我们和第四范式戴文渊聊了聊他们的大模型｜智识(4)

一定会诞生一批巨头公司

投中网：所以国内大模型的发展和竞争生态会演变成什么？
戴文渊：我只能说先入局者确实会有飞轮效应。仍以软件为例，当软件的飞轮转动起来，你在局部就已经建立了非常强的优势，甚至都不需要将其迭代到一定的水准，都一定会比传统的软件形式更强。
投中网：所以某种程度上，有人说，现在很多人都已经在同一起跑线上了，你并不赞同这样的观点？
戴文渊：我很难称这个为同一起跑线，虽然大家都在大模型领域竞争，但这正如当年互联网时代众多巨头初具规模，而互联网的机会依然宽广一样。举个例子，前段时间朋友闲聊，他就准备用生成式AI做一家猎头公司，我觉得这样反而可能会成为一家猎头业的大公司。
很多行业在这一波里面可能都会有很多新的机会。
投中网：那么，在整体国内大模型的对比坐标系里面，你怎么看待自身的位置？
戴文渊：其实我们并不需要完整地对标OpenAI，也并不需要OpenAI能做什么自己就一定要做什么，比如第四范式的大模型背后也有画画的能力，但在画画能力上超越OpenAI并不是我们想关注的。
我们更想着重发展自己思考下所需要的能力。比如我把自己的大模型定位在新型开发平台，能重构企业软件，就需要着重加强知识库和思维链的能力。
我们一直在做AI相关的事情，一个软件里面做决策的类别就是我们做的，但除了决策之外的部分，所以我们经常会想到另外的部分是否可以用AI把周期缩短，而等GPT来了之后，我们找到了这个确定的答案。
所以此时此刻，非要说我们和其他大模型公司的区别，那就是在当前并不清晰的大模型浪潮中，我们不去参与一场全面的竞争，而是专注于这其中一场比赛。
投中网：那很多人说制约大模型最难的是基础设施，数据、算力、人才等，这些你怎么看？
戴文渊：最重要的因素按照顺序排列，分别是数据、算力、人才。
大模型的数据分两个层面，一个是通用大模型的数据，一个是一些细分领域的数据。前者没有特别大的壁垒，但门槛也不低，因为并不是随便一个团队都能把这些收集到一起，也不是收集完之后就完全可以用了；后者更大程度上需要特定的“领域”的概念，因为这部分的数据就是这个领域的壁垒所在。
当下真正商业有用的思维链（多步推理）能力，并不是考验大象放冰箱分几步，这只是智力水平的考验，而是基于这样能力的思维链基础，在学习大量企业软件的数据和“攻略”后，能形成中间的逻辑推理步骤，从而做到AI拆分、执行复杂的工作。