ChatGPT的爆红，仿佛给整个商业社会带来了一次“技术革命”，GPT模型在其中举足轻重，从GPT-3到现在的GPT-4，我们见证了这个模型能力的惊人飞跃。然而，这是否意味着我们已经看到了GPT的终局呢？本文从垂直、个人、离线三个维度，对GPT的发展趋势、未来前景等方面进行了猜想，一起来看一下吧。
自然语言处理（NLP）技术的发展和运用，使得计算机性能增长速度一举跃过摩尔定律瓶颈，将AI拱入属于它的高光时代。而象征技术融合的ChatGPT一夜爆红，仿佛给整个商业社会带来了一次“技术革命”。
微软、谷歌、百度、华为、阿里……全球范围内的科技巨头，争先恐后真金白银地押注，掀起了一场以资本和技术为基础的生态竞速。
无疑，GPT模型在这场革命中扮演了一个举足轻重的角色。从GPT-3到GPT-3.5，再到现在的GPT-4，我们已经见证了这个模型能力的惊人飞跃。
然而，这是否意味着我们已经看到了GPT的终局？接下来，本文将从垂直、个人、离线三个维度，对GPT的发展趋势、未来前景进行一些基于客观现实的大胆猜想。
3月的最后一天，彭博新闻社发布了专门为金融领域打造的大型语言模型(LLM)——BloombergGPT，引发金融圈“地震”。
基于LLM的生成式人工智能，已经在许多领域展示了令人兴奋的新应用场景。但是，金融领域的复杂性和独特的术语，意味着其需要特定的语言模型。作为全球最大的财经资讯公司，彭博社在这方面恰好拥有巨大优势。
在过去40年里，彭博收集了海量的金融市场数据，拥有广泛的金融数据档案，涵盖一系列的主题。使用该公司数据终端的客户遍布全球，包括交易员、投行、美联储、美国其他官方机构以及全球各大央行等。
这些特有数据，使得BloombergGPT比ChatGPT拥有更专业的训练语料。据彭博社发布的报告中可以看出，研究人员利用彭博社现有的数据，对资源进行创建、收集和整理，构建了一个3630亿个标签的数据集，并基于通用和金融业务的场景进行混合模型训练，以支持金融行业内各种各样的自然语言处理（NLP）任务。
除了金融领域，医疗、教育也均有更为垂直的GPT产品涌现。例如，IBM Watson Education推出了一款名为“Teacher Advisor with Watson”的教育GPT，可以为教师提供个性化的教学建议和支持；Kheiron Medical推出的“MIA”医疗GPT，可以为医生提供乳腺癌筛查和诊断支持。
相对于“广而泛”的ChatGPT，垂直GPT的发展优势十分明显。
首先就是成本上，垂直GPT针对特定领域或行业进行优化，只需利用该领域内的专业数据进行训练，避免了ChatGPT那样数据采集的高成本和高难度。
另外对比通用的GPT产品，垂直GPT的训练成本和应用成本更低。由于垂直GPT针对特定领域进行优化，训练数据更加专业化和精细化，可以通过更少的数据和更短的训练时间，获得更好的效果。
而垂直GPT在特定领域的应用效果更好，能够更准确地理解和处理领域内的语言数据，从而减少了后续的人工修正和调整成本。
更低的训练成本、更短的训练时间、更精细的训练内容，能够为企业提供更高效、准确、具有定制性的自然语言处理服务，优化企业的业务流程和数据分析能力，从而为企业带来更多的商业价值和竞争优势，这也使得垂直GPT在商业化上更加出色，资本市场和相关企业也更加看好这一方向。
值得一提的是，更垂直的GPT也意味着企业需要有更专业、更精准、更安全的数据语料，未来企业的竞争点也将围绕专业数据、清洗和标注数据的能力、用户隐私安全三点展开。
不可否认，随着各行各业对自然语言处理技术的需求不断增长，GPT模型被应用到更多的垂直领域中已被提上日程，未来将会看到更多专业的垂直GPT产品出现。
因为与通用GPT的模型存在一定不同，垂直GPT的独特性、定制性在未来也可能促进个人GPT的出现。
个人GPT是指为个人用户提供个性化的自然语言处理服务的GPT模型。个人GPT可以学习用户的语言习惯、兴趣爱好、生活方式等信息，从而为用户提供更加个性化、贴近用户需求的自然语言处理服务。
这看起来非常不可思议，但并非无法实现。
从底层实现逻辑技术来看，GPT的核心是基于Transformer架构，结合预训练模式、多层结构、无监督学习和Fine-tuning微调等特点，通过对输入语料的学习得到进化。也就是说，如果能够在个人PC上实现这些步骤，那么就有构建GPT的可能。
目前市面上已经出现了大量开源大模型、公开语料包，基于这些模型可以快速进行语料训练，而其中的难点无非在于处理数据的能力、以及对训练好的模型进行评估和优化。简单来讲，如果PC上安装了足够优秀的GPU、CPU等核心处理器，完全能够实现个人GPT的训练。
当然，训练个人GPT模型所需的硬件配置取决于许多因素，例如模型的规模、数据集的大小、训练算法和优化器的选择等。
以下是ChatGPT给到的一些通用建议和参考：
需要注意的是，训练个人GPT模型需要极高的计算资源和时间成本，建议使用云计算服务或租用高性能计算资源进行训练，以提高效率和降低成本。同时，还需要选择合适的训练算法、优化器和超参数等，以提高训练效果和准确性。
值得一提的是，前不久王健林独子王思聪再次对家中的“百万服务器”进行新一轮网络改造，有业内人士推测主要目的就是提高服务器算力，以训练个人GPT。
不过如果想要建立高质量的GPT模型，需要大量的高质量训练数据语料，但是除了公开语料包外，个人用户很难获得大规模的高质量训练数据，因此需要花费大量的时间和精力采集和处理数据，这也是个人在搭建GPT时的难点。
还需要注意的是，在个人PC上创建独立的GPT需要大量的计算资源和时间，并且需要具备一定的机器学习和自然语言处理技术知识。除此之外，还需要关注大模型的可扩展性，以及数据隐私和安全问题，确保训练数据和模型的高效性和保密性。
当然，对于普通用户来说，构建训练环境、调用开源大模型、寻找训练语料等等几乎每一步都是一个门槛。但在「科技新知」尝试后发现，除了不能帮助直接购买所需的硬件外，ChatGPT可以协助解决搭建过程中几乎80%的问题。
近期，OpenAI暂停ChatGPT Plus付费服务的消息传得火热，加上前几天部分地区普通账号大面积封号，虽然问题暂时得到解决或缓解，但ChatGPT计算资源供不应求的问题还是浮现出水面。
业内人士统一认为这是因为算力不足导致GPT-4的响应速度变慢，错误答案增加，微软作为ChatGPT的金主，曾大力投入资源提升其算力并承诺继续提升，但现在似乎还不太够。
这也更加突出个人GPT的必要性。另外从底层逻辑来看，个人GPT除了个性化定制、隐私安全性更高、使用更高效外，还有一个更值得关注的优势，就是离线使用。而在「科技新知」看来，离线GPT也是未来发展的一个主要方向。
GPT模型的训练和推理，需要大量的计算资源和存储空间，这使得云端环境成为了主流选择。但是，在一些特定场景下，如边缘计算、无网络环境等，离线GPT模型的需求也并不少。
更为实际的，比如采矿等特殊环境行业，离线GPT可以结合监控系统和数据分析技术，分析矿山环境、工人健康状况等信息，从而实现安全管理和风险预警，减少矿难和事故的发生，保障矿工的生命和财产安全。
通用GPT显然无法实现在有限的存储空间内，给到无限可能的答案。因此，「科技新知」认为“离线+专业”是GPT未来极可能实现的发展方向。
微软刚刚发布了一款代号“贾维斯”的人工智能虚拟助手，它是一个集成了大型语言模型（LLM）和专家模型的框架，用于处理任何模式或领域中的复杂任务。
简单来讲，贾维斯类似AI与AI之间的协作系统，可以通过大型语言模型组织模型之间的合作，来处理任何模式或领域的任务。通过大型语言模型的规划，可以有效地指定任务过程并解决更复杂的问题。
不妨设想一下，将矿业行业的GPT模型与贾维斯结合，再通过机器狗作为运行载体，由贾维斯作为中台，向机器狗传递GPT模型所提供的信息，可以实现一定程度上的自主作业。
具体而言，机器狗可以通过搭载各种传感器、控制器和执行器等设备，收集、处理和执行矿业作业所需要的各种数据和指令。
贾维斯作为中台，可以实时监控机器狗的运行状态、矿产资源的勘探和开采情况等信息，通过离线GPT模型分析和预测矿产资源的位置、规模和开采效率等指标，向机器狗传递智能化的勘探和开采指令，实现对机器狗的自主控制和作业。
客观来讲，这样的模式也可以复刻到高空机器人、医疗机器人等特殊领域中。
不过在这个过程中，也需要解决客观存在的技术难题。而其中最为关键的就是训练中的语料数据存储。
除了训练好的垂直GPT需要占用大量内存外，贾维斯系统也需要处理大量的语音和文本数据，包括语音识别、自然语言处理、知识图谱等任务，以实现语音输入、文本输出、任务执行等功能。如果全部在本地进行训练，则需要大量的计算资源和存储空间，以保证贾维斯系统的准确性和效率。
值得一提的是，贾维斯系统非常强大，但官方给出的电脑最低配置要求是：
也就是说，如果能够解决训练语料的存储问题，或者训练方法有简化突破后，离线GPT甚至离线“贾维斯”也不无可能。
最后，AI的快速发展已经让各行各业感受到了“工具在进步”，甚至一部分人已经喊出“The future has arrived”，但这仍只是个开始，更多的技术创新和应用场景将会不断涌现，好戏还会逐渐上演。
（本文系作者与ChatGPT联合撰写）
作者：苌乐；编辑：伊页
来源公众号：科技新知（ID：kejixinzhi），洞察技术变化背后的产业变迁。
本文由人人都是产品经理合作媒体 @科技新知 授权发布，未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
