作者：中联科创特约嘉宾尹智

天下计算大势，分久必合，合久必分，GPT等大模型这波，是AI计算的大"合"，并潜藏有"分" 的势头—— GPT目前的模式，很有点象当年的大型机时代，OPENAI的那些大模型，就如同那时的巨大而繁杂的主机系统，对外是一个幽深的黑盒，用户只能通过网络共享这个神秘"大脑"。只不过当时用户是通过局域网使用基于字符的终端设备，而今天大家是通过互联网用图形界面。GPT就是今日世界的大型机系统，我们无法触及其内核，只能通过各类API集成框架，Plugin插件，向量数据库等等来使用并提升其能力，一如当年的大型套装软件系统，架构繁重，升级迭代慢，为了适应市场应用，只能推出各类外挂接口工具甚至开发平台；今天的各种让GPT更好地理解用户意图的"提示词工程"，和当年的基于字符的操作系统指令何其神似！而把开源大模型私有化部署到个人设备的努力（谷歌PLAM2的最小版本，都可以直接部署到手机里），又跟大主机时代后的个人电脑PC的发展有异曲同工之处。PC崛起的理念，就是"计算能力"，不应该掌握在几个大巨头手里，而应该"民主"式地分布给到每个人，我们今天人手至少一部电脑/手机，而不是一个只能联网接收数据的显示屏（这种模式在云时代一直有尝试），就是拜IT能力的"分"模式所赐。

云计算是又一次"计算"的集中，因为我们发现IT资源迭代周期越来越短，折旧速度越来越快，这样自己拥有和运维资产看起来就不如租用资源。"计算"这件事，在云计算这里，就成了"服务"，而不是"基础设施"；对应的投资，也就从"资本性投入"，变成了"运营成本"。我讲过很多次，这种"服务"模式，从集中式电厂出现时，就已然成了一种资源获取的重要思路，云服务不过是另一种电力服务。当一类资源建设成本较大，或者技术门槛较高时，云服务就有了空间，目前的GPT的AI服务，就是这么一类情况，哪有几家承担得起成千上万高端GPU，一次上千万美元的训练费用？而当技术资源获取的门槛，因为工艺成熟等原因降下来后，市场上倾向于用分布式部署方式来构建资源的声音又会变大。公有云到私有云，就是这样一个过程。开源大模型的"瘦身"和私有化定制，就会类似把大模型计算，从OPENAI，谷歌微软的公有云中心，拉到一个个企业组织的私有云上，并专注学习和处理各自的私域数据。—— 仅代表尹智个人观点 Ken's personal view only