型的上半场是“底座”，互联网巨头都希望能够调制出一个优质的底座系统一统江湖。

本着“数据即一切，规模即一切”的逻辑，让AGI迅速成为一个资本狂热的游戏。

然而，热热闹闹之后，大家还是会考虑如何变现的实际问题。

于是，大模型的下半场，则逐步回归于“应用”。

如何将大模型在不同的业务场景中落地，是每个AI创业者都关心的问题。

这件事机会更大，但是难度也更大！

给AI找场景，这其实像拿着锤子找钉子，确实有点反人性。

一些掌握着最前沿AI技术的人，希望尽快找到靠谱的业务场景变现！

绝大多数业务方对AI的认知都处于一个比较浅层次的水平，因此业务与AI的结合存在非常大的需求沟通瓶颈。

即便偶尔有业务方感兴趣，未经业务适配的“通用”底座工具，也确实几乎解决不了任何严谨的业务流程。

这瞬间会让需求的沟通变得尴尬无力 ...

这样的AI引起不了什么“兴奋”，算法人始终都是在自嗨！

大模型，难道底座搞完后，就真的无事可做了么？我们迎来的AI时代，是开始，还是又一个低谷周期？

尽管AGI的能力不可高估，但是也远不至于“妄自菲薄”。

类GPT的产品，在大规模知识库、智能助手这些典型场景，其实已经做的相当不错。

应该看到的是，我们在智能搜索任务上，已经进入到了下一个技术代际，以答案结果为目标，而非以原始的数据片段为目标。

问答技术的个性化程度，交互性更强！

强交互性，就是大模型技术与传统AI技术最大的不一样之处。

这样的好处是多方面的：

一是降低了AI工具的使用门槛。

用户可以通过对话唤醒后台任意算法或服务，只需要考虑业务场景，而不用关心技术工具的操作或配置细节。

二是提升了数据结果的多样性。

大模型输出内容具有随机性，可以做到千人千面，用户体验柔性灵活。

这一点在C端产品上是一个特别突出的能力“加分项”。

比如，任何人可以随意给一段文字动态生成精彩的脚本或音视频素材，彼此之间还不会重复。

三是加强了趣味性。

大模型的拟人化特质，会显著提升AI产品或工具的“吸引力”。

即便是在枯燥的办公场景中，有一个能够正常沟通的数字员工“随叫随到”，也远比独自一个人对着Excel表单查询枯燥的数据更加有趣。

除了这些方面，还要注意到，这一次的大模型“大乱斗”，确实让更多的资本流入到AI赛道，业界也产生了诸多开源的底座模型。

这些底座模型不管来自于哪个厂商，各自均有优势。

基于底座模型，可以通过少量样本数据二次开发，极大地降低AI模型的构建成本。AI模型的生产力总体得到了提升！

大模型能力就像云服务一样，让企业获得“智能”服务的效率极大增强，也为中小型技术创业者，提供了更好的技术成长生态环境。

未来，大模型的价值不在于“生成能力”本身，而在于对AI产业结构的重塑，以及形成对整个社会各行各业数字化、智能化进程的“催化剂”！