距离 OpenAI 上次说考虑开源 GPT-3，已经过去两个多月了。
结果，GPT-3 开源的影子一点儿没瞅着，反倒是一直热衷于开源的 Meta 又带着他们家的羊驼模型来上大分了，发布了一个进阶版的Llama 2。
说起这 Llama 羊驼模型，估计大伙儿之前也见识过了，一经问世，就在开源社区的各大榜单中刷屏。
也是从 LLaMA 开始，什么斯坦福的 Alpaca、UCB 的 Vicuna。。。各种基于 LLaMA 的小模型一个接着一个地蹦出来。
别看这些二创的模型参数量小，和千亿参数的 GPT 模型比起来，效果其实也还不错。
前段时间网上不是发了一个大模型的排名嘛，第四名的 Vicuna 可没比 GPT-3.5 逊色多少。
而这次的 Llama 2，又来了波升级。
相比上一代 Llama，Llama 2 增加了 40% 预训练数据，Token 数翻了差不多一倍到2T，模型的参数量也扩展到了 700 亿。
在长文本的支持能力上，训练文本的窗口也从之前的 2048 扩展到 4096 。而且还发布了一个微调之后的 Llama 2-Chat 模型，专门针对应用场景的优化。
也可以这么理解，升级过后的 Llama 2初始属性更强了，升级更快了，等级上限也更高了。
不过，这些还都只是小菜。
Llama 2 最大的亮点，就是开源、免费、可商用，而且还支持在高通的芯片上运行。
这跟上一代 Llama 源代码泄露的“被开源”可不太一样，之前即使允许二创，也只是停留在研究领域。
可以免费商用，就相当于拿到了 Meta 准用许可的“免死金牌”，你拿去干啥都不用担心回头被告侵权。
当然了，这许可也是有点限制的，要是产品的日活超过 7 亿，那就还得去申请一下。
而在高通的芯片上运行，也一反过去大模型受制于英伟达芯片的常态。
看来，Llama 2 这次，大有要一举打破 OpenAI 和英伟达封锁的意思啊。
所以消息一出，很快就在网上引起了一波轰动。
有不明觉厉的吃瓜群众跟风夸赞的，还有人马上用 Llama 2 做了个应用程序出来。
甚至于，Meta 的首席 AI 科学家 Yann LeCun 杨立昆也在推特上为 Llama 2 站台，说它将会“彻底改变大语言模型的行业格局”。
Llama 2 这次的升级当真就有这么厉害吗？
本着求证的态度，差评君联系到了在学术圈和开源社区，都颇具影响力的智源 AI 研究院，得到的答案是：这次 Llama 2 的升级，其实并不是重点，开源可商用才是。
而与开源的羊驼模型形成对比的 GPT，就因为闭源（ 不开放源代码 ）而备受吐槽。
当然，关于这开源和闭源的争论，其实从 PC 时代就已经开始了。
当年的开放源码运动里，就诞生出了大家熟知的 Linux 系统。
因为开源之后，大伙们都能上手魔改代码、移植应用等等，基于 Linux 的开源生态也扎着根长出了枝叶。
而如今的路由器、交换机、智能洗衣机、智能电饭煲、交换机、服务器等等设备上，几乎搭载了各类 Linux 系统。
包括几年前的美国火星车登录成功，还把 Linux 带上了火星。
而开源，也逐渐演变成为了一种“开放共享”的精神。
如果没有开源，红帽、ubuntu 等桌面操作系统很大概率就不会出现，安卓也不会拿下如今智能手机近三分之二的市场份额。
历史总是惊人的相似，现在开源与闭源的战火很明显已经蔓延到AI领域。
有意思的是，一直被诟病不太“ Open ”的 Open AI，其实在 GPT-3 之前，一直都是开源的，GPT-2 的代码、框架还有论文都开放得很彻底。
但到了 GPT-3，就只能看论文了。
也难怪马斯克当年执意要退出 OpenAI，因为它们完全违背了当初要成立一家开源非营利组织的初衷。
但即使顶着外部舆论压力，GPT-3 和 GPT-4 仍然雷打不动的坚持闭源。
至于原因，根据 OpenAI 官方的说法，是出于“安全”的考虑。
这也合理，作为目前最牛叉的大模型，GPT-4 要是真落入了坏人的手里，的确很麻烦。
但差评君觉着，还有一个原因是，OpenAI 不想放弃现有的技术优势。
毕竟 GPT-4 跟前辈们相比，无论是在参数量还是性能上都有了大规模的提升，Open AI 不想让自己的心血白给也可以理解。
说白了，闭源更像是一种商业行为。
但有一说一，闭源的王座并不会一直牢固。
因为从第一代 Llama 开始，大模型开源的这把火就已经被点燃了。开源模型的队伍日渐壮大，AMD 也宣布要在明年开源 OLMo 大语言模型。
随着更多模型源代码的开放，将会有越来越多的人参与到模型的迭代升级当中，为开源的生态添砖加瓦。而技术壁垒在这个过程中，也会被慢慢拉平。
而作为打响了羊驼模型开源第一枪的 Meta，也一直在暗戳戳地往里添柴。
当初，为了请 AI 大拿杨立昆出山，扎克伯格可谓是煞费苦心，不仅答应了他诸多苛刻的要求，而且还立下了研究成果必须开源的规矩。
从 2015 年把 CNN 卷积神级网络用到 GAN 上，提出了 DCGAN，到开源基于 Python 的深度学习框架 PyTorch，再到如今全网刷屏的 Llama。
这么多年了，小扎承诺过的“开放”似乎从来就没变过。
包括 Llama 之后，Meta 又陆续推出了一系列多模态大模型，像什么Imagebind、MusicGen，都是开源的。
而且，对于 OpenAI 口中，出于安全考虑的闭源理由，杨立昆也是不太认同的。
在他看来，使人工智能平台安全、良善、实用的唯一方法就是开源。
换句话说，技术掌握在少数人的手里是危险的，只有让监管 AI 的力量也同时进化，才能尽可能地管住 AI。
这在目前看来，暂时只有开源能办到。
而小扎这步棋，又或者说，当年杨立昆坚持开源埋下的种子，或许很快就能看到收获。
比如在定制化的大模型上，开源会跑得比闭源更快。
不可否认的是，OpenAI 大模型的能力的确很能打，但 OpenAI 的团队到底能不能根据具体的行业和应用场景去做适配，还需要打个问号。
打个比方，一家服装厂要用 GPT-4 来优化货物的调度流程，厂里原材料的运送、存储，成品的质量检测，里边儿涉及到太多的行业 Know-How，如果不是由企业自家的开发者来操作，OpenAI 最终交付出来的效果不一定能满足企业的业务需求。
毕竟，咱也不能指望一个搞 AI 的公司，突然就懂服装了。。。
就算咱抛开质量不谈，算力成本一摊下来，中小企业也很难吃得消。更何况，有些企业的数据涉及商业机密，全都交由 OpenAI ，老板估计也不放心。
但开源的优势就在于，开发者可以在源代码的基础上，根据业务需求对模型进行微调。
和从头训练大模型相比，在开源的基础上，运用 LORA 这类低成本的微调方法去构建一个适配下游任务的模型，显然后者的性价比更高。
当开源大模型渗透到越来越多的行业以后，开发者反馈的业务需求越多，模型迭代的速度也会越快。
先占领市场，再用量变来催化质变。
当然了，无论是开源，还是闭源，其实都没有绝对的对错之分。
OpenAI、谷歌之流坚持闭源也无可厚非。
毕竟几十亿美元砸出来的优势摆在那，在模型层级、Token 长度、推理等等能力上，还是领先现在的开源模型不少。
但开源大模型现在势头正猛，抢先一步实现商业化也不无可能。
就像不久前 Altman 说的那样，AI 之后会分化，开源负责商业化落地，而闭源则负责研究超级智能。
所以差评君大胆猜测，AI 大模型的行业格局，或许会是一两家头部闭源，其他开源模型建立起社区生态的局面。
而在开源推动下的商业化落地，也可能会很快地重塑生活的方方面面，说不定哪天你家的扫地机器人就能帮你遛狗了。
差评君还是很期待，在开源的加持下，AI 究竟能给我们的生活带来什么样的变化。
原创文章，如若转载，请注明出处：https://www.ncdyrs.com/n/37039.html