GPT为什么没做成APP？( 二 ) _GPT

能够真正引发全民体验热潮的，还是那些能够通过社交软件分享、小程序、App等形式，低成本快速触达的能力，不需要什么“智能涌现”，更在乎有趣、好玩。
往深了说，大模型技术被视为“新工业革命”的引擎，要发挥效应，必须将技术能力更好地集成到产品和服务中去。此时，移动端能够提供至少三重价值：
第一，规模落地。
中国互联网络信息中心发布第51次《中国互联网络发展状况统计报告》中，我国10.67亿网民，使用手机上网的比例为99.8%，移动端用户已经远远超过了PC端的用户，要提升生成式AI的应用范围，移动端应用必不可少。
第二，商业潜力。
高科技行业的主流市场，是由“实用主义者”组成的，相比技术的前沿性、炫酷感，他们更看重技术解决方案的可靠、稳定、性价比、配套服务等。移动端的广泛普及度、即时访问、便捷低成本的优势，可以让AI以更短的路径触达用户，在移动端应用AI技术是大势所趋。
开发者眼中的AIGC应用是这样的：

文章插图
OpenAI发布会演示的编程能力
大众眼中的AIGC应用是这样的：

文章插图
某GPT类应用平台截图
第三，市场壁垒。
大模型的商业化路径之一，是走向产业，走向ToB，将大模型能力封装为AI解决方案，参与到千行百业的数字化、智能化进程中。
如今头部科技公司、云厂商都在炼大模型，很多直接对标GPT-3.5，没有显著的差异化价值，很难与业界领先水平拉开差距。
云厂商要打开ToB市场，移动端应用工具与能力是非常有吸引力的。近年来，不仅消费类、服务型企业，在不断加强移动端侧的布局和产品能力，一些传统的企业和机构，比如工业制造、政务银行等，无论是在内部生产管理中移动化，也推出了更多移动应用来更好地服务终端用户。如果直接在云上端到端用好大模型，比如训练开发环节直接调用云端的大模型和AI算力资源，完成后，一键分发到智能手机等终端上，可以大大减少工作量。

文章插图
某GPT 类应用开发平台
互联网的演进之路，已经说明，无论To B还是To C行业，都在追求越来越集约精简的终端硬件、越来越低门槛的交互入口、越来越轻盈的软件应用。
所以说，大模型从云入端，是模型服务商实现商业化的必争之地。
从云入端，一条天路
高瞻远瞩如OpenAI和DeepMind，照样有商业化的要求。赚钱嘛，不寒掺。可是，大模型由云入端，这个钱还真没那么好赚。非不为也，实不能也。
云计算、AI能力要进入移动终端设备，所面对的是一条天路：
首先，一些大型的生成式AI应用，运行环境在云上，要经过网络传输，而移动端的设备能力、网络环境，是很多样且不稳定的，比如从5G蜂窝网络转移到室内宽带，或者在高架桥、地铁等特殊环境，都有可能让生成过程中断或失败，影响到端侧体验。
其次，生成式AI应用的计算量比较大，在端侧加载渲染运行时，比如智能手机CPU会有比较高的负载，出现卡顿、发热、电量损耗等情况，如果让AI改一篇文档画一张图就咔咔掉电，当然不能接受。

文章插图
此外，把AI深度集成到业务中，必须通过云计算，而云端开发环境和端侧是不同的操作系统。这意味着，开发者要进行二次开发或迭代开发，完成之后才能进行不同终端下的触达，同事要考虑不同终端的兼容性，这就提升了AI云应用的风险成本、人力成本、时间成本。要保证集成之后的应用效果，需要云平台有一整套完整的产品服务和工具来支撑快速搭建、验证、部署分发。
另外，云侧和端侧的架构不同，也导致算力割裂，云端一体的AI应用开发要充分结合端侧算力和云上算力，一部分应用场景搭建在端，一部分搭建在云，这就给云厂商带来了比较大的技术难题：如何提供稳定一致的底层环境？
天路难行亦需行。大家都知道，云计算靠基础设施IaaS层是很难赚到钱的，云厂商炼大模型，本质上是希望提升软件的先进性，进而调动SaaS服务的商业价值。
要让个人用户和企业，都得到简单、易用、低门槛的大模型能力，云厂商不仅要训练基础模型，还需要在产业链上游，就解决AI应用从云到端的一系列技术难题，为开发者和产业用户提供移动AI开发能力，才能让大模型在端侧爆发。