对于企业来说，直接使用开源大模型和使用国内大厂收费的大模型主要有以下区别：
数据方面：
商业化落地方面：
其他方面：
接下来，让我们把目光转向数据这个同样关键的要素。在人工智能的世界里，数据就像是原油，而高质量的数据则是精炼后的汽油。虽然OpenAI训练大模型所用的中文数据也源自中国的互联网平台，但他们在数据处理上的额外努力，就像是将粗糙的原石打磨成璀璨的钻石。这种数据质量的提升，远非简单的数据标注工作所能企及，而是需要一支专业团队进行深度的数据清洗和精细整理。然而，在中国的AI创业生态中，高质量的数据处理服务就像是稀缺资源。在国内，数据获取的门槛相对较低，这看似是一个优势。然而，虽然数据获取容易，但高质量数据的获取却是另一回事。国内的大模型主要以中文数据为基础，这看似是一个自然的选择。但业内普遍认为中文互联网数据的质量相对较低。这种情况让人想起了信息论中的"垃圾进，垃圾出"原理。如果输入的数据质量不高，那么即使有最先进的算法，输出的结果也难以令人满意。这个现象在IT从业者的日常工作中得到了印证。当需要搜索专业信息时，他们往往会首选Google、arXiv或Bing等国际平台，而不是国内的搜索引擎。那么，可能有人会想：“那我买点优质数据不就完了吗？”但对于许多公司，尤其是初创企业来说，这笔投入看似是一个风险过高的赌注。更不要考虑到找到一个好的数据供应商是万里挑一的概率了。这个风险，创业公司很难担的起。如果大规模投入后，模型效果不如预期，那么这笔投资就像是泥牛入海。因此，许多公司选择了一条看似更安全的路径：直接使用开源数据进行训练，然后匆忙召开发布会。更有意思的是，在国内的AI领域，这份"黄金"似乎变成了一个难解的谜题。正如一位大厂AI线的负责人所言，"在中国，你能拿到的数据，别人也能拿到。"
朱啸虎：第一，要有垂直行业数据，大模型公司很难自己获取。第二，要能实现数据闭环，用以持续提升自己的垂直模型。第三，要能持续保持和客户的连接，因为大厂不可能自己去一个个磕客户。这三点特别重要。也就是说，在原有业务基础上加AI是最靠谱的，也比较容易；但先有AI模型或产品，在上面加东西是很难的。Q:国内创业者或者大厂，他们是怎么考虑这件事的？朱啸虎：我们一直在聊，大厂确实也在关心自己的边界在哪里。有些大厂还比较好，它不想抢太多创业公司的机会。但我觉得不管中国还是美国（的创业公司），靠别人的怜悯那是不现实的，你必须对客户、大厂都有自己的价值，才能真正找到自己的根据地。Q:你觉得现在国内大模型的商业化落地进展怎么样？大家处在一个什么样的阶段？朱啸虎：现在都在拿着锤子找钉子。说实话到今年年底，我觉得头部的几个大模型都基本能做到3.5水平，明年11月有希望到4。但OpenAI的GPT-4出来以后，它真正能够落地的商业化场景（在美国）也是很有限的，类比中国，应该也差不多。
事实上，无论是直接使用开源大模型还是拼装大模型，只要符合相关规范，都是可以接受的。在商业化落地时，客户往往更关注实用性而非原创性，有时甚至会因为成本较低而更倾向于选择非原创技术。可问题在于，即使是拼装和套壳，许多公司仍不断强调自己是原创的。为了证明这一点，他们不断进行调整和修改，这反而影响了大模型的迭代能力，逐渐陷入内耗、刷榜和作假的境地。