就需求不断把模型的输出结果跟实际去“对齐”

大模型产品化的窗口期不多了

大模型落地B端的一个最大阻碍是不能了解事务。

举个例子，金融范畴是强数据导向的范畴，人们需求在数据的基础上去做决议计划，如果把很多的数据以及金融理论用来训练AI，那么面对瞬息万变的商场，大模型的决议计划有多少的准确度？用户敢不敢用？

之前马斯克曾表示，FSD V12几乎完全是神经网络，构筑了一套端到端自动驾驶技能。也就是说，端到端的信息输入输出进程是一个“黑箱”。

你不知道AI是怎么具体做决议计划的，可是你终究会得到一个可用的结果。

大多数时分，这样的使用是没有问题的，比方出行范畴，人们需求的是安全到达目的地，即便是决议计划黑箱的问题存在，但并不影响实际使用。

决议计划黑箱最大的问题是决议计划信任的问题，云到端的大模型也有相似的问题。

比方，你问大模型一个问题，AI问题给出的答案够不够真实可信？这个问题还需求花大力气处理。简单点说，要去教大模型什么样的结果是正确的，是易用的，这就需求不断把模型的输出结果跟实际去“对齐”。

这也是大模型落地C端的一个重要应战。

输出结果的真实性，有效性能不能得到最基本的确保？这是大模型使用能否真正迎来大爆发需求处理的前置问题。

曩昔ChatGPT花了很多的本钱去做这个件事，文心一言，星火大模以及商汤的日日新大模型明显也需求经历这个进程。

目前阶段，通用大模型的使用热更像是人们的一场自嗨，公司发布大模型往往会伴随着一系列的公关活动，但除此之外，能给B端公司带来怎样的效益增量，仍然没有一个较为明晰的方案，仅仅空有一句“AI智能化大模型降本提效”的公关话术。

这种品宣做“伟人”事务上做“矮子”的现状，无非是想打上大模型的标签，好让二级商场高看自己一眼。不过，商场现已在用脚投票，终究仍是会看实际的商业化表现。

互联网江湖以为，如果说曩昔大模型的价值，在于对科技企业的“标签化”想要在二级商场谋个好价格，那么接下来能不能活下去，就在于能否完成“产品化”，真正靠使用才能“打天下”。

硅谷教父彼得·蒂尔曾说，喜爱给自己贴标签赛道标签的公司几乎都是不行出资的那一档，他从前这样表达这个观念：“我对全部主题热门出资都抱有置疑情绪，一般来说这样的出资毫无区分度。大家很喜爱把一大堆完全不同的东西放进一个热门中，标签是，云计算，大数据，人工智能，医疗SaaS等等，可是实际上是底层却完全没有区分度的公司。”

大模型也是如此。

事实上，AI赛道的泡沫被挤出之后，商场清楚地知道，大模型真正的价值仍是在于产品化。而产品化的要害，不仅是技能的比拼，也是产品司理才能的比拼。

在这一点上，上个年代的“王者”们（比方阿里、腾讯）或许比百度们更有经历和话语权。