AI大模型越来越强，为何仍未出现"超级应用"？
随着二季度财务数据公布，微软股价盘后大跌7%，延续6月底以来的一波调整。作为OpenAI重要的合作伙伴，微软二季度资本支出（包括融资租赁）同比大增77.6%至190亿美元，较上一季度的140亿美元显著攀升，也使得微软2024财年年度资本支出突破500亿美元大关。如此"烧钱"，却没有得到符合预期的快速回报，成为华尔街用脚投票的诱因之一。
"虽然AI大模型在不断加强，效果在不断提升，但现在C端（消费者侧）还没有出现真正意义上的超级应用；"，大洋彼岸的曹鹏表示，"反而在B端（产业侧），很多场景里能够提升效率的AI大模型应用在不断涌现，这是一个非常明显的趋势。"
原因何在？
曹鹏对观察者网表示，目前来看，B端应用更容易量化AI大模型带来的价值。人们有很多办法可以测算AI大模型产品带来的ROI（投资回报率），不管是投放广告的转化和回报，还是AI编写代码带来的人力节省，这些东西都很容易衡量。因此在产业侧场景中，人们比较容易在单个点上进行尝试，用大模型产生效果。
太原某产业园区一景新华社
相比之下，可能在很多时候，C端的大模型应用更难以被简单量化。而且，人们对一个产品的预期是有阈值的--产品突破这个阈值之后，可能才有比较高速的增长。比如Open AI，它刚开始推出GPT的时候，很快超过了C端用户的认知，Chat GPT也因此成为用户破亿最快的C端产品--但此后，人们的阈值也被提高了。
除了"效果不达预期"，商业模式可能也影响了C端现象级大模型应用的出现，一些传统的商业模式，在AI时代可能不再成立了。
当前，通用大模型的训练，超大规模算力集群是基础，需要高达数万张GPU卡。但面向具体业务场景时，通用大模型并不能完全满足所有需求。
何晓冬指出，如果只是简单地提升模型规模，那么可能很快达到发展的天花板，导致大模型所产生的经济效益不足以支撑其成本，从而难以持续；其次，目前大模型的商业化步伐落后于模型的规模增长，从中长期来看终究会成为一个问题；最后，现在很多大模型的"幻觉率"依然比较高，不能为后续的产业应用提供坚实的保障。
虽然都叫AI"大模型"，但大模型事实上通常可以分为三类：通用底座大模型，领域专用大模型和长尾的场景大模型。通用大模型提供的是一种基础能力，是九年义务教育，而非专业的工作技能和知识。只有和一个个具体的产业相互碰撞融合，它才能变成生产力并解决实际问题--中国正是世界上产业体系最健全，数据最丰富的国家。
不过，曹鹏也指出，中国大模型有一些值得重视的问题。比如中国市场的投资机制和体系，可能对那些长期的、长效的项目不够友好，特别是对那些基础类的、需要长期投入的研究项目。
