准提高效率的，还是低价但是准确率只有70%-80%的产品呢?”从长期投资的角度来看，企业是会倾向更精准的机器的。
最典型的例子是，在GPT-3发布之后不久，Meta AI推出了OPT技术。
OPT和GPT-3的运行效果几乎没有什么区别，参数量也是很巧合的1750亿。不仅如此，Meta AI还将OPT技术做了开源，提供给所有需要的企业和个人作为研发的基础技术。
那么问题来了，推特上的一位数字科技的风险投资人Andrew Steinwold这样评论GPT-4技术，他说：“GPT-3需要1750亿参数，GPT-4明显会拥有100万亿的参数量，你们想用GPT-4做出什么样的东西来呀?”
也许GPT-3对参数和算力的要求还能被一些比较大的企业满足，如果换做是参数量翻了几百倍的GPT-4，能跑得动巨额参数的企业也只能是凤毛麟角了。
AIGC未来对算力和规模的要求，对于进入赛道尚且年轻的企业来说更是不可能超越的。某种意义上，OpenAI凭借着大规模和大算力，在同行和自己之间构建了足够厚的技术壁垒，而这份研发投入，是非常难超越的。在全球市场排在头部的企业也就几家，能做到微软这个量级的企业就更少了。
这也是OpenAI开发GPT技术让人感到害怕的地方。
对于AIGC这个赛道来说，算力、算法、数据都是促使它优化的主要因素，而GPT技术的迭代升级，将大数据的重要性放到了一个空前的位置。在大算力、大投资、大规模的要求下，后来的AIGC企业想要做出更好的技术，只会变得更难。
也有人会问，为什么国内做不出ChatGPT这样的产品?是创新力不够吗?其实，创新力是一个因素，但不是全部。
三、我们距离ChatGPT还有多远?
我们从融资、科研投入、技术三个方面分别聊聊国内的情况。
国内企业有很多从事AIGC研究的企业，例如盗梦师、TIAMAT等，但是国内的投资人对AIGC的狂热度远不及海外。在海外独角兽公司Jasper和Stability AI在今年10月相继获得了1.25亿美元和1.01亿美元的融资后，国内的AIGC企业目前只有TIAMAT完成了百万美元的天使轮的融资。
先不看投资人的金钱实力，单凭投资逻辑，对于国内投资市场来说，投资人更关心AIGC的商业化落地问题。百度集团副总裁吴甜就曾针对AI的深度学习说过这样的话：“深度学习技术已经开始向多个行业进行大规模地渗透推广，但目前AI大生产仍处于起步阶段。”这也意味着，其实企业内部也对AIGC的商业化程度不够自信。
再比如PICO这样的元宇宙系列产品，最近也面临着销售瓶颈，这样的情况时国内很多高科技企业都会面临的问题，技术是好的，但落实在产品销售上就卖的不好，从某种程度上也会抵消企业内部对一个新产品的信心。
由于国内的AI企业在核心技术门槛上并不具备先天的优势，如果想实现净利润的提升，最终总会走向技术商业化。笔者此前针对科大讯飞的商业模式做过一些了解，对于科大讯飞来说，语音技术门槛被突破，单纯做技术不能赚钱的话，它会先选择卖产品挣钱，先将技术在产品端落地了，有一份收入来源，剩下的就边走边看。
在这样的逻辑下，国内AI企业就会更关注一项技术能不能实现快速实现商业化，是否可以在产品端落实之后带来收益。
但是OpenAI的思路明显和国内的大部分企业都不一样，OpenAI之前获得了微软的20亿投资，进行GPT的开发。GPT-4技术需要的大算力和大规模，显然在近几年是不能回本的。光是GPT-3在测试阶段就花出去了千万美金，作为算力要求翻了几百倍的GPT-4技术，在开销方面也只会成百倍的增加。
总结起来，这也是国内外科研逻辑的不同。相比国外，国内更追求商业产品的落地，投资人在对一些概念性的产品进行投资时也更加谨慎。然而，在大算力的新竞争生态下，融资投入的增加对于AIGC企业来说非常重要。
其次，是研发人员待遇的问题，根据市场调研数据，国内的企业研发人员相比于美国的企业，收入更依赖工龄和学历。
中美两国研发人员收入对比 图源OECD
最后从国内AIGC相关的技术发展方面，根据Gartner数据统计，国内的数字化技术还集中在发展阶段。而美国的大部分技术都已经可以平稳发展。还有一个现象就是，在国内很多技术就算发展了5-10年也还是分布在创新孵化阶段，然而美国的很多技术在发展了1-2年后就能进入成熟阶段。从这个个统计结果来看，美国的企业相比于国内，研发效率明显更高。
综上来看，国内企业想要发展AIGC技术，首先要解决的就是资金问题。按照国内高科技投资的逻辑，AIGC技术在获得大量融资前，应该先让投资者看到它的应用前景。但是现在的AIGC赛道，虽然应用场景很多，但是商业前景还不够明朗。
四、谈谈AIGC这门生意
实际上，尽管AIGC的技术一直在迭代升级，AIGC的商业化推进其实是困难的。首先，AIGC对于算力的要求越来越大，不是一般企业可以负担的起的，也只有一些大的B端企业可以负担AIGC的大规模和大运算需求，这样一来将来能使用AIGC技术做应用的公司并不多。
其次，AIGC的应用路线还很模糊，就拿搜索引擎这一应用场景来说，ChatGPT还不足以取代传统的搜索引擎。
网络上关于ChatGPT击败传统搜索引擎的论调很多，我们回到前文提到的旅游推荐的应用场景去说，当我提问ChatGPT能不能给我一些旅游建议的时候，它直接给出了答案，搜索效率是提上去了，但是这个答案一定就是我需要的吗?未必。
比如，我问它圣诞节伦敦有哪些值得去的地方。它给我列出了5个城市，现实的情况是，英国的圣诞活动各地都有，它直接给我列出的5个城市，一定程度上也减少了我的选择。
ChatGPT现在的问题在于，他给出的答案往往是大众性质的、普适化的，而非个性化的。
在用户刚开始做检索的时候，大部分情况下对自己的需求是没有很明确的认知的。而在使用传统浏览器的时候，往往是在检索过程中才能进一步缩小自己的需求范围，而ChatGPT是直接将用户能看到的答案范围进行了缩减，它给出的答案是正确的，但不一定就是最合适用户的。
就现在的情况看，AIGC的应用前景并不明朗，尽管AIGC可以运用在多种场景中，但好的技术，不一定能在商业上迅速落地。
尽管OpenAI用钱烧出了GPT技术的迭代，但是这一做法也有它的市场局限性，在大算力的要求下，没有多少企业可以承担得起GPT-3 的运作，就算是面向大众测试的ChatGPT，它的参数量要求也很大，将来如果运用在B端市场，对于多数的企业来说是个不小的负担。ChatGPT的出现也只是AIGC的一次技术迭代升级罢了，它的应用前景还不明朗，现在就谈到劳动力替代和技术垄断，还太早了。