北京大学汇丰商学院管理学教授、商业模式研究中心主任、中国企业信息中心主任，“魏朱商业模式理论”创始人魏炜及其合作者以ChatGPT为标志的人工智能为切入点，于《北大金融评论》撰文探讨大模型时代下企业商业模式的选择和判断，分析OpenAI模式的局限性，并针对这些局限性提出未来可能的发展方向，即依托“生成式大模型+辨识型小模型”技术架构形成领域大模型，并由此提出领域大模型的商业模式选择。

文章将刊登于《北大金融评论》第16期。



凯文·凯利在其撰写的《5000天后的世界》一书的开篇中就写到：“在未来的50年里，AI将成为可以与自动化和产业革命相提并论的，不，应该是影响更为深远的趋势。”按照凯文凯利的判断，未来的这个世界被称为“镜像世界”，在这个世界里，将会诞生“新的巨大平台”。他总结归纳得出如下判断：互联网作为第一大平台，将全世界的信息数字化；社交媒体作为第二大平台，解决了人际关系数字化；继两大平台之后，第三大平台也即将全新登场，即镜像世界，将现实世界全部数字化。

我们认同这一判断，也相信人类正在快速地进入AI世界，并因此更加深入去理解以ChatGPT为标志的人工智能带来的一系列的挑战和机遇。在此时此刻，企业和从业者的兴奋和焦虑、期待和失望、绝望和希望同时并存。如何在大模型时代抓住商业机会，构建独特的商业模式使其在大模型浪潮下依旧能披荆斩棘，是每个企业当下都需要思考的重要命题。

大模型时代构建新的力量和财富

自从美国的OpenAI公司发布了ChatGPT之后，通用人工智能（AIGC）达到了发展奇点，这也催生了一系列围绕AIGC的创业热潮。亚马逊首席科学家李沐近日离职，与其导师亚马逊前副总裁Alex Smola一同创业，阿里M6大模型的前带头人杨红霞加入字节人工智能实验室，参与语言生成大模型的研发。阿里VP贾扬清离职创业投身大模型，创新工场董事长兼首席执行官李开复近日宣布将筹组名为“AI2.0”的项目，表示将在全球范围寻找具有 AI大模型、语言生成模型、多模态等领域能力的优秀技术人才和研究员。诸多顶尖行业人才二次创业无不提示AIGC的盛世已在眼前。

人们为什么会如此敏感于大模型带来的变化，并快速投身其中，是源于它会带来新的力量与新的财富，更重要的是产生新的世界格局。想想互联网技术带来的产业与世界的现状，我们可以设想一下，未来的镜像世界中，所有的产业都将再一次被重塑，一方面再一次产生行业的新价值，另一方面加速淘汰落后产能。每个人都将要与智能机器一起生活和工作，并与数百万人一起协同工作，全新的工作方式需要“新人”，也同样有更多的“旧人”被淘汰。世界的格局，也不再是国家与国家相互作用来构建，而需要加上拥有大模型的科技巨头公司，那将是一种前所未有的格局。

寻找大模型时代的商业机会

正如我们感知大模型时代来临是从ChatGPT开始的，那么，要寻找大模型时代的机会，我们同样需要从认识OpenAI模式局限性开始。我们以商业机会作为思考的领域，也因此会关注目前领先的OpenAI公司和其他已知拥有大模型技术的公司的商业模式所存在的局限性，通过研究分析和思考，我们认为，OpenAI公司通过直接向订阅的企业客户和C端用户开放ChatGPT3.5/GPT4通用对话大模型接口来获取收入的商业模式，将会面临三方面的局限。

首先，由于用于专业知识训练的语料不够，ChatGPT在专业领域提供的回答通常过于肤浅，无法提供深入的建议和解答且无法溯源，甚至经常存在难以分辨的事实性错误以及生成质量不稳定、逻辑不连贯、重复或不一致的现象，这会导致回答缺乏可靠性，无法满足专业领域对回答质量的高要求。第二，ChatGPT在专业领域存在隐私漏洞：ChatGPT将提问上传云端，在异地处理并反馈解答。这可能存在用户隐私泄露的危险。同时，ChatGPT将用户的输入作为训练的语料，这也会导致用户的输入信息安全无法得到保证（虽然最近OpenAI已决定不再使用用户数据训练，但此举必将限制OpenAI在专业领域的能力提升）。第三，更为严重的是，由于用户数据与模型产权均被中心化公司所有，这种模式不能最大程度地激励用户在系统里创造新数据和新知识。

ChatGPT的上述问题是由于领域知识图谱的训练预料不足、闭源模式导致用户信息外泄和用户数据的产权被侵占等固有缺陷导致的，这就给企业通过用多年积累的领域知识对大模型进行微调和优化，从而获得本行业的领域大模型提供了窗口机会。

综上所述，现有OpenAI类公司提供的中心化、一体化、闭源的商业模式存在固有的缺陷，难以在各行各业广泛推广应用。

下面，我们将针对这些局限性提出一种未来可能的发展方向，即基于通用大模型和专业知识图谱构建领域大模型，并由此提出领域大模型的商业模式选择。

“生成式大模型+辨识型小模型”技术架构形成领域大模型是出路

正如我们在开篇讨论的那样，随着ChatGPT的横空出世，人们或者因为敏感其带来的机会，或者因为焦虑其带来的颠覆，都在想办法让自己与其发生关联。但是，这是一个从0到1的过程，进入的路径非常多，同时坑也特别多。和之前发生的数字技术背景下生存的芯片、操作系统等领域不一样的地方是，现在没有时间的壁垒，先发者也不会形成累积性的竞争优势，正因为此，其对产业的颠覆也将超乎人们的想象。

在这样的变化特征下，大模型时代的商业模式，需要针对这样的变化特征做出应对，并利用这些变化特征产生新的商业价值机会，因此，需要在现在生成模型的基础上，解决行业知识与时间价值的问题，后者我们发现可以用行业辨识型模型来解决，即必须使用辨识模型来解决生成模型的不足。辨识模型补足的是两个比较重要的方面，一个是业务场景中特有的需求，另一个是结构化知识的生产，类似人类形成长期记忆。长期来讲，两者一定是缺一不可的。

从企业的视角去看，有关企业商业模式的构建，可以确定是一个领域大模型，这一大模型主要由小模型（辨识模型）产生的专业知识图谱、提供通用知识和语言理解与组织能力的大模型（生成模型）两部分组成。小模型的主要功能是基于知识图谱等技术，为大模型提供训练和微调的专业知识，以便生成式大模型进行专业知识的理解。

通用大模型的主要任务是面向客户直接进行语义理解和答案的生成，如闭源的ChatGPT、开源的LLaMA等均属于此类通用模型。我们可以简单介绍一下构建这样一个领域大模型的过程。

第一步是训练基于生成式大模型的自然语言处理模型，其训练主要分为预训练和迭代微调两个步骤。步骤一，预训练阶段，利用海量语料训练生成式大模型，得到大模型的模型文件。步骤二，迭代微调阶段，依据指令提示学习和思维链提示学习对上一步的模型文件进行微调，再通过强化学习的方式，分别进行奖励模型训练和生成策略优化。

第二步是用辨识型小模型生成领域知识图谱。小模型部分本身也是一个针对特定任务的自然语言处理模型，其训练同样分为预训练和微调两个步骤。步骤一，预训练阶段，可以采用BERT、T5等预训练模型。步骤二，微调阶段，利用各种针对不同下游任务的语料对预训练的模型进行特定领域的微调。利用微调后的自然语言处理模型，可以基于语义理解方面的能力，生成特定领域的专业知识图谱。

第三步，分析专业知识图谱，并进一步将从其中得到的专业信息用于大模型部分的增量预训练、微调、校验和溯源，产生具备专业知识能力的领域大模型。

第四步，利用加入了专业知识的领域大模型，实现专业领域的文本解析、报告生成和专业问答，同时也可以解决通用大模型在专业领域的非事实性回答的问题。

不同于行业某些专家认为“不要用知识图谱、它根本不起作用”的观点，我们通过开发实践证明知识图谱，在解决纯生成式大模型(如GPT4)关于事实性问题的缺陷方面不但能发挥关键作用，而且相比于生成式大模型+插件机制的架构（如Bing Chat），经过知识图谱微调、校验和溯源的领域大模型在事实准确率和生成内容的专业性方面有着非常突出的优势。

大模型的共生体和商业模式创新

领域大模型在未来拥有更加丰富的商业化场景，这些场景将形成一个如图1所示的大模型共生体。该共生体拥有以下角色和相应的业务活动环节，包括搭建训练框架、输出模型文件、模型微调、私有模型及其部署、开放API、构建知识图谱知识、构建终端应用和提供训练数据等。进入该共生体的企业可以通过选取不同的业务活动并在其中扮演特定的角色，与共生体中的其他主体交易，由此可以衍生出很多不同的商业模式。