垂直大模型，落地有多难？( 三 ) _模型

简单来说就是，一边在做底层大模型的同时，找准一个模型最终的主应用场景，一边收集用户数据并做出快速的迭代。
目测，元语智能更偏向于这一类。总结起来看，在很长的一段时间内元语智能都聚焦在自然语言大模型业务上。
元语COO朱雷并表示，“不会为了跟风盲目拓展图片、视频业务，元语的目标是实现‘’等前沿语言大模型的全面国产化。语言大模型的生态已经足够大了，做好业务聚焦很重要。”
但对于其他往自动驾驶、工业生产等垂直大模型发展的创业公司来说，或许缺乏对一些特殊的行业数据掌握。
毕竟，在垂直大模型赛道，未来企业竞争的一个核心因素，就是私有数据和私有经验，个体公司的流程并不被大模型者知晓时，可能就会有独特的竞争力。
另外，业务聚焦的过程中，还需要到数据从源头到预训练、输出的准确性。
目前，生成式人工智能在监管上也正在受到更多关注。近日国内发布了《生成式人工智能服务管理办法（征求意见稿）》，明确要求不得出现歧视，生成内容应当真实准确、防止生成虛假信息等，如果出现，除内容过滤外，还要通过模型优化等进行优化。
但如果是作为生成式人工智能的固有缺陷，这在从技术上难以保证和彻底解决。
此外，在更好的开源模型的出现，保不齐会伴随着更多跃跃欲试的公司会涌进来，这对于创业公司来说，有何尝不是竞争？
例如当下的Llama 2，7月18日，Meta公司发布了首个开源人工智能模型Llama的商业版本 Llama 2 。有企业认为，根据现在的各种评测文档，除了代码能力差一些，其实很多地方已经开始接近。
或许未来开源社区的狂热浪潮会让具备基础能力的大模型普及化，以后私有化大模型就是白菜价。直白一点来说就是，企业可能会非常便宜地使用私有化大模型。
更重要的一个点是，汤道生曾表示：“通用大模型有很强的能力，但并不能解决很多企业的具体问题，在100个场景中可以解决70%—80%的问题，但未必能100%满足企业某个场景的需求。但企业如果基于行业大模型，再加上自身数据进行精调，可以建构专属模型，打造出高可用的智能服务。”
当然，这种私有化大模型还未到来，但赛道中的创业公司，一定是机遇和困境齐具。
巴比特园区开放合作啦！
中文推特：
英文推特：
社区：
电报频道：
【垂直大模型，落地有多难？】电报社区：