- [LaaS LLM as a service](#LaaS LLM as a service)
- 核心构成
- [GPT 产业链如何进行商业化](#GPT 产业链如何进行商业化)
- [LLM(Large Language Model) 发展和趋势](#LLM(Large Language Model) 发展和趋势)
- [LLM(Large Language Model) 对于行业公司的分层](#LLM(Large Language Model) 对于行业公司的分层)
- [LLM(Large Language Model) 的机遇和挑战](#LLM(Large Language Model) 的机遇和挑战)
LaaS LLM as a service
核心构成
- 计算：算力
- 模型：算法
- 输入：数据
- 输出：应用
GPT 产业链如何进行商业化
- 面向 C 端的订阅制会员模式
- 面向 B 端的 API 接口模式
C 端其它增收的方式
- Midjourney 作品分成（输出内容的增值税）：作品允许商业化，但是超过某个利润阈值时，需要分 X% 的利润给 AI 平台
- 特定场景的按次付费：SEO 优化每千次多少钱
- 广告模式：在回答中嵌入与之相关的广告
- SaaS：植入在办公软件如 Office 中
B 端其它增收的方式
细分行业定制 LLM
LLM(Large Language Model) 发展和趋势
LLM(Large Language Model) 基于海量数据训练得到，他获得了海量知识
演化的过程
- GPT3 (175B）
- LaMDA (137B)
- Gopher (280B)
- FLAN-T5(540B）
业界通过对 LLM(Large Language Model) 的探索和应用，引导 LLM(Large Language Model) 挖掘里面的海量知识，得到最优秀的结果 (
state-of-the-art result,sota 过程)，
演化的过程
- LLM(Large Language Model) 最开始通过预训练方式构建下游任务，来减少微调所需要的数据量
- LLM(Large Language Model) 通过各类 Prompt Engineering 方式，来减少微调所需要的数据量
- LLM(Large Language Model) 通过用非梯度更新的方式，使大模型无需微调情况下，拥有小样本、零样本解决问题的能力
- LLM(Large Language Model) 具备上下文学习(In-context learning)、上下文学习的矫正(Calibration) 能力
- LLM(Large Language Model) 通过一系列逻辑链(CoT, chain of thought) 解决数据推理问题
- LLM(Large Language Model) 通过结合行动驱动(Action-driven)、意图驱动来理解人类需求
LLM(Large Language Model) 对于行业公司的分层
- 基础设施公司
- 基于场景定制的 LLM 和升级服务
- 基于场景 LLM 产品进行的业务产品
到最终，基础设施公司只会有 1-2 家，形成行业垄断。基于场景定制的 LLM 和升级服务厂商会有一些头部厂商，以及海量的
基于场景 LLM 产品进行的业务产品的中小微企业
LLM(Large Language Model) 的机遇和挑战
LLM(Large Language Model) 必会带来新赛道的机遇，也必会越来越多的老方式被淘汰，跟不上节奏落伍的风险将会加大
LLM(Large Language Model) 可能导致的一些现象
- 大一统 NLP 领域，LLM(Large Language Model) 会让某些 NLP 的研究方向不再具备研究价值
- 从 LLM 应用角度来说，LLM-as-a-Service会越来越普遍 （OpenAI LLMaaS 的成本已经在开始指数级降低）
- LLM(Large Language Model) 在应用侧的盈利仍然是一个巨大的挑战，真正投入生产的挑战仍然巨大，即使在降本增效的大环境下
- LLM(Large Language Model) 真正投入生产的挑战仍然巨大
- LLM(Large Language Model) 在国内的产研环境下，高昂的使用成本和比较苛刻的使用条件（需要精细且明确的指令）仍然限制了它的赋能
- 当基础设施公司完成了 LLM(Large Language Model) 的基本商业化，OpenAl、Google、DeepMind 开始闭源，基础设施就形成了垄断能力