通用智能发展面临困境，国内人工智能仍在追寻希望

AI技术背后充满着无数故事，当许多企业获得大笔融资时，人们开始警惕起来。在新潮流的推动下，只有符合商业规律的企业才能在竞争中立于不败之地。民间智能企业在国外竞争对手蓄势待发的情况下，面临着怎样的困局？

尽管前景一片光明，但眼下的情况似乎并不尽如人意。

来自OpenAI的挑战

OpenAI的进步速度似乎更加迅猛。一位从业者曾表示：“我觉得我们和OpenAI之间的差距越来越大。”ChatGPT的问世不仅在英文对话领域引领潮流，就连在中文领域，该系统的用户体验也超越了许多国内产品。有技术人员通过特殊的中文语境测试机器人表现，他们发现这款产品在中文适配方面取得了显著进步。这些直接的对比实验结果让业内人士感到焦虑和复杂，一些国内企业甚至表示仅追赶OpenAI就已相当困难。

造成国内AI落后的原因多方，包括A100显卡获取受限、人才队伍发展缓慢等。在硬件方面，大型模型的训练过程过于依赖进口GPU显卡，虽然国产替代品逐渐出现，却仍然无法提供令人满意的性能支持。在人才方面，虽然算法工程师不少，但精通大型模型的人才实属凤毛麟角。虽然有百度、清北等团队全力以赴，但全行业中致力于大模型的人仍寥寥可数。

国产AI前行的阻碍

通用智能和大型模型发展道路上的另一个障碍是小型模型。大型模型在数据标注方面具有优势，而小型模型则对于算法微调及数据训练等方面仍能发挥影响。

在OpenAI引领通用智能技术走向的同时，巨大模型的横空出世颠覆了AI技术格局。两种技术路线代表着不同的利益，引发互联网上网友们针锋相对的讨论。小型模型在市场竞争中仍具有重要影响，通过算法微调和数据训练等手段，一些产品效果不输大型模型产品。同时，国内通用智能的AI缺乏数据训练场景，使得类似ChatGPT的产品在国内无法得到充分展现。产业界对大型模型持观望态度，担心过早应用可能对现有业务造成不利影响。展。一位销售人员表示：“我们的主要客户来自金融机构的创新部门，因为他们支持一些通用智能的事情。”

在金融行业内部，有人认为“死马当活马医”，无法解决长尾问题，不妨让大型模型来一试。一些愿意冒险尝试的场景包括公文写作、情感理解等。总的来说，通用智能企业需要面对高客单价、丰富的数据训练场景的需求，但这与企业的实际考量和预算投入存在矛盾。

缺乏数据用于训练、缺乏足够的资金来维持产品运转，这是目前摆在现实面前的两大难题。在国内，AI的扩散也面临诸多困难。元宇宙的火爆在各行各业蔓延，但它能否成为通用型AI扩散的有力平台呢？答案是可能，但实现起来却十分困难。

当前，AI和元宇宙的发展虽然相关，但二者还未完全融合，仍处于各自发展阶段。一些供应商表示，将AI功能嵌入第三方App具有挑战性，需要处理高并发、低延迟，以保证用户体验不受影响。对于数字人的应用场景也并不多样化，大多数字人只具有IP形象功能，而能够说话的数字人则寥寥无几。此外，虽然技术进步，但要让人工智能具备情感陪伴功能还需时日。

综上所述，当前的困难限制了AI和通用智能技术扩散至普通家庭。企业采取的策略包括对外投资以增加数据训练场景、夯实客户关系以获得现金流、以及增加人力和设备投入以培养大型模型。尽管这些策略可能造成高科技企业变成劳动密集型企业，但在当前阶段，这似乎是不得已的选择。技术上，只要机器足够、标注正确，即使采用“堆积”式的方式，也能达到预期目标。然而，要提高大型模型和通用智能的认知度，扩大应用范围，仍然是当前面临的挑战之一。流席卷的当下，许多人都承受着无法言说的压力。