GPT 目前很火热，从大公司到个体，到处都在研究它。
在落地应用上，目前浅层的需求已经被挖掘得差不多，现在到了需要深挖垂直领域的阶段。
要把垂直领域需求转化落地，路径可以归纳成 3 种，其中只有 2 种有前途，里面只有一种是适合我们普通人的。
一
第一种途径，就是自主研发。自己准备垂直领域的相关数据， 训练一个专用的业务模型。这种途径效果最好。当然，门槛也是最高的，因为这需要具备相当程度的技术能力和硬件资源，以及钞能力。
第二种途径，就是基于通用大模型、垂直领域数据向量化，再结合 Prompt 提示工程。这种门槛最低，只要你会一点编程，能对接 OpenAI 这些的大公司的接口，就能进行开发。当然，目前这个方案的效果不如第一种。
第三种途径，则是中间路线。例如 Fine-Tune 大模型，利用模型的开放能力，把业务知识结合进去。这种途径的门槛比自主研发低一些，而效果比通用大模型好一些。
二
三种路径的优劣好坏 ，单纯从技术角度讨论是不会有结论的，不过我们可以从经济的角度出发去分析。
经济领域有这么一个概念，叫杠铃现象和策略。杠铃就是健身那种器材。在投资中，收益往往集中于高风险高收益，和低风险低回报这个两端，中风险中回报反而少，像杠铃一样两头重中间轻。
杠铃现象和策略在产品设计和技术路线也是有效的。三种路径，第一种自主研发，投入高效果好，第二种投入低效果差，第三种在中间地带。
然而，随着时间推移，技术会发展。自主研发因为量产和边际效应，投入会减少，通用大模型会越来越标准化，和向量数据库和 Prompt 工程结合的效果会越来越好。
这两个路径会不断往中间靠，挤占 Fine-Tune 这些中间路线的空间。简单粗暴一点来说，中间路线没前途。
当然，中间路线不会完全被取代和消失这么极端，但肯定不会形成规模，成为主流。
所以，只有自主研发和通用大模型，这两个极端，才是有前途的路径。
三
前面说到，两种有前途的路径里面，只有一种适合我们普通人。很显然，肯定是第二种通用大模型这个路径。
自主研发只 有一定财力的大公司大团队才玩得起。而对于我们普通人，通用大模型也有很多优势。
首先是灵活，你能快速响应需求。
另外，通用大模型会越来越标准化，就像 CPU、GPU 一样。我们可以专注在向量化、Prompt 这些真正沉淀和体现我们的垂直领域知识的地方，和模型会越来越解耦。
所以，放心搞通用大模型路线就好。
