大模型从出现以来，其巨大的成本问题一直都是压在很多企业头上的一座山；但大模型作为一项基础设施，理论上应该和现有的基础设施相结合，比如说云计算平台。
根据云计算的思想，除了实现快速部署迁移以及庞大的网络洪峰之外；其次最重要的一点就是提升资源的利用率；比如对很多公司来说，流量洪峰主要都集中在某些时间段，大部分时间的流量都比较平稳。
因此，如果按照最高峰值部署服务器，那么就会造成巨大的浪费；因此，云计算的用武之地就出现了；因为云计算快速动态扩/缩容的机制，导致其能够更好地利用空闲资源。
云上的大模型
大模型由于其巨大的体量，以及参数和数据；对一家企业来说，要想设计训练出一个属于自己的模型，就需要购买大量的算力资源——也就是GPU。
但GPU的价格问题使得企业面临着巨大的成本压力；因此，购买或租用别人的算力，就成了一个比较好的选择。在需要算力的时候就租用别人的算力，再不需要的时候就可以把算力给释放掉；这样既节省了成本，也提升了资源的利用率。
而由于云计算的诸多特性，比如快速扩容，集群，调度等等；使得把大模型搬到云上就是一个很好的选择。
欢迎加入自动驾驶实战群
今天在看腾讯云平台的时候，发现其提供了大量与大模型训练，微调，部署相关的功能；其不但提供了算力支持，同时还封装了很多与大模型训练，微调，部署相关的工具包，加速器等工具。
其上不但可以部署自定义的大模型，而且其官方还提供了大量的预制基础模型镜像；用户可以通过这些镜像做上层的训练与部署开发。
如上图所示，这种功能大大降低了大模型的训练和微调成本；不但是资金成本，同样还包括技术成本；因为其封装了大量的基础功能，只需要通过简单的命令或API以及SDK集成即可使用。
这种方式，不但降低了企业的使用成本，对于对大模型技术感兴趣的个人技术人员，或者学习大模型技术的人；也同样让他们有机会设计和训练部署属于自己的大模型。
当然，提供这种云上大模型服务的企业不仅仅腾讯一家；国内还包括阿里，华为等多家云服务商；而国外包括微软，谷歌等都提供了类型的功能模块，方便大家使用。
因此，特别是对一些大模型应用领域的创业者来说，这种云上模型解决了底层模型的很多问题，节省了大量的时间；使得创业者可以专注于自己的产品和功能实现；而不用把大量的时间浪费在大模型的底层架构上。
所以说，对企业和创业者来说，一定要弄清楚自己的定位；到底是想做技术，还是做产品，还是做服务；不同的定位，需要关注不同的技术点和业务环节。
因此，随着社会的发展，社会分工变得越来越细；每个人都应该找准自己的定位，然后深入的钻研下去；而不是在不同的领域里反复横跳。
最后别忘了，帮忙点“在看”。
您的点赞，在看，是我创作的动力。
AiFighing是全网第一且唯一以代码、项目的形式讲解自动驾驶感知方向的关键技术。
长按扫描下面二维码，加入知识星球。
