自2022年11月ChatGPT問世，這一現(xiàn)象級產(chǎn)品迅速點燃了市場的大模型熱情。新老科技企業(yè)紛紛殺入，誓要抓住移動互聯(lián)網(wǎng)以來最大的一次產(chǎn)業(yè)紅利。當(dāng)行業(yè)如火如荼發(fā)展一門心思搞技術(shù)之時，又出現(xiàn)了“路線之爭”：

閉源路線：以國外OpenAI的ChatGPT，Anthropic的Claude，谷歌的Gemini，國內(nèi)百度的文心一言，月之暗面的Kimi等企業(yè)為典型代表，傾向于閉源大模型的高性能，強(qiáng)商業(yè)化等優(yōu)勢，其中以百度最為激進(jìn)，李彥宏近期便一直以“閉源擁躉”頻頻出圈，發(fā)表諸如“開源大模型是智商稅“，”大模型場景下開源是最貴的”等出位言論，引發(fā)行業(yè)熱議；

開源路線：以META的Llama，國內(nèi)阿里云的通義為典型代表，認(rèn)為開源模式的協(xié)作特性可實現(xiàn)技術(shù)的快速迭代，可以通過模型托管提高云計算的業(yè)務(wù)成長空間，且該路線有利于數(shù)據(jù)敏感型組織通過私有云或本地化內(nèi)網(wǎng)落地大模型，較之閉源具有高成長性，多落地場景等優(yōu)點。

與行業(yè)往日爭議不同，此次大模型爭論充滿技術(shù)情懷，從業(yè)者爭論多聚焦在 “技術(shù)之爭”，李彥宏就表示“開源模型會越來越落后”，其讓頻頻登上熱搜。

那么在這場開閉源的爭論中我們要建立怎樣的分析框架？又來如何理性評判當(dāng)前的路線之爭呢？

其一，根據(jù)Scaling laws原理，大模型的成功乃是更大算力，更多數(shù)據(jù)，更高算力的綜合結(jié)果，這背后則是資金的海量投入，基礎(chǔ)設(shè)施完善，管理的穩(wěn)定等等，大模型沒有閃電戰(zhàn)只有持久戰(zhàn)；

其二，百度選擇閉源有技術(shù)的考量，但與商業(yè)路徑也密不可分；

其三，開源大模型并沒有想象那般弱雞，閉源也不一定能永遠(yuǎn)保持先進(jìn)性；

其四，開閉源大模型共存將會是長期趨勢；

Scaling laws原理：大模型將長期燒錢

我們首先從大語言模型中的第一性原理“Scaling laws”入手分析（被翻譯為“縮放原理”或“尺度定律”）。

2020 年 1 月，OpenAI 發(fā)布論文《Scaling Laws for Neural Language Models》，奠定了 Scaling Law的基礎(chǔ)，為后續(xù) GPT 的迭代指明了方向：更大參數(shù)、更多數(shù)據(jù)和更多算力能夠得到更好的模型智能。

也就從此時開始，OpenAI開啟了大參數(shù)模型路線，GPT-3的參數(shù)已經(jīng)達(dá)到1750億（GPT-2還只有15億），訓(xùn)練數(shù)據(jù)則直接躍升到570億G。

大模型的大參數(shù)軍備競賽也由此拉開大幕，動輒數(shù)千億級的大模型流行于市場，帶來技術(shù)的快速發(fā)展和普及。

由此也就引發(fā)了一個新的問題：算力。

根據(jù) Scaling Law 論文，可以用 6ND 來估算模型所需要的訓(xùn)練算力（N為參數(shù)，D為數(shù)據(jù)集TOKEN數(shù)），算力需求在大模型時代得到指數(shù)級提升（長文本大模型所需算力可能還要高于6ND）。

這一方面催生了底層算力提供者英偉達(dá)為代表的GPU廠商的爆炸式增長，另一方面大模型廠商若要保持技術(shù)先進(jìn)性就必須花大價錢在算力基礎(chǔ)設(shè)施方面。

在華泰證券的圖表中我們也能清晰看到大模型與此前的云計算爆發(fā)式增長一樣，業(yè)務(wù)的增長是要基礎(chǔ)算力的高投入為前提的。根據(jù)Visible Alpha一致預(yù)測，2026年全球科技四巨頭（微軟，谷歌，META和亞馬遜）合計資本支出將達(dá)2399億美元，2023-2026年CAGR為18.86%。

有觀點曾寄希望于Scaling Law的邊際效應(yīng)收窄效應(yīng)，認(rèn)為只要熬到技術(shù)成熟期（Scaling Law效應(yīng)邊際效應(yīng)迅速放大之時），算力的投入便會達(dá)峰，此時模型只需要維護(hù)自身模型的可靠性與穩(wěn)固性即可，只是站在當(dāng)下時代，Scaling Law遠(yuǎn)未到終點。

清華大學(xué)的唐杰教授在2024年 2 月就指出：我們還遠(yuǎn)未到 Scaling law 的盡頭， 數(shù)據(jù)量、計算量、參數(shù)量還遠(yuǎn)遠(yuǎn)不夠。未來的 Scaling law 還有很長遠(yuǎn)的路要走。

現(xiàn)實中主流大模型廠商的算力仍然在持續(xù)增大，模型的參數(shù)規(guī)模也在增大，行業(yè)終局是看不到頭的。

研發(fā)人員固然可以通過技術(shù)架構(gòu)優(yōu)化和軟硬件資源協(xié)同等方面來提高大模型的性能，只是我們也必須得承認(rèn)，指數(shù)級的大模型技術(shù)迭代仍然仰賴于高參數(shù)和強(qiáng)算力。

在上述兩項約束條件下，大模型廠商不得不面臨非常棘手的問題：

如果把算力的資本性支出視為“蛋”，大模型的高性能為“雞”，究竟雞生蛋還是蛋生雞就成了大模型廠商不得不面臨的問題。

我們以閉源大模型的忠實擁躉百度為例，在基石的廣告業(yè)務(wù)壓力不斷加碼之時，其經(jīng)營理念已經(jīng)越加審慎，如對非核心業(yè)務(wù)的裁撤，人員的優(yōu)化等等。這在資本開支中則反饋表現(xiàn)為支出的越加保守，過去三年表現(xiàn)非常明顯。

2023年META和亞馬遜等科技頭部企業(yè)也均在進(jìn)行資本支出的結(jié)構(gòu)性優(yōu)化，如亞馬遜的物流倉儲成本開始降低，與此同時云計算的數(shù)據(jù)中心等基礎(chǔ)設(shè)施仍處于大規(guī)模擴(kuò)張中。百度亦是如此，表面看其資本開支越發(fā)慎重，但大模型相關(guān)的基礎(chǔ)設(shè)施投入必然是高速增長的。

這對百度也就會帶來一個問題，結(jié)構(gòu)化的資本開支縮減終有結(jié)束之時，Scaling Law還遠(yuǎn)未能看到終端，加之“第二曲線”短期內(nèi)無法扛起支出重任，從財務(wù)方面就迫使百度不得不在商業(yè)路徑上進(jìn)行考慮。

以賣模型（API接口）的閉源大模型成為首選，對C端用戶文心一言收取會員，對B端以API的接口費為主要變現(xiàn)，又由于閉源大模型乃是企業(yè)獨家開發(fā)，維護(hù)和管理成本也相對低廉，對百度是十分劃算的。在雞生蛋和蛋生雞的問題上，百度選擇了雞生蛋。

可閉源果真就能戰(zhàn)勝開源嗎？

開源大模型不弱雞

前文中我們已經(jīng)從大模型的原理，技術(shù)以及商業(yè)路徑角度，簡單勾勒了行業(yè)當(dāng)前的現(xiàn)狀，并對百度對閉源大模型抱以極度的熱忱有了一定的理解。

接下來我們來討論開閉源大模型的趨勢性問題 。

如開篇所言，李彥宏對開源大模型常有鄙夷之情，如開篇“開源模型會越來越落后”，又如“沒有應(yīng)用,開源閉源模型都一文不值”，閉源大模型果真如此不堪嗎？

ARK Investment每年都會將其觀點和洞察力發(fā)表在年初的“Big Ideas”報告中，在2024年的報告中，”開源模型性能進(jìn)步快于閉源模型“乃是其重要觀點之一。在上圖中阿里云的Qwen-72B乃為閉源大模型之最。

一方面閉源大模型確實有先發(fā)優(yōu)勢，以O(shè)penAI的ChatGPT為典型代表，但另一方面大模型的演進(jìn)又是一個持久戰(zhàn)（Scaling law為主要因素），對企業(yè)的管理，投入以及持續(xù)的創(chuàng)新力就有了更高的要求，如此前OpenAI一系列的“人事斗爭”很難說不會影響核心業(yè)務(wù)。

與之所對應(yīng)的開源大模型也在此時開始展示先進(jìn)性。

2024 年 4 月，Meta 發(fā)布 Llama 3，設(shè)計目標(biāo)是多模態(tài)、多語言，根據(jù) Meta 公布的目前訓(xùn)練數(shù)據(jù)，其性能與 GPT-4 相當(dāng)。

Llama大模型的成功給了開源陣營足夠的信心，在權(quán)威機(jī)構(gòu)推出全新的大模型測評基準(zhǔn)LiveBench AI中，阿里通義Qwen2拿下美國最新測評榜單開源大模型全球第一，成績超過Meta的Llama3-70B模型。

在基礎(chǔ)算力的投入保障之下，拉長時間線，開源大模型是可以保持足夠競爭力的，僅就此來看李彥宏鄙夷開源大模型性能不進(jìn)步是站不住腳的。

這再次告訴我們：閉源和開源絕非技術(shù)理念之爭，而是商業(yè)路徑的分歧。

那么究竟哪何種商業(yè)路徑最適合大模型的落地呢？

篇幅原因我們省去繁瑣的分析過程，精簡觀點如下：

中短期：閉源大模型在變現(xiàn)方面優(yōu)勢更明顯，以賣模型為主要商業(yè)模式，簡單易操作。百度又可以通過改造原互聯(lián)網(wǎng)應(yīng)用產(chǎn)品（如地圖，文庫，搜索等），實現(xiàn)模型的落地改進(jìn)產(chǎn)品力，將業(yè)務(wù)線由“AI+”向“+AI”過渡。此外需要提醒的是，企業(yè)內(nèi)部原產(chǎn)品線的改造也是伴隨巨大的成本開支需求的，如華泰證券曾測算，META若內(nèi)容推薦完全以大模型為主，取代原有算法，將需要至少50萬片英偉達(dá)GPU，僅此一項就是一筆巨大開支（最近有消息稱META今年GPU規(guī)模將超過30萬塊），這就對短期內(nèi)閉源大模型的落地和變現(xiàn)提出了更高的要求。

長期：開源大模型走的更遠(yuǎn)，如高度定制化的特點將提高大模型對不同行業(yè)的滲透率，當(dāng)不同行業(yè)的接入大模型，提高大模型的應(yīng)有廣度之后，企業(yè)開發(fā)展則要仰賴于開源大模型背后的算力和云計算平臺，以實現(xiàn)可持續(xù)增長。

在上述兩種路徑中，“資本”是商業(yè)模式運轉(zhuǎn)的必要條件，這又回到了我們前文所言的“雞生蛋”的悖論。

這也就使得采取閉源大模型的往往具有以下特點：應(yīng)用端具有得天獨厚優(yōu)勢(如谷歌），又如技術(shù)上短期內(nèi)遙遙領(lǐng)先（如OpenAI）；

開源大模型則具有：資金底子雄厚(如META），云計算基礎(chǔ)設(shè)施健全（如阿里云），能夠熬得住，扛得起基礎(chǔ)設(shè)施膨脹帶來的巨大成本，又能接得住開源大模型普及后的云計算需求。

顯然沒有一種大模型是兼有所有優(yōu)點而無缺點的，百度此時以激烈語言來鼓吹閉源大模型，其背后應(yīng)是其短期商業(yè)化的焦慮（此前API接口價格戰(zhàn)對閉源大模型影響更大），以及對爭奪目標(biāo)客戶心智的野心。

基于此我們并不認(rèn)為會有包打一切的大模型路徑，相反企業(yè)選擇適合自己的路徑更多是“權(quán)宜之計”，客戶選擇開閉源模式也將會有自己的考量，一些企業(yè)也采取開閉源共存的模式來滿足不同客戶需求，如谷歌將輕量級的開源模型系列Gemma進(jìn)行開源。

不過此時發(fā)表出格語言最能出圈，能夠提高閉源大模型優(yōu)點的普及型，只是忽視了開源大模型絕非“弱雞”，大模型的發(fā)展會是持久戰(zhàn)，未來有太多的不可測性，輕易下斷言在其后很可能被反噬。