“ 大模型与具体应用场景的结合，才是当前需要解决的问题”
在之前的文章中就不止一次的说过，技术的价值在于应用；而技术的本质只是一个工具，我们需要的学会使用工具，而不是制造工具。
人工智能也是工具，只不过这个工具制造起来比较复杂而已。
现在还是有很多人在纠结大模型，去研究怎么搞出一个更牛逼的大模型，或者是研究出一个能解决某个行业问题的大模型。
但不得不说，不要在研究怎么搞出一个大模型了，应该研究大模型的应用问题。
至于原因有以下几点：
学习大模型门槛很低，但搞出一个能用并且好用的大模型门槛却很高。
首先，训练一个能够解决某个行业问题的大模型，需要大量的行业数据，就这一步就已经把大部分个人或企业给排除在外了。
如果不是在某个领域深耕多年的企业，谁能找到足够的数据去训练模型？
难道全部靠爬虫爬，用钱去买？
再者说，设计一个能够适用于某个行业的模型，也需要足够的技术积累。当然，技术不是最重要的；资金，数据，人才才是最重要的。
世界上绝大部分国家造不出来原子弹，是因为它们没有原子弹的技术吗？
原子弹的制作图纸早就公开了，是因为绝大部分国家的工业能力不行，就第一步提纯铀235，就已经把世界上百分之九十以上的国家给排除了。
再者说，即使能搞出来原子弹，怎么把原子弹丢出去又是一个问题。
同理，搞一个能够解决某个行业问题的模型也是一样，第一步数据收集就已经让很多企业望而却步。
再加上大模型多次训练和微调的硬件成本，以及电力消耗，又排除了一部分人。
因此，在当今时代，学会怎么使用大模型，学会怎么把大模型和应用场景相结合更重要。
还有就是，大模型有一个特点或者说是弱点，通用大模型一般在垂直领域表现都不怎么好，垂直领域的大模型能力圈又很有限。
基于第三方大模型开发的聊天机器人，感兴趣的可以点击查看：
而对大部分企业的业务来说，不论是通用大模型，还是垂直领域的模型；显然一个模型无法解决全部业务问题，根本不同的业务类型，可能需要多个模型组合才行。
因此，即使有能力构建大模型的企业，也只会选择构建一个解决核心业务的大模型；其它的边缘业务，最好的选择也是调用第三方大模型接口。
所以，不论怎么样，都很难完全杜绝使用第三方的大模型，因此也就没必要一直纠结要搞出来一个自己的大模型。
再者，从业务的角度来说，技术只是实现业务的一种方式；没有人会关心你具体使用的是什么技术，是否是自己的技术；重要的是解决问题。
因此，只需要把大模型当作一个底层的工具，然后在其上构建应用，原则就是谁家的好用就用谁的；在实在没办法的情况下，再去设计和训练自己的大模型。
大模型+知识库+应用 = 产品
所以，对待大模型最好的方式就是，仅仅把它当作一个工具，按照具体的需求来决定是否要制造(设计并训练大模型)这个工具。
比如数据需要保密，无法直接使用第三方大模型，又或者整个业务全部在内网使用，不能暴露在公网中。
根据自己的猜测，以后或许会诞生这样的企业，那就是专门为其它企业设计和训练模型；但只给出设计方案，不参与具体的模型训练的过程。
