跟随科技圈“潮流”，微软宣布将于2023年3月底之前在全球裁员1万人，约占员工总数的5%。这次裁员规模之大，被微软视为应对宏观经济状况和客户优先事项变化的措施。但这种做法似乎不影响这家企业有足够的资金对OpenAI进行新一轮投资。

据外媒Semafor报道，微软将以100亿美元投资OpenAI，并且将获得OpenAI 75%的利润份额，直到收回投资资金，之后微软将持有OpenAI 49%的股份。

投资OpenAI，其源动力是ChatGPT带来的一系列业内反响，ChatGPT一方面正为微软补强其在搜索领域的壁垒，另一方面也为自身在通用型AI和NLP领域塑造商业化能力，而这原本是一个由谷歌AI主导的大市场。

ChatGPT于2022年11月30日面向客户端进行发布，两个月后，该模型驱动的工具平台月活用户估计已达1亿。近日，ChatGPT还宣布了Plus增值版，每月收费20美元，面向更多有需要的企业和学生提供会员服务。摩根士丹利的一份报告正研究ChatGPT是否对谷歌构成威胁，“该语言模型可能会占据一定市场份额，并且破坏谷歌作为互联网用户入口的地位。”

深受深度学习的影响，NLP领域近年来的科研成果是可见的，也解锁了很多新的应用场景，但仍然没有迎来关键的商业化破局。而OpenAI与微软土财主的这次合力“氪金”，显然激起了新一轮NLP技术企业的集体焦虑。

从技术原理解释，ChatGPT是由微调后的GPT3.5模型提供。与早期的ELMO，谷歌的BERT、ALBERT，百度的ERNIE，达摩院的M6一样，它们均为NLP预训练大模型的典型代表。这意味着像知识检索、人机交互、语言翻译、文学创作这些活儿，预训练模型好像都能干。

但不同的是，ChatGPT这次还提供了客户端界面，用户可直接通过客户端基于模型训练出的“机器人”进行交互，并且实现WebUI免费版。这种做法也让许多C端用户可以迅速调用ChatGPT，如构思小说框架、写论文、辅助课程设计、为程序debug等操作花样百出。

在GPT3.5之前，OpenAI已经连续发布三个版本的GPT模型，尤其以GPT-3最为著名。在此期间，GPT模型就开始疯狂通过增加可训练参数、增加训练样本等方式进行改进。但暴力拆解方式下，GPT-3依然会经常产生错误，曾有专家指出，“如果没有大量复杂的工程调试，GPT-3还无法真正投入使用。”

另一方面，GPT-3，其参数量就已经达到1750亿，并使用了45TB的训练样本。这意味着当AI任务训练效果提升的同时，也对模型训练成本和时间带来了巨大挑战。业内有人曾估计仅训练GPT-3模型就需要1200万美元，如果用一块非常先进的英伟达GPU训练GPT-3，大概需要100年。

在Transformer思潮的推动下，语言模型进入“巨量”时代，大模型已经在产业界带来了一系列连锁变化。而NLP领域又并非是一个独立的技术范畴，依然需要有底层算力、大数据、知识图谱、迁移学习等核心技术的支撑。

如果GPT按照以往的发展逻辑，将会逐渐通过开源方式让科研与工程界共享技术红利。但在商业世界，绝非如此简单。

2019年，在联合创始人马斯克转身离开后，OpenAI宣布重组，成为有利润上限的盈利机构，股东的投资回报被限制为不超过原始投资金额的100倍。同年7月，微软以10亿美元注资，并获得了OpenAI GPT-3的独家授权，而OpenAI则可借助微软的Azure云服务平台解决商业化问题，缓解高昂的成本压力。

过去几年，OpenAI与微软的合作节奏逐渐加快。2021年，OpenAI与代码托管平台Github（被微软收购）合作推出Copilot AI智能代码生成平台，可将文字语言提示词转化为代码，目前是为了提升开发者编码效率。

2022年，OpenAI先后推出图像生成器DALL-E 2和文本生成器ChatGPT，微软也迅速将其整合到自身产品套件，如搜索引擎Bing、Office办公全家桶、会议视频产品Teams Premium均已经计划应用ChatGPT。

而如今，微软不仅希望进行新一轮百亿美金投资，还表示将在Azure云平台中整合ChatGPT，实现Azure OpenAI服务全面上市，通过该服务可访问OpenAI开发的AI模型，届时微软的每个产品都将具备相同的AI能力。

与OpenAI的合作，成为微软到迄今为止在AI领域一笔成功的买卖，对微软在搜索引擎、办公、会议视频，以及云市场引发了强烈冲击，而这也让外界“期待”有望在2023年发布的GPT-4。

据外媒CNBC爆料，谷歌最近正在加快研发一个名为“学徒巴德”（Apprentice Bard）的聊天机器人，其基于LaMDA语言模型。显然，谷歌于去年12月针对ChatGPT的“红色警报”已经拉响。而除了LaMDA之外，谷歌也已经计划将图像生成模型Imagen对抗OpenAI的DALL·E 2。

而据百度披露，今年1月初，百度搜索将升级“生成式搜索”能力，基于百度自研的生成式模型能力，为用户开放式的搜索提问或定制化的信息需求“创作答案”。此外据路透社报道，百度曾计划于3月将该服务作为独立应用推出，再逐步将其集成到搜索引擎中。

无论在当下关注度较为集中的搜索领域，还是其他潜在领域，受ChatGPT的强烈刺激，包括谷歌、百度在内的AI主力梯队已经快速跟进起来。不过，源自GPT本身涉及的伦理问题与技术难点依然存在。

如Stack Overflow已经宣布禁止将ChatGPT所产生的问题用于回答社区问题，并给出违规者最多可被封禁30天的惩戒措施。当不少大学生开始用ChatGPT写作业，纽约大学等高校的教授及学者们也发出警告，将AI视为作弊行为。

在技术层面，GPT-3曾经会犯的错误，在ChatGPT上也并未解决掉，如只能计算精通十以内的加减法，甚至还会“一本正经地胡说八道”。这与ChatGPT的训练语料库有一定关系，其喂养的数据还是来自2021年前来自互联网的数十亿个文本示例。例如在专业知识领域或者信息更新快的IT领域，模型训练任务和训练效果往往会受其制约。

而在训练成本上，小冰公司CEO李笛此前表达，“ChatGPT主要是研究性质上的突破。它有非常好的创新，即证明了在原有的大模型基础之上，进行一些新的训练方法，可以更好地提高对话质量。但如果小冰用ChatGPT的方式来运行系统，现在小冰每天承载的交互量就需要花近3亿人民币的对话成本，即使ChatGPT可以把成本优化到现在的10%，也赚不回来。”

据外媒披露，微软此前的融资就以现金 Azure云算力的方式作为兑付，模型训练最消耗的也恰恰是算力成本。这也难怪分析机构预测，ChatGPT使用量的快速增长可能使英伟达在12个月内销售额达到30亿至110亿美元。长期来看，这也将是微软应对算力高投入与ChatGPT高增长可预见收益下的一种对冲策略。

其实，ChatGPT出现之前，基本国内大的AI玩家就已经在涉足构建出类似于GPT、但主要基于中文语料库的预训练大模型。大模型在落地过程中呈现出了与以往模型不同的技术特征，也带来了更好的智能化水平。

“但是大模型想要在某个方向上训练得更好，智能化水平更高，需要在具体落地场景引入额外的领域知识，才能解决实际问题。AI大模型有其自身特点，训练时使用的数据集主要来自互联网，在通用知识和领域知识的分布上存在不均，会影响其在具体行业的应用。”浪潮信息AI软件研发总监吴韶华对钛媒体App表示。

对于更多的创业公司而言，大模型做微调或二次开发的方式，且不说仍需要大量算力的支持，在实际场景中，能不能等到成熟落地也需要时间成本。

在ChatGPT之后，势必会有更多的AI团队试图给出算法更加精准、训练成本更低、对于用户而言调取更方便的模型，它可能依然会结合Transformer，也可能运用新的机器学习方法，提出对语言翻译、文本生成、甚至情感分析等NLP通用场景下的解决思路。

尤其对于中国的AI团队，也会在ChatGPT的这场狂欢中继续回答一个老问题：当技术的风口再次来了，如何避免走过去商业目标不清晰的老路？（本文首发钛媒体APP 作者 | 杨丽）