Meta又推出了免费可商用版别的“羊驼2号”——Llama2，听说性能比肩GPT-3.5

开源大模型对闭源大模型的冲击，变得十分猛烈。

今年3月，Meta发布了Llama（羊驼），很快成为AI社区内最强壮的开源大模型，也是许多模型的基座模型。有人戏称，当时的大模型集群，便是一堆各种花色的“羊驼”。

而就在前些天，Meta又推出了免费可商用版别的“羊驼2号”——Llama2，听说性能比肩GPT-3.5。

这在整个大模型圈都是十分迸裂的。

我们知道，各个互联网、科技公司都在竞相练习、推出自己的大模型，投入了大量的计算资源和本钱，假如不能有用的完结商业化，那么这些大模型就很难回收本钱，后续的迭代、更新、升级都成问题，不仅研制企业会亏个底掉，更苦恼的大概便是“前功尽弃”的用户了。

而现在有了自在敞开强壮的开源大模型，谁还愿意给闭源大模型送钱呢？

还真的有。

开源是大势所趋，但闭源大模型依然有其存在意义和商业价值。依照现在的AI工业落地经历来看，用好大模型，还是得靠闭源。

今天我们就来聊聊这个问题，到底是谁，需求闭源大模型？

一、到工业去，到工业去

大模型的商业化终点是工业，想必已经是不必过多解说的一致了。

前不久，我参加某一个国产大模型的内部沟通会，对方高层就清晰表示，自己全部用的是闭源代码，并且坚持走闭源路线，便是考虑到练习大模型与职业伙伴合作，其间很多隐私数据是不方便开源的。

见一斑可窥全豹，至少在短期内，大模型走向工业，落地还是要靠闭源。

模型方面，闭源大模型的质量更高。

就拿现在最能打的Llama 2为例，Meta 将 Llama 2 70B 的成果，与闭源模型进行了比较，成果在 MMLU 和 GSM8K 上挨近 GPT-3.5，但在编码基准上，还存在明显差距，不少数据在多样性和质量方面有所欠缺。

当然，开源大模型的优化迭代速度很快。但开源的实质和“有性繁衍”很像，便是经过大量繁衍和变异，好像开篇那张“羊驼集群”相同，面对不确定的未来，借助进化的“优胜劣汰”，让最优质的后代继续出现。所以，开源软件的分支多，对用户来说，这个选择的本钱是很高的，加上开发人员很多，版别控制是一个问题。

安全性方面，闭源大模型的可靠性更高。

开源大模型要遵守开源协议，商业运用需求获得授权，海外开源大模型也要受到属地管辖，github就曾封禁俄罗斯开发者账号。运用海外开源大模型开发产品，供应链的危险，是客观存在的。

那么，运用国产开源大模型呢？安全性得到保证，但从商业视点看，很多客户，如大型政企，也十分看重大模型在业务上的可靠性，采购时往往需求大公司的品牌背书。一方面研制投入更大，口碑更高；另一方面，万一大模型生成不妥，导致商业丢失或商誉问题，运用闭源大模型可以问责服务商，运用开源大模型总不能找全球开发者算账吧？

比方大模型创业公司Huging Face，为客户供给AI咨询，是开源社区的台柱子，表示有大量客户期望把自己的私有数据/专业数据用来训模型，并不想把这些数据给到 OpenAl。

工业化方面，闭源大模型的长期服务能力更强、更可用。

大模型落地，并不是接入API、塞进数据、调参优化就结束了。作为一种新兴技术，大模型与业务场景的交融，还有十分多挑战。比方大模型需求经过蒸馏压缩，减小模型规模，才能在端侧布置，很多企业根本没有这类专业人才。

再比方，大模型与业务结合，需求产品、运营、测试工程师等多种角色共同参加，这些服务能力是以coder为主的开源团队，所很难供给的。此外，大模型的长期应用，算力、存储、网络等配套都要跟上，开源社区无法帮助用户“一站式”解决这些细节问题。

还有数据隐私顾忌，大模型是不能直接为工业所用的，还要经过专有场景数据进行优化，而这些数据练习完的模型会被开源敞开出去，让企业顾忌重重。

我们曾采访过一个才智医疗研制团队，对方表示，大量医疗数据分布在各大医院、研究机构，又涉及患者隐私，大家关于把数据拿出来共同练习一个职业模型，都存在顾忌。一方面是安全得不到保证，另一方面是自己的数据质量高，但从中得不到恰当的回报，和其他数据质量低的机构相同，很难协调。在开源大模型的共建中，如何得到数据、把握配方、确定各方贡献，还存在很多难题。

开源大模型需求平衡技术创新自在和版权收益之间的抵触，而运用闭源大模型就没有这方面的费事，数据和模型的所有权、运用权都很清晰，牢牢掌握在企业自己手里。