大模型行业趋势研判：未来发展的十个关键判断

判断五：能走多远，取决于对 AGI 和 Scaling Law 的信仰

以 OpenAI 为代表的大模型企业对 AGI 的信仰，开始获得了越来越多的认同，Sora 从视频理解到世界模拟器的路径，杨立昆的世界模型构想，都是产业界希望通往 AGI 的努力。

大力出奇迹的范式，在当下证明是最为有效的路径，包括 Sora 的成功，也再次验证了除文字领域，视频领域的 Scaling Law 也同样有效。OpenAI 把 Scaling Law 作为企业的核心理念，其原话为：'We believe that scale-in our models, our systems, ourselves, our processes, and our ambitions-is magic. When in doubt, scale it up'。这意味着规模不仅是数量的堆砌，更是系统性的魔法，需要在模型、系统、人员、流程和野心上全面扩展。

判断六：个人应用要过千万月活门槛

与移动互联网时代的 APP 动辄上亿用户不同，中国 AI 原生 APP 的成长速度并不算快，头部的 APP 也刚刚突破了月活千万的门槛。根据笔者个人的感受，即使是互联网圈，身边的小伙伴也有很多同学没有用过国内的这些 APP，更不论三四线甚至五六线城市。

根据 QuestMobile 2024 生成式 AI 及 AIGC 应用洞察报告，头部 APP 应用去重月活用户突破 5000 万。现阶段头部应用普遍聚焦在文本和图像信息模态生成；豆包、文心一言以月千万活跃用户规模'领跑'，其次是天工、扮伴-AI 绘画及讯飞星火。

相比而言，2022 年 9 月至 2023 年 8 月期间，全球排名前 50 的人工智能工具吸引了超过 240 亿次访问。ChatGPT 以 140 亿次访问量领先，占分析流量的 60% 以上。这表明用户习惯的培养需要时间，且头部效应极其明显。

判断七：手机端侧大模型将加剧和超级 APP 的入口之争

大模型正在向端侧转移，AI 推理将在手机、PC、耳机、音箱、XR、汽车，以及其他可穿戴式新型终端上运行。端侧大模型具有一些独特优势，如本地数据处理效率更高，节省云端服务器带宽和算力成本，对用户数据更好的隐私保护，开启更多交互新方式、新体验等。

未来借助端侧大模型，并结合向量化后的各类个人数据，用户可以跟手机进行更流畅的交互，实现各种原生操作和功能。如小米的 MiLM，VIVO 的蓝心大模型、OPPO 的安第斯、荣耀的魔方等端侧大模型。还有 Humane 推出的 AI Pin，搭载 GPT4，可实现语音交互，也可以投影在手掌上交互。高通推出骁龙 8 Gen3，支持终端侧运行 100 亿参数的模型。苹果最新的 M3 芯片支持端侧推理，且计划推出更智能的 Siri，为端侧大模型生态做积极准备。

但同时，很多端侧大模型的愿景是成为新的手机交互入口，比如只要跟手机助手聊天，就可以帮助点外卖、打车、购物，甚至发短信、发微信等等。如果实现，手机就有可能 OTT 掉大量 APP，使得 APP 沦为后台为手机打工的角色。同时，这也进一步加剧了手机企业在生态内的话语权，让苹果税、鸿蒙税等更为持久和强势。

判断八：效率、体验、创造是当前大模型落地三大核心价值

效率自不必说，大模型仍然是机器提升自动化的逻辑。体验和创造是这一波大模型落地更为特别的驱动力。体验方面，一方面是交互更加友好，从人要去适应机器（无论是学 Dos，还是后来的键盘鼠标输入）到机器来适应人（机器可以理解人的指令、语言甚至动作、姿态、情感）。另一方面，是出现了很多陪伴类的 APP，即提供情绪价值类的原生 APP。在这个过程中，也形成了一些亚文化，比如多推、单推、养崽等行为，以及使用中的脱皮、上皮、下皮等情形。

创造是生成式大模型天然的能力，当前在文字和图片创作、传媒影视、广告、短视频、甚至游戏等领域，已经大量引入 AIGC 的内容。在这些领域，大家一直诟病的模型幻觉问题，也有可能以另外一种创造的方式给人带来更多灵感启发。同时，创造还在 AI4S 领域有更大的想象空间，AI 科学家可能就在不远的未来。例如，谷歌人工智能实验室 DeepMind 开发的深度学习工具'材料探索图形网络'经过 17 天的连续工作，A-Lab 进行了 355 次实验，合成了 58 个拟定化合物中的 41 个，成功率达到了 71%，平均每天产出的新化合物数量在 2 个以上。

判断九：未来可能出现更多的一人企业

随着大模型能力的提升，以及 AI Agent 的发展，个人将有望获得更多的智能化工具支持。畅享未来，一个人可能拥有多个助理来协助工作，此时，对个人领导力和判断力的要求也会大幅提升。

一人企业的趋势，对未来大企业的组织方式也会产生很大的影响。组织内的个人，其角色也会由单一变得更为多元，如一人可以身兼产品经理、工程师、UI 等多角色。企业内也会出现大量的数字员工，数字员工的多少和质量，会成为企业的核心竞争力之一。这将改变传统的雇佣关系和组织架构，推动知识型工作的重新定义。

判断十：'技术派'VS'变现派'的争论在 3 年内会有定论

最近行业访谈的两篇文章，分别访谈了杨植麟和朱啸虎，两人的观点可以说是针锋相对。按照访谈的观点：中国科技界针对大模型的态度已分裂成两股阵营。一股是技术信仰派，他们大多技术出身，认为应该像 OpenAI 一样信仰 AGI、信仰 scaling law（规模定律），思维更偏硅谷。在他们眼中，随着模型能力跃升、模型成本降低，过程中会解锁丰富的应用。倘若不追求'更大更强的 AI 能力'，一旦其他人的模型飞跃，很快会降维碾碎现有根据地与护城河。

另一股是市场信仰派，他们信奉陡峭的技术曲线终有放缓的一天，只需将'足够的 AI 能力'投入可以快速变现的商业场景中，用中国市场庞大而独特的数据构筑壁垒。这类人往往在中国丛林式的商场中浸泡更久，思维更偏本土。

这种思维其实反映了很典型的长期主义和实用主义的争论，OpenAI 的成功，为我们坚持长期主义带来了很强的激励。按照奥特曼定律，智能每 18 个月升级的方式，预计到 2026 年，我们将迎来 GPT6 甚至更强的模型。届时，虽然还未达到 AGI，但模型能力已经可以完成大多数人类社会的任务场景，从而变得更有商业价值。

在这个过程中，幻觉率的降低，是需要技术着力解决的问题。如果这个问题长期难以得到解决，会大幅影响行业的落地效果。也许，未来大模型会能够像人一样，会对回答给出一个置信度的概率，让我们知道哪些是仅供参考，哪些是确定性的判断。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC 相关岗位人才难求，薪资持续走高。AI 运营薪资平均值约 18457 元，AI 工程师薪资平均值约 37336 元，大模型算法薪资平均值约 39607 元。掌握大模型技术意味着更多的职业可能性，包括成为一名全栈大模型工程师，涵盖 Prompt、LangChain、LoRA 等技术开发、运营、产品方向；能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；薪资上浮 10%-20%，覆盖更多高薪岗位。

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去。这时候可以搞点实战案例来学习。观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；能够利用大模型解决相关实际项目需求；大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。

掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；基于大模型和企业数据 AI 应用开发，实现大模型理论、掌握 GPU 算力、硬件、LangChain 开发框架和项目实战技能，学会 Fine-tuning 垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力。大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。