Kalde tanker i LLM-bølgen: Muligheter, utfordringer og fremtidsutsikter

Store språkmodeller (LLM) trenger inn i alle aspekter av livene våre i et forbløffende tempo, fra kodegenerering til innholdsskaping, til daglige informasjonsforespørsler, de er overalt. Relevante diskusjoner på X (tidligere Twitter) bekrefter også dette: det er både introduksjoner til nye AI-modellarkitekturer, deling av læringsressurser og diskusjoner om problemer som oppstår i praktiske applikasjoner. Men i denne tilsynelatende ustoppelige LLM-bølgen må vi holde hodet kaldt og tenke dypt på mulighetene, utfordringene og de mulige fremtidsutsiktene bak den. Denne artikkelen vil analysere LLM-industrien i dybden fra et forretnings-, plattform- og forretningsmodellperspektiv, i stil med Ben Thompsons analyse.

LLMs fremvekst: Et teknologisk singularitetspunkt eller en hypesyklus?

Fra diskusjonene på X kan vi se at LLM ikke lenger bare er et akademisk konsept, men har blitt et hett bransjefokus. Ulike typer LLM-modeller (LLM, SLM, VLM, MLLM, etc.) dukker opp i en endeløs strøm, og relaterte læringsressurser (som Stanfords gratis kurs) er også svært ettertraktet. Bak dette fenomenet ligger det enorme potensialet til LLM på mange områder:

• Effektivitetsforbedring: LLM-er kan automatisere repeterende oppgaver, som tekstgenerering, koding og dataanalyse, og dermed øke produktiviteten betydelig. Dette bekrefter det Ariana Huffington sa, at AI til slutt vil gi oss mer hvile og investere i oppgaver som krever kreativitet og dyp tenkning.
• Kunnskapsinnhenting: Informasjon som tidligere tok lang tid å hente og integrere, kan nå raskt hentes gjennom LLM-er. Å bruke LLM-er til å få svar direkte i stedet for å bruke Google-søk som før, har blitt en ny måte å innhente informasjon på.
• Applikasjonsinnovasjon: LLM-er kan brukes som underliggende teknologi for å drive ulike innovative applikasjoner, som intelligente agenter (AI Agent), RAG (Retrieval-Augmented Generation)-systemer, etc. Shubhamsaboos åpen kildekode LLM-applikasjonsprosjekt har fått 85K+ stjerner på GitHub, noe som også beviser dette.

Vi må imidlertid også være på vakt mot risikoen for overdreven hype. Som Suryanshti777 og DAIEvolutionHub påpeker, er det mange som bare bruker AI-verktøy, mens svært få virkelig forstår hvordan de fungerer. Dette betyr at populariteten til LLM-er kan føre til et fenomen der «bruk er større enn forståelse», og dermed hindre den reelle utviklingen av teknologien.

Fremveksten av LLM-plattformer: Hvem blir den neste Google?

Utviklingen av LLM-er har også skapt nye plattformmuligheter. Fra diskusjonene på X kan vi se følgende potensielle plattformretninger:

• Modellplattform: Tilbyr ulike forhåndstrente LLM-modeller og støtter utviklere i å tilpasse og distribuere dem. I likhet med AWS for cloud computing, vil modellplattformer bli infrastrukturen for LLM-applikasjoner.
• Verktøyplattform: Tilbyr verktøyene og bibliotekene som trengs for LLM-utvikling, som Tom Doerrs delte LLM-graph-builder og PocketFlow, samt Sumanth077s ai-engineering-toolkit. Disse verktøyene vil redusere terskelen for LLM-utvikling og akselerere populariteten til applikasjoner.
• Agentplattform: Bygger intelligente agenter basert på LLM-er og tilbyr mekanismer for samarbeid og kommunikasjon mellom agenter. Wh0sumits rekruttering av backend-ingeniører for å utvikle multi-Agent LLM-systemer indikerer potensialet til Agent-plattformer.

Disse plattformene har alle potensial til å bli den neste Google, men nøkkelen til å vinne i konkurransen er:

• Økosystembygging: Etablere et aktivt utviklerfellesskap og tilby rikelig med ressurser og støtte.
• Teknologisk lederskap: Fortsett å investere i forskning og utvikling for å opprettholde lederskap i modeller og verktøy.
• Forretningsmodell: Utforsk bærekraftige forretningsmodeller, som abonnementstjenester, API-anropsavgifter, etc.

LLMs forretningsmodell: Gratis lunsj eller en betalt fest?

LLMs forretningsmodell er et komplekst og kritisk spørsmål. For tiden finnes det hovedsakelig følgende modeller:

• Åpen kildekode-modell: Tilbyr gratis åpen kildekode-modeller og verktøy, og er avhengig av fellesskapsbidrag og donasjoner for å opprettholde driften. Xiaoying_eths delte åpen kildekode LLM-intelligensagentprosjekt er et eksempel.
• API-kallmodell: Tilbyr API-grensesnitt, og tar betalt basert på antall kall eller antall tokens. OpenAIs GPT-serie med modeller bruker denne modellen.
• Abonnementsmodell: Tilbyr avanserte funksjoner og tjenester, som raskere inferenshastighet, større kontekstvindu og mer profesjonell teknisk støtte, og krever et månedlig eller årlig abonnementsgebyr.
• Innebygd modell: Integrerer LLM-teknologi i andre produkter og tjenester, som intelligent kundeservice, innholdsanbefalinger osv.

Hver modell har sine fordeler og ulemper, og valget av modell avhenger av plattformens posisjonering og målbrukere. Åpen kildekode-modellen bidrar til popularisering og innovasjon av teknologi, men er vanskelig å realisere lønnsomhet med; API-kallmodellen og abonnementsmodellen kan gi stabile inntekter, men kan begrense populariseringen av teknologien.

LLMs utfordringer: hype, etikk og sikkerhet

Den raske utviklingen av LLMer har også ført til en rekke utfordringer:

• Datakvalitet: Ytelsen til LLMer er svært avhengig av kvaliteten på treningsdataene. Hvis treningsdataene inneholder skjevheter eller feil, vil LLMen også produsere tilsvarende skjevheter eller feil.
• Forklarbarhet: Beslutningsprosessen til LLMer er ofte vanskelig å forklare, noe som medfører en viss risiko for bruken av modellen.
• Etiske problemer: LLMer kan brukes til å generere falsk informasjon, utføre svindelaktiviteter eller forverre sosial ulikhet. Farairesearch nevnte at LLM er ikke en mirakelkur, men heller ikke bare en forbigående hype. Det er en disruptiv teknologi med enormt potensial, men også med risiko og utfordringer. Vi må se på LLM med et kritisk sinn, forstå prinsippene bak det, og utforske dets anvendelser i ulike felt. Bare på den måten kan vi virkelig gripe mulighetene i LLM-æraen og skape en bedre fremtid. MCubans observasjon er treffende: Det finnes to typer LLM-brukere, de som bruker det til å lære alt, og de som bruker det til å unngå å lære. Og de som virkelig kan dra nytte av LLM, er utvilsomt de førstnevnte.