处理效率之高，愈发让人惊呼，生产力和人机交互的新一轮革命不再只是想象。
能够实现以上三角的优化解决方案，最终会推动飞轮旋转，实现强大的规模效应。而OpenAI与微软的合作，似乎在朝着这个方向努力。
一、GPT-4让我们离AGI又近了一步
ChatGPT风靡全球之后，OpenAI的创始人SamAltman曾表示，一个全新的摩尔定律即将出现，宇宙中的智能数量每18个月翻一番。
AI的复杂性会随着市场边界的扩大而进一步加深，具有涌现出新特性的潜质。
模型的底层逻辑是算力、数据、算法三位一体的结合，但复杂程度与数据规模相匹配。
随着参数量的增长，大模型的能力比起小模型要更加泛化。如果小模型的目标是做一个行业专家，那么大模型的定位则是要成为一个通才。
AGI（通用人工智能）被设计的目的，是让机器模仿并逐渐超越人类，实现与人类相近的能力，计算、推理、思考、创造，但是会更快、更高效。
学会吸纳更多的参数，是大模型复杂度提升的基础条件，数据就是AI的血液。
第一代GPT的训练参数只有1.17亿参数，模型引入了Transformer架构，在处理文本的时候，学会利用上下文信息来预测下一个单词。
在处理不同的任务时，仅需要对预训练形成的网络结构进行微调，就能取得比传统NLP模型更好的泛化效果，也加快了模型处理数据的效率。
GPT2.0阶段，模型学会了多任务处理。开发者再次测试了容量对于性能提升的帮助，不再需要标注，而是让模型根据给定的指令去理解任务。
这个阶段的训练表明，随着模型容量和数据增大，不需要给模型提供样例，它也能够很好地理解并且完成任务。
基于这层理解，到了GPT-3，开发者也就有了更大的底气实现参数规模的跃迁，在海量语言模型参数集中，少数样例设置下，GPT的准确性继续得到提升。
到了第四代，模型之间的代际差异随着任务复杂度的提高更加明显，这是GPT-4能做到的事情：
随着多模态的实现，基于自然语言模型的GPT未来有希望率先向AGI靠拢：
OpenAI开放GPT的初衷不仅在于找到最佳的落地应用，而且在复杂的人类信息流里得到反馈，扩大其能力的边界。代际之间，GPT快速进步的能力超乎想象。
基于AGI最终很可能会实现的设想，AI的安全也将逐渐上升为一个全人类的重要议题。
二、微软的iPhone时刻
杀手级应用的诞生，对加速生产力变革具有重要的转折作用。
直到福特T型车横空出世，流水线生产让汽车制造成本大幅降低。随之重量更轻、体积更小、操作更灵活的内燃机汽车开始走进千家万户，逐渐替代了蒸汽机和电动机。在这之后我们又有了飞机和火箭。
AI的应用，让人和计算机交互的方式产生了剧变。微软CEO曾经表示，Copilot的自然语言交互将是下一轮人机交互方式变革的雏形。
从图像界面的PC，到iPhone多点触控的智能机，每一次人机交互方式的变革孕育着全新的下游应用生态。
过去的AI就只是大模型，把几十台服务器放在一起训练，没有落到实地的应用。OpenAI与微软的合作，实现了两件事情。
一是跑通了商业模式，GPT的训练和日常运营背靠微软Azure的算力支持，微软云服务Azure的市场份额仅次于AWS，是谷歌的两倍。
巨额算力和AI大模型的结合，允许OpenAI进一步推出订阅式服务，形成了MaaS（ModelasaService）。
OpenAI有两种订阅模式，一种toB，给企业客户和开发者提供ChatGPTAPI，一千个token输入按0.002美元算，另一种toC，给普通用户开放最新功能，每个月收20美元。
用户的快速增长摊平了训练和推理所需的算力成本。GPT经过用户反馈的自主增强学习后，能力有了更快的提升，形成良好的正反馈机制，跟平台粘性越强，获客成本就越低是一个道理。
二是在微软的加持下，GPT和Bing、Gibhub以及Office等多个在线工具深度绑定。你有技术，我有产品，两家在商业化上拥有完美的协同效应，率先完善了云计算+AI大模型+应用工具开发的生态。
微软和谷歌两家巨头对于推进AI应用有着截然不同的态度。
交互界面的改变对两家来说都如同革自己产品的命。不同之处在于，微软的产品矩阵更快速地适应了进化。
GPT-4推出不久后，微软即正式为365应用服务提供GPT-4驱动Copilot，对于用户而言就像一个办公助手，附着在侧边栏。用户可以调用它来生成文档，根据文本创建PPT，或者分析Excel数据。
有了GPT的赋能，对于微软产品本身便是如虎添翼，这块业务，“ProductivityandBusinessProcess”去年下半年的收入达到了330亿美元。全面铺开后，增长有着更大的想象空间。
谷歌还没有想好怎么革自己的命，一直如履薄冰，在应用上还没有拿出完美的方案，把iPhone时刻拱手让给了微软。
三、应用层涌现，小模型也大有可为
芯片和算力相当于锂矿和电池，其稀缺性决定了这是少数企业有条件参与的游戏。
要匹配相应规模的算力用于AI训练并非易事，因此ChatGPT概念一火，便立刻带动有关芯片、算力的股票板块。
此外，ChatGPT单月运营需要算力约4874.4PFlop/s-day。拥有亚洲最大超算中心的商汤科技，总算力超过每秒4910Petaflops，也就是说要训练GPT几乎得用上全部算力。
在国内，只有云厂商具备算力和AI模型的基础条件。在这个性能快速提升的领域，先发优势可能会给后边的企业带来不可逾越的鸿沟。
可以预见的是，AI大模型未来会自然渗透到各个办公、内容创作场景，新的应用正在涌现，正如石油、煤炭赋能了工业生产、交通运输等领域。
对于不想错过这一波技术红利的企业来说，站在巨人的肩膀上，成功概率也许更大一些。
相比垂类行业的小模型，大模型具有广泛的迁移学习能力，就像人类把骑自行车的能力迁移到学骑摩托车一样，比如在金融领域习得的知识可以迁移到税务会计等其他经济场景里。
但在大小模型联动的学习方式里，小模型可以通过知识蒸馏从大模型中学习，并可以在许多下游任务中达到与大模型相似的性能，就像老师带着学生。
因为API的开放，大模型根植于更多已经成熟的商业模式，场景和用户规模正在大幅扩展。许多已经积累了大量用户的应用结合api对产品形态进行了升级，包括移动端App以及浏览器插件，被分流到各类应用的用户一旦成为AI使用者，其规模必将是指数级的增长。
四、尾声
许多看过《2001太空漫游》的人应该都对电影开头那个史诗级的蒙太奇印象深刻：
开头两分钟的镜头展示了人类祖先的生活面貌，猿人第一次了解到骨头如何作为工具使用，开启了智性。当白色的兽骨扔到空中时，瞬间切成了遨游在太空里的孤寂的宇宙飞船。