LaaS LLM as a service

  • [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

  1. 计算:算力
  2. 模型:算法
  3. 输入:数据
  4. 输出:应用

GPT 产业链如何进行商业化

  1. 面向 C 端的订阅制会员模式
  2. 面向 B 端的 API 接口模式

C 端其它增收的方式

  1. 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
  2. 特定场景的按次付费:SEO 优化每千次多少钱
  3. 广告模式:在回答中嵌入与之相关的广告
  4. 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

  1. GPT3 (175B)
  2. LaMDA (137B)
  3. Gopher (280B)
  4. 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

  1. 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
  2. LLM(Large Language Model) 通过各类 Prompt Engineering 方式,来减少微调所需要的数据量
  3. 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
  4. 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
  5. LLM(Large Language Model) 通过一系列逻辑链(CoT, chain of thought) 解决数据推理问题
  6. 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

  1. 基础设施公司
  2. 基于场景定制的 LLM 和升级服务
  3. 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

  1. 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
  2. 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)
  3. 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
  4. LLM(Large Language Model) 真正投入生产的挑战仍然巨大
  5. 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
  6. 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
相关推荐
喾颛顼16 分钟前
Mac下小智AI本地环境部署
人工智能·经验分享·macos
艾鹤22 分钟前
ollama安装与使用
人工智能·llama
最新快讯23 分钟前
科技快讯 | 中国首款全自研高性能RISC-V服务器芯片发布;亚马逊推出Nova Act跻身AI智能体赛道
人工智能·科技
Peter114671785031 分钟前
服务器入门操作1(深度学习)
服务器·人工智能·笔记·深度学习·学习
新加坡内哥谈技术39 分钟前
大型语言模型Claude的“思维模式”最近被公开解剖
人工智能·语言模型·自然语言处理
Mostcow1 小时前
数据分析_Data-Formulator-0.1.7调用Ollama-0.5问题记录
人工智能·数据挖掘·数据分析
Hali_Botebie2 小时前
【蒸馏用损失】NCEloss介绍,大规模分类任务的损失函数
人工智能·分类·数据挖掘
阿里云云原生2 小时前
RAG 调优指南:Spring AI Alibaba 模块化 RAG 原理与使用
java·人工智能·spring
蚍蜉撼树谈何易2 小时前
机器学习的定义及分类
人工智能·机器学习·分类
城电科技3 小时前
城电科技|零碳美丽示范村建设方案 能源+景观+教育
人工智能·科技·生活·能源