这种与人高强度交互的AI智能，只要它的能力提升了一点，人们就很难继续回去接受性能更差的版本了。
就如同分辨率一般，大家看惯了高清之后，是没法接受模糊的480p的。
一旦输掉了大模型的军备竞赛，绝大部分用户都会被顶部的巨头虹吸走。
而想要取得ChatGPT这样的成功，其实技术层面的占比就不是特别大了。
GPT和GPT2都是论文代码都开源的技术，只不过当时BERT类的，将语言任务具体分为几个分支的技术方式更加的火爆。
因而GPT系列这样专注语言生成的技术，则一直被忽视。
GPT3，，在默默无闻的情况下持续迭代新的技术，这在华国的互联网氛围内是非常困难的事情。
曾经辗转过燕京尚海2-3个大厂的孟繁岐，深知这些互联网大厂的尿性。
只要稍稍看到一些技术的突破和成果，所有的人都在问一个问题，“到底怎么才能把它变成钱？”
过分无意义的内卷和竞争，导致996的大厂们很难去接受一个需要迭代几年以求一鸣惊人的大突破。
而这个方向的技术，又恰恰是高校基本上无法负担得起的。
孟繁岐从来不是崇洋媚外，厉外垃同的人。但他纵观AI的发展史，也不得不承认，围棋的AlphaGO，蛋白质的AlphaFold，乃至突破性的大模型，ChatGPT。
却始终没有一个是华国出品。
难道是华国人不够聪明吗？当然不是。
去翻阅一篇篇顶尖的AI论文，很容易就可以发现很多明显一眼就是华国人的名字。
可越到开创性，突破性的工作，这些华国人的机构就总是国外的院校和研究院。
这才是孟繁岐即便借助重生的优势，也不得不选择去硅谷发展的原因。
想要在国内的大厂，打好坚实的研究基础，所要付出的努力，需要承担的压力都实在太大了。
模型的设计，理念的提出，只在早期可以起到如此显著的效果。
越到后面，其实高质量的数据会起到更加关键的作用。
“所以你基本上完全否定了小模型的价值？”李彦弘对这个观点，不敢苟同。“在我看来，小模型和移动端模型与智能，是有非常广大的市场和前景的。”
“这取决于具体的应用场景，终端的智能究竟做什么用途，是否可以稳定联网。如果只是最简单的图像分类和检测，又在无法稳定联网的情况下，当然还是具有一定的价值。”
“比如自动驾驶场景。”孟繁岐补充道，“我怎么会否定小模型的价值呢，作为研究算法的程序员，我相当关注具体模型和技术的精确度和运行时间。”
孟繁岐从包中掏出了几张检测算法的实验记录表格，“李总，你可以看看我过去几个月的实验结果。我是在十分了解小模型加速优化的情况下做出的判断，而跟您谈合作，我也不是只靠着一个竞赛的冠军。”
IMAGENET竞赛才刚刚结束没多久，生成式对抗网络这么爆炸的创意，论文也刚刚发布出来，这小子竟然还有时间和精力去搞其他的研究？图像的检测算法？
不得不承认，李彦弘被震惊了，但很快他就发现自己还震惊早了。
这特么是什么恐怖的结果？在检测准确度有质的飞跃的同时，模型的运行推理速度竟然是现在顶尖算法的一百多倍？？