再看一下各项基准测试的评分对比：
若从评分方面来进行观察, 并未存在什么让人感到极为惊奇、眼前一亮的地方, 它比不上GPT4 , 同时也比不了Palm - 2以及Claude3。然而xAI却表明, 那些团队并没有针对应对此项考试而去专门做出准备或者对模型加以调整。或许我们能够怀揣着些许小小的期待 , Grok1.5是不是有可能会带来某些令人意想不到的惊喜。
在这次将被公布的开源版本之际, 马斯克那绝对是会着重去讽刺一下隔壁的那个“Closed AI”。
只不过, Grok开源, 难道仅仅是出于对OpenAI的讽刺吗? 要是坚持闭源, Grok会不会将自身置于某些颇为困难的处境? 面对大模型开源与闭源, 在产业生态里, 各自处于怎样的位置?
Grok开源的难言之隐
马斯克宣告xAI进行开源, 尽管这引发了新一轮的创新竞争以及争议, 然而从整个市场格局的角度来看, Grok的开源亦是出于无奈才做出的决定。
Grok是由马斯克所创立的AI公司X.ai推出的一个大模型, 对比之下其他一些大模型, 这般与众不同针对Grok来讲, 在于利用了X平台在上边进行训练, 而X平台其原名是Twitter这个有着许多语料可供使用, 有种说法叫做这个据称Grok它不但有意思带来幽默感并且, 还具备那种怼人的风格。
尽管有着X平台数据资源予以的辅助助力, 然而在当前大模型呈大规模爆发态势的情形下, Grok并未跻身于第一梯队之中。
特别是自二零二四年开始, 吉利尼、克劳德三相继发布, 它们的能力已然接近甚至超过GPT - 4, 三者处于第一梯队的行业格局基本被确定。这还不把米斯特拉尔人工智能和英弗勒克申人工智能的奋起直追算在内。所以说, 未来的基座大模型“虹吸效应”愈发显著, 留给其他玩家的机会并不多。
Grok借助埃隆·马斯克的影响力, 虽说得到了一定的关注度, 然而在产业方面的知名度并不高, 在用户之中的知名度同样不高, 在大模型的“军备竞赛”里并没有太多竞争优势。把马斯克本身与OpenAI的恩怨情仇抛开, Grok继续叫板, 意义并不大。
倘若Grok持续沿着闭源开发的路线行进, 大体上会演变成人工智能时代的“诺基亚塞班系统”, 被舍弃仅仅是时间的问题罢了。到那个时候, Grok既无法助力马斯克对X平台达成商业化变现, 自身又会沦为昂贵的沉默成本。
所以, 相较于以二流乃至三流形式存在的闭源大模型, 不如决然前进, 借开源的方式为Grok找出一条突破之路, 于风口之际为Grok谋划新的发展方向。国内大模型月之暗面CEO杨植麟也表示过, “要是我现今有一个领先的模型, 将其开源, 大概率不太合理。相反, 落后者倒有可能这么做, 或者开源小模型来制造混乱, 毕竟不开源就没什么价值。”。
开源是推动产业“螺旋式成长”的必要一环
技术发展存在闭源的情况, 那么就必定会存在开源的情况, 闭源以及开源这般两者之间性能会相互竞争去追赶, 交替着上升, 这同样是被视作技术发展动力其中之一的情况。
在移动互联网时代, iOS属于闭源, Android属于开源, 它们是闭源与开源两种类型当中具有典型代表性的存在, 所以并不存在一直有闭源方面去碾压开源从而出现一贯制的那种情况, 实质是二者处于不停止地互相借鉴以及相互切磋这样的进程里, 并由此促使诸多用户能够于移互联网的那般形势背景之下收获更为繁多的收益成果且这份惠及范围涉及到社会大众。
同样的道理, 在大模型的时代当中, 如果讲 GPT 激发出大伙对于大模型的那份热情, 比如说开源大模型的现身就是更进一步地向下调低了创业者入门的标准, 能让更多的创业者于基础模型这个层面处在同一个起跑出发点之上。
或者可以讲, 恰恰是由于存有开源大模型, 才十分显著地削减了大模型的开发成本。毕竟单单依靠OpenAI这一家公司, 是不容易把大模型朝着全球生态的形态予以推进的, 众人也不情愿见到一家占据主导的状况。
比如说, 在2024年开始的时候备受瞩目的产生文字生成视频效果的模型Sora, 引发了全世界范围内的震动, 在行业内部也不断地加速进行开源版本的研究与开发, 国内的研究机构甚至于推出了Open - Sora框架, 而且把复现的成本降低了46%, 模型训练时输入序列的长度扩充到了819K patches, 使得更多的机构能够在文字生成视频领域获取到可以使用的工具以及方法。
与此同时, 当企业运用大模型之际, 不但要留意模型的前沿本领, 而且还得考量数据安全隐私、成本控制等诸多方面的因素。所以, 针对企业的开源模型在好多情形下更能够契合企业个性化需求, 然而像OpenAI这种闭源模型公司有可能没办法全然契合这些需求。
面向未来的大模型市场, 会展现出这样一种互补态势, 开源模型能够满足基本智能需求, 闭源模型可以满足高阶需求。
开源基础上的创新开云手机入口app下载开云app官方入口网站，次啊是“真功夫”
说起大模型, 开源的底座仅仅是个起始点, 得在这个起始点上面, 再进一步去创新。
特别是当下, 开源大模型更新速率持续加速, 今日或许尚属业内顶尖模型, 然而明日便极有可能被超越, 沦为沉没成本。在模型迭代速度不断加快的现今状况下, 往昔的投入极有概率付诸东流。
因而在开源的基础底座之上, 作为供我使用之物会更具价值。好比当下海外开源模型发展速度较快, 然而其所述模型中文方面的能力处于一般水平, 且也不存在丰富的行业场景, 同时还欠缺国内这般丰富的数据预训练资源, 在此情形下恰恰是创业的契机以及宝贵的、难得有的机会节点。
与此同时, 开源模型使得更多的高校, 以及科研机构, 还有中小企业持续深入地加以使用, 并且针对开源模型展开不断地完善改进, 最终这些成果也会让参与开源模型的所有人都有所受益。
以Meta公司所开源的LLaMa2作为例子来讲, 截至2023年年底这一阶段, 在HuggingFace上面进行开源的大模型排行榜里, 处于前十名的当中, 有8个是借助LLaMa 2来进行打造的, 运用LLaMa 2的开源大模型数量已然超过了1500个。在2023年下半年的时候, Meta、英特尔、Stability AI、Hugging Face、耶鲁大学、康奈尔大学这些, 还有其他众多的57家科技公司以及学术机构, 一起成立了AI联盟, 这一联盟的目的在于透过构建开源大模型生态, 以此来推动开源工作的发展, 当下AI联盟已经构建起了, 包含从研究、评估、硬件、安全、公众参与等方面的一整套流程。
当然, 依赖开源去开展研发并非轻松之事, 将开源模型运用得恰到好处同样是一种阻碍与限制范围上的要求。
这在于依据开源模型开展开发, 其后续的投入门槛并非不高, 对于研发的要求仍然处于很高的程度。运用开源模型充当底座仅有助于切实降低冷启动的成本, 具体而言: 出色的开源模型有可能已经学习了数量超过万亿token的数据开云真人app,开云真人app地址，所以为创业者节约了一部分成本, 创业者能够在这个基础之上进一步实施训练, 最终把模型达成行业领先的水平, 在这个进程里数据清洗、预训练、微调、强化学习等步骤都不可或缺。
“开源+”战略或将成为Grok突围的新思路
1.开源+端侧实现“软硬一体化”
当下, 主流的大模型有着动辄万亿级别的参数, 这类参数需要数量巨大的算力资源去给予支持, 然而, 并不是所有的终端都能够为此进行成本投入上的支撑, 并且, 在智能手机、物联网等端侧, 需要制作成小巧、灵便以及轻巧、灵活的轻量级模型, 甚至, 这类轻量级模型可以在终端处于离线状态的情况下, 依然能够实现使用。
因此, 要真正达成让AI能够“触手可及”的状态, 端侧模型落地到具体的需求场景, 这件事情变得更为迫切了:
埃隆·马斯克于特斯拉汽车、星链卫星终端、乃至擎天柱机器人正构架起AI落地的“最硬核”场景, 特斯拉的Autopilot运用AI算法达成自动驾驶功能 , 此乃未来智慧交通的一项重要尝试 ；SpaceX近期发射的星舰做到于2秒内处理全部33个发动机的数据 , 并确保能够安全加速。未来依托Grok构建软硬一体化的模型 - 应用生态体系 , 有希望解决当下“基础模型与需求场景 , 该由谁将两者衔接起来”的现实问题。更为关键的一点是, 大部分当下致力于大模型开发的公司, 最终将变成模型与应用一体化的企业, 并且应用层的市场价值更大。
若一旦历经了TMF（即Technology Market Fit）阶段, 以及PMF（也即Product Market Fit）阶段, 那么其价值便会于生产力效率增进、泛娱乐领域、信息流转创新这些方面孕育出更为可观的效益, 与此同时, 马斯克面向其他产业所开展的布局能够更深层次地与之形成“共振”: 其一则是借助Grok予以开源, 以此吸引更多用户以及企业进行调用与接入, 进而使得通用的智能化能力得以提升, 其二是围绕自身于生态以及产业场景、数据层面所具备的优势（涵盖汽车+卫星+机器人）去构建更多能够切实落地的创新。处在生成式人工智能正从超大型模型朝着超大型应用转变的全新起始点里, 与其跟那些学习能力强的人在基础大模型方面竞争, 倒不如在应用层面使Grok率先获得有利位置。
与此同时, 针对始终都还未曾进入大众视线范围之内的“大模型安全和透明度”这一问题, Grok的开源有希望能够为大众去理解大模型的复杂性以及安全挑战, 给予全新的视角。毕竟按照当前阶段的发展速度来看, 大模型已经并非单纯的技术研发方面的问题了, 而是一个需要全社会都进行广泛参与以及详细讨论的社会话题。
2.开源+闭源构建“一体两翼”
是的，开源和闭源并非死对头开云app官方最新下载地址，老死不相往来。
实际上, 许许多多科技企业于大模型范畴内长久以来都在对开源加上闭源这样的双重策略展开探索。比如说谷歌该企业在推出大模型Gemini之际, 能力突出强劲的Gemini Ultra运用的是闭源玩法, 其主要处于竞争态势的对手涵盖GPT-4、Claude3.0等等, 然而Gemma2B以及7B却采用了开源举措, 能力相比不是那么强, 不过在特定的场景里将会拥有更为广泛的应用范围。
Grok能够参考开源跟闭源相混合搭配的想法, 采用“半开源”的形式, 其一将能力释发给更多用户以及企业, 其二凭借X平台的海量优质实时数据去构筑自身的壁垒, 进而在大模型的竞争里获取一个位置。
当然, 这并不是在讲开源大模型能够解决所有问题。实际上, 开源大模型与闭源大模型存在一定差距, 闭源大模型在整体能力方面高于开源模型。这是由于开源的大模型大多未经过算力验证, 闭源是以人才密度、资金密度、资源密度高度集中的方式存在, 并且开源本身也无法避免中心化风险。
就企业而言, 期望在基座大模型上达成反超的时机已然快要结束, 然而借助选择开源模型是更为务实的抉择, 将其优化、训练成实用的模型才是真本领。基于开源, 是存在作出优秀大模型的机会的, 关键在于能够具备相对领先的认知, 能够对模型能力予以持续迭代。
还木有评论哦，快来抢沙发吧~