未来的杀手级AI应用正在扣子上匿名PK

　　摊开全球画卷，OpenAI依旧在通用大模型领域一骑绝尘，但整个生态百花齐放——有擅长长文本的Claude、开源王者Llama、开源新秀Mistral、画图王者Midjourny……

　　到底什么才是评估大模型的第一要义？参数、规模、价格、榜单排名？似乎都还不够，或许只有能脚踏实地在人们的生活和工作里用上大模型，并且够稳定、不出错，才是千千万万企业和用户最为关心的话题。

　　现在，打开字节跳动旗下的AI“扣子”平台，就能看到成百上千的bot，正在参与一场火热PK。

　　从2024年2月1日上线以来，扣子已经接入了多个国内知名大语言模型，包括豆包、通义千问、智谱、MiniMax、Moonshot、Baichuan等等——宛如琳琅满目的大模型“货架”，无论是哪家大模型，小中大尺寸，应有尽有。

　　无论是学英语、编程、写文案，算命，民间高人们在这些模型上开发出来的应用，能够说是五花八门。但到底怎么样才能在这些场景用得最好？

　　如果你是一位小红书博主，就可以直接打开扣子里的小红书文案生成器，搭载两个不同的大模型，实时测试比对。

　　两个Bot都使用了同样的Prompt和插件，但无论是响应速度还是返回的内容，在实时测试里，效果对比一目了然。

　　如同游戏一样，扣子模型广场提供了多种有趣的玩法，包括指定Bot对战、随机Bot对战、纯模型对战。

　　比如，在随机对战中，系统就会随机选择一个Bot，进行模型对战。这适用于评测模型在任意业务场景下的文本生成、技能和知识调用等能力——PK的两个模型都是匿名的，基于 Bot 的Prompt、工作流、知识库等能力配置，回答用户的问题。

　　PK则过程完全向用户公开。前来观光的用户，能够最终靠模型对战与两个隐藏了模型的Bot实时对话，并根据模型的回答做投票。投票结束后，广场才会揭秘具体的模型。

　　PK也不只是纯看用户投票。结果公示后，用户则可以展开结果页面，查看两个模型的详细配置，包括生成多样性、生成随机性等配置参数。

　　从2022年年底ChatGPT爆火，到如今Sora、Midjourney等多模态模型的成果震撼人心，到现在的扣子模型广场的推出，无疑是大模型生态日渐成熟后，向应用层的“上探”——人们不再讨论数字，而是开始考虑是不是可用。纵观整个AI领域的发展脉络，这也是大模型新技术走向To C化的重要一步。

　　回溯人类科技史，大概很少有技术像大模型一样，以狂风骤雨般的速度让全社会都形成共识：这是一项能够切实提升生产力，改变未来的新技术。

　　从ChatGPT背后搭载的GPT-3.5，到GPT-4和最新的GPT-4o，过去两年中里的通用大模型经历了过山车一般的发展速度。大模型、芯片厂商还在共同大炼模型，试图探索Scaling Law（缩放定律，逐步扩大参数规模和数据量，能得到更强的模型能力）的极限。仅仅以参数量来衡量，GPT-3.5参数量是1760亿，这还是一个闭源模型；到了今年，人们所能用到的最先进开源模型Llama 3，参数量就已超越4000亿。

　　更大的参数、数据量，就像土壤，是模型能力的基础，但土壤上能够长出什么样的应用——是苔藓还是参天大树，考验的是模型“有多聪明”。

　　动辄数千亿参数的模型可以展现技术前沿，如今的模型创新者们正在努力把模型做小。这相当于将模型“蒸馏”，让更小的模型能够拥有更强大的性能。2023年9月发布的Mistral 7B（70亿参数）就是小模型派的代表，能够打败130亿参数的Llama 2模型。

　　到了2024年，“小模型”的趋势更加势不可挡。Meta旗下的Llama 3发布后，旗下80亿模型（8B）的性能，就比上一代的Llama 2 700亿参数模型还要强，因此在文本、数学、编程方面的能力大大增强。

　　究其原因，这是由于Llama 3“学习”的数据密度足够丰富——用了 15 万亿 Token 的训练数据，这比Google旗下的Gemini同等模型多学了一倍还不止。

　　但尽管如此，一个现实是，现在的大模型依旧面临着“隔岸观火”的尴尬境地：在开发者圈内，模型进展日新月异，性能更强，用例也越来炫目；但在对岸，则是“看在眼里急在心里”，困惑于如何用上大模型的普通用户。

　　实际上，大模型离人们的工作和日常生活的距离还很远。数据就有所印证——MIT的一项研究显示，但就计算机视觉（CV）这样的领域来看，今天能够自动化的工作，占美国经济中占工人薪酬1.6%的任务（不包括农业），但只有23%的薪酬任务（占整个经济的0.4%）按自动化是更划算的。AI如今在人类工作流中所占据的比例，还非常小。

　　对普通的C端用户来说，AI应用更多是一个“一轮游”的存在。过去两年中火爆的AI应用，很多迎来大批试用、试玩的用户之后，真正留下的日活、周活用户寥寥无几。真正核心受众，停留在专业开发者、垂直领域的专业技术人员（如设计师、运营、写手等等）。

　　一方面，这是由于底层的通用大模型能力还要一直提升，如今的模型还有幻觉等等可控性问题，都未得到很好地解决；此外，模型的记忆能力还处在比较小的阶段，还没办法真正做到记住用户的喜好、习惯等等，更复杂的交互也无从谈起。

　　这导致如今的各类AI应用能落地的地方，集中在容错率较高的创作类场景中，如写文案、画画、对话等等，或是基于语言大模型的简单游戏。

　　更重要的是，交互层面的门槛尚处在高位——和大模型对话，对话深度有限，还需要用户研究怎么写Prompt（提示词），数据训练也有不小的理解门槛。企业端用户想要用上大模型，更是想要跨越选型、微调等工作。

　　所以，真正到了辅助决策类——企业核心工作流中，大模型其实还没办法达到可用状态。比如，根据数据分析厂商“九章数据”的统计，在数据分析场景里，用大模型生成SQL（结构化查询语言，一种数据库的核心语言）准确性约在70%左右，但剩下的30%，还需要专家人工手动检查，这就失去了以AI提升效率的意义。

　　大模型和用户侧，现在就如同渐近线一般，需要找到能够在技术和场景上相匹配之处，让用户真正“用起来”。在刚结束不久的“AI届春晚”智源大会上，智源研究院院长王仲远就表示：“国产大模型慢慢的开始无限接近 GPT-4，这在某种程度上预示着基础模型已达到可用的状态，但当它达到可用状态开始赋能千行百业，进入各行各个垂直领域，还需要找到更好的产业生态和合作模式。”

　　很多人会将大模型的爆火，比作如同移动网络那样的历史机遇。这样瞬间可唤醒很多人的记忆——如今层出不穷的AI应用，就和移动网络时期的App混战，如出一辙。

　　如果参照历史规律，从个人电脑带来的PC互联网时代，再到移动互联网时代，每一次技术革新后到大量应用出现，几乎都需要经过2-3年以上的时间——2007年，苹果推出iPhone 1，定义了移动互联网时期的交互形式，直到两年后，Uber、Whatsapp、Instagram等产品才依次出现，成为席卷全球的应用。

　　这期间发生了什么？底层的技术变革接着来进行，不断让成本下降到可以商用的水平，大量应用创新才得以出现。这会促进倒逼基础设施的变革——云计算、大数据等行业，正是由于大量移动终端增加，人们在线时长也在不断增加。

　　伴随着大模型技术革新，应用创新已渐有燎原之势。2023年，GPT-4发布后，OpenAI随即在11月上线GPTs商店，开发者用简单的套壳，就可以马上做出各式各样的应用，短短两个月内，办公、设计、生活、教育、科研、编程等所有的领域超过300万个GPTs，如同雨后春笋般出现。

　　而前不久的WWDC大会上，苹果正式官宣与OpenAI的合作——将把ChatGPT集成到iPhone、iPad和Mac设备中——宛如当年的App Store重现。

　　据Gartner技术成熟度曲线显示，现在，大模型领域的生成式AI（Generative AI）和基础模型（Foundation Models）都处于膨胀的巅峰期，再往下走，就是应用爆发时期。

　　不过，但中间还有许多工作需要完成。大模型技术浪潮爆发后，从底层的芯片、中间层的Infra架构等等，都在密集而迅速地进行一轮变革：GPU芯片需要加强推理效率，而软件中间层则需要承接大模型的大规模推理和应用需求，在算法层面降低调用成本。

　　AI的难，在于大模型本身的技术复杂性上，而在终端设备、大模型等“平台级”基础设施和前端应用之间，如今会更需要“送水人”的力量——“扣子”等AI应用开发平台，现在担当的就是这样一种角色，让大模型的能力顺利输送到使用场景之中。

　　比如，对于一位0编程经验的用户来说，现在开发AI应用几乎已无难度——和“扣子”进行交互，短到仅需要一句话即可。

　　至于用什么模型、怎么样去使用模型，也无需了解艰深的专业名词才懂得模型的性能几何。“扣子”的Home Bot就像一位手把手带你的老师，怎么样去使用模型、平台上有什么现成的Bot能够正常的使用，扣子都能给出相应的建议。

　　再到开发过程中，“扣子”现在就已经像是一个开箱即用的工作台一样，给用户更好的提供了丰富的组件选择——插件、工作流、图像流、触发器等等。如此一来，用户开发的，就再也不局限于简单的套壳应用，而可以通过联动api、封装好的模块等等，完成复杂任务的执行。

　　从去年年底上线以来，“扣子”平台上就已经有不少有趣的用例。比如，一位汽车发烧友，为了解答身边诸多好友的选车问题，就使用“扣子”的工作流功能，添加了 5 个节点，最后实现按照每个用户需求搜索车型、对比参数，到最终输出图文并茂的购车建议。

　　在5月15日的火山引擎FORCE原动力大会上，曾经展示过一个案例，一位五年级学生开发出了一个名为“青蛙外教”的智能体，并且已经将其分享给了同学朋友们一起使用。

　　从某种意义上来说，“扣子”等AI应用开发平台的最重要意义，就是将原来AI应用覆盖的开发者群体，向外延展到所有主流用户当中。在大模型本身还没有办法解决端到端的问题时，发动所有人的力量来开发各式各样的应用，才能让大模型生态加速发展。

　　而“模型广场”这样的PK形式，更是向市场发出了宝贵的信号：对于大模型这类更强调“因地制宜”，擅长解决智力密集型需求的技术而言，盲目刷榜、比拼参数已无意义。模型厂商和开发者，都应当将注意力放到一个个的应用场景中——设身处地地了解用户反馈，才可能真正找到这一阶段的PMF（Product Market Fit）。

　　如果将国内大模型火热的这两年，划分出演进的历程：前半程，所有人焦急于大模型何时可以赶上GPT-3.5，而从2023年下半年开始，话题陡然转变成了：超级应用何时到来？

　　这种讨论在2024年上半年达到顶峰。市场分化出两种截然不同的态度——不少开发者相信，随着模型规模扩大、智能水平提升，应用能力就自然会发展出来，因此就需要集中精力、资源投入到底层大模型中；而另一面则更现实主义——做大模型过于昂贵，试错成本太高。有投资人觉得，最好的方式是“见好就收”，寻找马上就能商业化的场景。

　　近期，大模型圈内的不少动作，正在加速AI应用的落地进程。就在5月，大模型领域刚刚迎来一次一样的降价潮——包括智谱、Deepseek、豆包、阿里、腾讯、讯飞在内的主流大模型厂商，都宣布了一轮模型降价。

　　就以字节旗下的火山引擎为例，5月，豆包大模型矩阵集体降价。现在，豆包主力模型在企业市场的定价就降至0.0008元/1000 Tokens，比行业价格降低99.3%。相当于，用户用1块钱，就能处理3本《三国演义》。

　　将模型价格打到地板价，固然有市场之间的竞争考虑，但更核心的着眼点，其实还是扩大开发者群体——开发AI应用的试错成本过高，导致长期以来，真正尝试做AI应用的人群太少。但在模型降价后，开发一个模型可能只需要百元、千元级别。以往对AI应用的开发顾虑，已不再是问题。

　　反过来说，AI应用供给增加，受众扩大，也会反哺到模型的开发当中。“用户规模的扩大，也将提升大模型的性能。”火山引擎总裁谭待表示。大的模型使用量，才能打磨出好模型，也能大幅度降低模型推理的单位成本。

　　类似的“好信号”还有不少。进入2024年，多模态模型的进展同样令人欣喜——无论是国外的Sora、GPT-4o、还是近期国内Dreamina、可灵等多模态模型爆火，都彻底点燃了用户对视频、图像领域应用的兴趣。破圈的AI换脸、AI翻译、虚拟人跳舞等玩法慢慢的变多。这背后，不能离开多模态的技术突破、模型推理成本的降低，以及中间层的逐步完善。

　　相对应的，现在的“扣子”平台也已经匹配上AI技术普及的脚步。在近期的更新中，扣子就慢慢的开始支持存储重要内容为关键变量、数据库——相当于给Bot外挂了一个记忆模块。而在交互体验上，“扣子”也支持配置开场白、用户问题建议、快捷指令、背景图、语音等等，还支持卡片格式输出形式。

　　简单来说，若用户现在想要开发一个能翻译、像真人一样讲话的虚拟人，操作也已经很简单——在扣子上选择正真适合的通用大模型，就可以简单训练出一个会说话，而且交互非常真实的AI助手。并且，“扣子”可以将构建的 Bot 直接发布到飞书和微信等平台，无缝嵌入到各类生产力工具中。

　　可以预见的是，随着AI应用落地门槛逐步降低，新一轮市场竞赛会迅速开始。这将让市场跨过这一段尴尬的“应用真空期”——只有真正让AI切实地融入人人可感知、可使用的产品之中，才可能消弭许多焦虑、矛盾，或是令人不安的未知状态。