问怎么看待大模型落地难的问题？

区块链，元宇宙，LLM，都是这些年风口的一些技术。

朋友，你可以调研一下：

区块链，现在有哪些典型应用场景。

元宇宙，现在有哪些典型应用场景。

LLM，现在有哪些典型应用场景。

你就会知道，LLM是不是一场华丽的的美梦了。

大模型从2022年11月份ChatGPT发布的出圈到今天短短两年，落地的场景已经非常多，包含但不限于文学作品的创作、AI搜索、各种各样的智能体等，包括我们所在的程序员行业也没有免于被大模型折叠，目前我个人的代码AI含量已经无限接近于100%。

问题作者说落地难，我理解当下让大模型能输出一个正确性和可靠性为100%的内容，那的确是困难的，但当前解决这些问题的工程手段有很多，像多Agent之类的，通过多种不同角色的Agent相互协同和验证输出结果，让结果最大程度逼近正确。大致正确，这个程度在很多领域已经可用，虽然不是最终答案，但已经可以对原有的生产过程加速巨大，也能算是落地的一种方式了。

当下To C的产品形态中，像ChatGPT, 元宝这类聊天机器人算一种成熟的形态了，一定程度上把用户的搜索习惯都改变了，通过聊天来获取更多的信息和答案。

在To B的场景中，正确性和可靠性较为看重，这块会随着agentic workflow体系的成熟会有更多能看得到的B端落地场景，而当下B端的场景，较为成熟悉的不是有RAG嘛？

AI一天，人间一年，AI正在极速的发展着，大模型把智能这件事情变成了水电媒一样的基础设施（token）的存在，进程已经展开，我们都回不去了。

两者有本质不同。

区块链（BC）更像一种偏于一隅的技术，可以解决各行各业中所面临的数据安全保障、可信数据空间构建等问题。

而大语言模型（LLM）的发展潜力巨大，他是一种系统的技术体系，解决全局性的革新，会深入各行各业的业务场景、智能化提升、云和基础设施等方方面面；但它当前也面临着许多挑战，如典型业务场景的选择、提高模型的训练效率、降低推理成本、提高模型的泛化能力等。

大语言模型并不完全遵循摩尔定律，但一定程度上受限于GPU、NPU等硬件技术的创新；本质上，大语言模型是基于智能硬件（xPU等）、调度和管理平台、算法、数据、应用场景等等各块木桶拼板构建的全集，是人工智能发展的必然阶段。