Nu er kommercialiseringen af store modeller igen på bordet.
En kendsgerning er, at den nuværende store modeluddannelse har brug for stærk computerkraftstøtte, især modellen med et stort antal parametre, hvilket er ekstremt dyrt. Stor modeluddannelse kræver enorme mængder penge til støtte.
Efter at have investeret en enorm mængde penge, håber virksomheder på den ene side at kommercialisere så hurtigt som muligt for at løse problemet med opfølgningsforsknings- og udviklingsfonde, på den anden side også håber at nå formålet med at tjene penge gennem kommercialisering.
Det er uundgåeligt, at nogle sikkerheds- og etiske spørgsmål vil blive lagt til side for tiden, og det er mere sandt, at der ikke er meget at tænke på udviklingsstien efter den hurtige kommercialisering af store modeller, så vi kan se, at mange store modeller stort set bare er en smag, og til sidst fører til modsigelse mellem kommercialisering og ikke-profit.
For det første kommercialisering af store modeller
Men på trods af dette er kommercialiseringen af indenlandske store modeller stadig i det indledende trin, og kommercialiseringsprocessen står over for mange udfordringer.
For det første kræver udvikling og anvendelse af store modeller en stor investering af penge og tid, og afkastet er ofte vanskeligt at forudsige. Dette har ført til, at mange virksomheder tøver med kommercialiseringsprocessen og miss markedsmuligheder.
For det andet lægger de etiske og sikkerhedsspørgsmål ved store modeller også pres på kommercialisering. På nuværende tidspunkt er applikationsbehovene hos de fleste virksomheder hovedsageligt koncentreret inden for intelligent kundeservice, intelligent anbefaling, intelligent markedsføring og andre anvendelsesområder er stadig i efterforskningsstadiet. Dette gør kommercialiseringsprocessen for store modeller relativt langsom og vanskelig at opnå storstilet udvikling.
Det, der er mere bemærkelsesværdigt, er, at selv om Kina har gjort betydelige fremskridt inden for kunstig intelligens, er der stadig et vist hul i den indenlandske stormodel-teknologi sammenlignet med det internationale førende niveau. Dette gør indenlandske virksomheder til en ulempe i den internationale markedskonkurrence, og det er vanskeligt at udvide til havet og grænseoverskridende retning.
Kommercialiseringen af store modeller bør løse problemet med at give virksomheder og brugere mulighed for at forstå princippet mindre og bruge resultaterne mere enkelt og direkte, så brugerne kan vende tilbage til værdien og løse deres egne forretningsproblemer. Med andre ord er det den "integrerede sorte boksmodel" af den store model.
Som et resultat er nogle af nutidens forretningsmodeller et samlingssted for store modellen racerbane-spillere og iværksættere.
For det andet, hvad er vanskeligheden ved kommercialisering?
Generelt er vejen til kommercialisering af store modeller ikke den bedste, men retningen er klar. Men klarhed betyder ikke landing. For spillerne af det indenlandske store modelspor står de stadig over for mange interne og eksterne udfordringer.
Generelt er kommercialiseringen af den globale store modelindustri stadig i den tidlige fase af efterforskning.
På den ene side, selvom forsknings- og udviklingsinstitutioner har været ret modne med hensyn til stormodel-teknologi, er de ikke fortrolige nok med landingsscenen og har endnu ikke dannet en perfekt kommerciel model. Derfor er de nødt til at arbejde med downstream -scenarievirksomheder for i fællesskab at opbygge store model -forretningsmodeller.
På den anden side har de fleste nedstrøms scenarievirksomheder endnu ikke dannet de grundlæggende koncepter og kognition af store modeller, og de mangler den computerkraft, der kræves for at understøtte model finjustering, samt de menneskelige ressourcer og tekniske styrke, der kræves for at tilpasse og sekundære udvikler modeller.
Generelt, selv om vejen for kommercialisering af store modeller er relativt klar, og indenlandske producenter undersøger aktivt den, kan kommercialiseringen af store modeller ikke begrænses til udforskning af forretningsmodeller, men mere for at løse de underliggende problemer med udviklingen af store modeller.