文｜互联网那些事，作者｜永遇乐，编辑 | 杨武
立志比肩 GPT-5 的零一万物，自 Yi 开源版本之后，又发布了闭源大模型 Yi-Large。
据悉，Yi-Large 闭源模型，在中外权威指令遵循评测集中，Yi-Large 的表现均优于国际前五大模型。
事实上在去年 5 月，零一万物成立 6 个月后就发布了旗下首款中英双语大模型 Yi 系列。并且从一开始，李开复就定下了一个宏伟且艰难的目标：「成为 World's No.1」。
打一出生就是 「当红辣子鸡」 的零一万物也依靠大厂背景团队、优异模型表现，达到了 10 亿美元的估值。
在 YI-Large 的发布会上，李开复还宣布，零一万物已启动下一代 Yi-XLarge MoE 模型训练，将冲击 GPT-5 的性能与创新性。
但作为 AGI 信徒的零一万物，更多需要思考在追赶 GPT-5 的同时，不影响自身 AGI 的发展道路？
激烈的市场，零一万物距离 AGI 有多远？
在接受 APPSO 采访时，李开复说：我们是务实的 AGI 信仰者，我们一定要用最少的芯片，最低的成本训练出我们能训练最好的模型。同时我们会不断的去摸索，找 TC-PMF。
据悉，目前零一万物海外生产力应用总用户接近千万，今年 ToC 单一产品预计收入达 1 亿元人民币。
但这 1 亿人民币的单一产品应收，只能够代表 TC-PMF，而不能够代表零一万物已经在 AGI 层面上实现 TC-PMF。
要知道，与 NLP、VC 等弱模型不一样的是，具象化之后的 AGI，就是一个无所不能的、集各领域行业专家知识于一身的智能体，是一个能够实现帮助需求方完成一整套需求落地，并且在过程中具有适应性和主动型的通用人工智能。
AGI 的实现背后一定程度上需要高昂的成本，这其中的费用或许并不是百亿、千亿美金就能达到的。
但李开复也曾表示，零一万物不会用纯大力出奇迹的唯一思维，追求能不能用一百亿美金，一千亿美金实现大模型在场景中落地。
相对于行业内不理性的 ofo 式流血烧钱打法，零一万物更偏向于让大模型能够用健康良性的 ROI 蓄能长跑。
但零一万物需要思考的是，即便通过找到 TC-PMF 来发展，就一定能够做到距离 AGI 越来越近吗？
虽然有多个认知架构项目已经持续活跃了几十年，但迄今为止，没有一个显示出足够的商业前景，被广泛采用或受到特别充分的资助。
原因是多方面且复杂的，但一个共同的特点是：它们正在以模块化和低效的方式运行，并且缺乏深入的学习反馈和认知理论。
回过头来看这几年 AI 硬件的发展就会发现，实际上 AGI 在硬件方面的进程一直都在不断突破当中，所以真正影响 AGI 的实现，并不是软硬件出现的阻碍，最大的阻碍其实是足够准确的发展项目，以及大量的资金支持。
「准确的发展项目」 对于目前在弱模型发展上的零一万物来说，或许也很难。而通过现有的开闭源大模型和一站式 AI 平台万知，来达到 AGI 并且实现 TC-PMF 其实更难。
因为就目前来看，可以做会议纪要、周报、写作助手、速读文档、做 PPT 的一站式 AI 工作台万知，虽然定位于 2C 生产力工具，但在应用的过程中也更多是文本生成类大模型。
这与能够实现帮助需求方完成一整套需求落地的智能体，还很远。
无论是零一万物亦或是其他的大模型玩家，似乎更多是致力于某一个狭义的人工智能中，以求能够快速落地具体场景的大模型。
比方说零一万物的 Yi 系列大模型，涉及 AI 写作、AI 编程、医疗、消费 3C、生化环材等多个领域。
但发展 AGI 的一个客观标准是，在实现 AGI 的过程中，所做的 AI 工作，是否有明确定义的步骤或整体详细计划，很少有 AI 工作符合这一标准，包括零一万物。
对于零一万物，目前能看到的实际上零一万物做大模型的核心方法论，比如在于模基一体——模型与 AI Infra 并行开发；模应一体——模型与应用并行开发。
AGI 信徒，如何警惕 「狭义 AI 陷阱」？
然而在基模一体化当中，零一万物不仅自研 AI Infra，还将 AI Infra 设立为重要方向，并且将模型团队和 AI Infra 团队高度共建，人数比为 1 比 1。
当然，在对自身具有 ROI 要求的零一万物来说，务实的战术发展往往更稳妥。同时注重人才的加入，或许有助于零一万物更好的往 AGI 发展。
为了接近真正意义上的 AGI，市场需要从第二波 AI 浪潮转向第三波 AI 浪潮，从统计生成式 AI 转向认知 AI。
也就是从以统计学和强化学习为特征的大模型，转变为以自主、实时学习、适应、高级推理为核心的大模型。
但急于通过万知来验证 TC-PMF 的零一万物，又怎么能够确定走应用层的路，更利于 AGI 的实现？
要知道，AI 浪潮转变的过程既简单又复杂，简单是整个转变认知上的简单，而复杂不仅仅是 「调头重来」 从大模型发展基准上改变，还需要警惕 「狭义 AI 陷阱」 的出现。
「狭义 AI 陷阱」 通俗来说就是，即使一切都顺利朝着 AGI 预定义的目标发展——拥有良好的理论基础和发展计划，出色的开发团队和雄厚资金，以及正确的目标基准、开发标准，但仍然存在着 「狭义 AI 陷阱」 的隐患。
因为整个市场对实现 AGI 迫切的想法，某种程度上也会导致大部分企业最终利用外部人类智慧来实现特定结果，或在给定基准上取得进展，而不是以一种将智慧 （适应性、自治的问题解决能力） 融入系统的方式来实现。
说白了，偏向于特定任务的大模型升级，与 AGI 所追求的适应型和主动性实际上是相违背的。
如果持续性通过特定任务强化学习，那么最终导致的结果大概率就是：只有名义上是 AGI 的狭义人工智能工作。何况，目前零一万物能够实现特定场景应用，解决特定问题的大模型，都统称为狭义人工智能。
不过，零一万物在多模态大模型上的成绩是明显的。
多模态大模型作为发展 AGI 的必经之路，零一万物多模态大模型 Yi-VL-34B 版本在 MMMU 测试集上，以 41.6% 的准确率超越了一系列多模态大模型，仅次于 GPT-4V（55.7%）。
如果抛开与 GPT 的比较，41.6% 的准确率对于多模态大模型来说，并不算突出。
要知道，信息的完整性、环境的适应性、交互的自然性、普遍性的应用都是多模态发展最为重要的四大方面。
其中信息的完整性，需要大模型系统考虑到更多的信息维度，来决定最终决策的质量以及准确性。那么反过来也可以说，41.6% 的准确率倒推是多模态大模型数据类型的有限性，导致系统在决策时，没有考虑到更多的信息维度。
另外，零一万物多模态团队正在探索从头开始进行多模态预训练，以更快接近、超过 GPT-4V，达到世界第一梯队水平。
GPT 不仅仅是零一万物最想要追赶的竞争对手，同样也是上百家大模型企业想要超越的对手，但在 AGI 尚未出现雏形之时，零一万物的目标视野应该是更广阔的。
图片来源：AI 前线
毕竟，在过去七八十年人工智能发展的历程中，可以看到每一次人工智能新浪潮的产生，都是以模型参数量、训练样本量和算力跃升带来的人工智能重大发展。
而海外更擅长通过不断投入 Scaling Law 来提升模型参数量，国内更多只能是一步一个脚印。
比如开发更具性价比的 AI 芯片、更节能的智能计算中心、AI 模型加速技术，加快多模态模型架构创新和数据合成、多媒体数据标注技术创新。
第三波 AI 浪潮的重点，或许是变现？
近两年来，市场对模型性能提升的讨论，无一不是集中在多模态大模型的训练和算法改进上。对于初步的场景化落地，也无一不是免费。
或许，在融资有限的市场里，当下大模型公司的重点，除了寻找商业化落地之外，更注重大模型参数的增长，以期通过扩大想象空间来获得更多融资的可能。
毕竟在国内资本市场中，资金的走向往往更偏向于确定性的方向，而不是赌一个不确定性。
于是同样的，在 2023 年往后难以获取融资的时期里，大模型更倾向于走向 2B2C 捞钱存活。C 端如 OpenAI、Midjourney，Perplexity 向个人用户提供生产力解放工具，并以月费订阅模式变现。
B 端如微软、Salesforce，将 AI 技术集成到传统产品中并提供垂直定制服务，以月费订阅或者用量模式变现。
而国内尚未获得变现的企业，则是在不断的处于寻找商业化变现的过程中。
如百度在 C 端推出文心一言订阅模式，B 端提供底层架构、解决方案；360 在 C 端发力 AI 办公，B 端聚焦 AI 安全和知识管理等场景；讯飞则试图将大模型与自身硬件产品进行结合。
目前万知 AI 助手虽然对用户完全免费开放，但据悉，后续万知会结合产品发展和用户反馈推出收费模式。
他认为大模型 C 端产品的发展可分为六个阶段：最初阶段是将其作为生产力工具，随后逐步拓展至娱乐、音乐和游戏领域。
接着进入搜索领域，然后是电商市场；之后进一步延伸至社交和短视频领域；最终发展到 O2O 产品阶段。
图片来源：叶赛文
然而在国内市场，C 端用户似乎并不缺生产力工具，也不缺娱乐社交类工具。开启收费后的万知，真的能够像在海外一样顺利吗？
目前，根据头部大模型左手 C 端右手 B 端，两手抓的形式来看，大模型主要向 B 端收费，对 C 端收费的较少，且用户付费意愿较低。
这也注定了在众多定位生产力的大模型中，大部分 C 端用户会更偏向于低价者。
更何况，从 Similar 的数据看，5 月份 web 端国内访问量最大的前三名 AI 产品，分别是 Kimi、文心一言、通义千问，访问量分别是 2250 万、1780 万和 800 万，而万知则排名第十，访问量仅 32 万。
面向海外，零一万物的成绩或许很亮眼，但在国内，不一定。
