大模型如今那热度就跟坐火箭似的，科技圈、资本界那都是抢着往里扎。各种宣传造势搞得人眼花缭乱，仿佛大模型就是万能的法宝。但你仔细瞧瞧，质疑的声音也不少，这是为啥呢？

先说安全性方面，大模型得靠大量数据训练，这数据从哪来、怎么保证安全都是问题。有些数据可能涉及个人隐私，要是不小心泄露出去，那麻烦可就大了。之前就有新闻报道，某些大模型在训练时可能用了未经授权的数据，这要是被别有用心的人利用，后果不堪设想，就像一个随时会爆炸的定时炸弹。还有就是数据偏见的问题，因为训练数据本身就可能存在偏差，大模型学来学去，得出的结果也带着这些偏见。在一些招聘场景里，大模型可能因为数据里的历史偏见，就对某些性别或者群体给出不合适的评估，这对可求职者不公平啊。

再说说能耗，大模型进行大规模计算训练的时候，那得消耗巨量的能源。有研究指出，一次大规模的模型训练，能耗可能抵得上普通家庭好几年的用电量。在现在都倡导节能减排的时候，这能耗真的是个让人头疼的问题。而且这些能耗还会带来大量的碳排放，对环境也不友好。这么高的能耗，成本也跟着上去了，要是收益还跟不上，那这生意可就亏大了。

落地应用困境 适配难题重重

口口声声说大模型能改变世界，可真正落地到实际应用中去，却发现有到处都是坑。就说在医疗领域，大模型号称能辅助诊断，可医院的系统、数据都是有自己的一套规则的，大模型要想接入进去，跟现有的系统匹配，那就得花大量的时间和精力去调整。医院的病历系统、影像系统，每一项都有其特殊性，大模型要准确理解和应用这些数据，可不是一件容易的事儿。现在有些医院用上了大模型辅助诊断，但实际效果并不理想，误诊率并没有明显下降，还可能因为模型的不完善，给医生带来更多的困扰。

在金融领域也是一样，大模型想要预测市场趋势、评估风险。但金融市场那可是瞬息万变的，受政治、经济、甚至突发社会事件等多种因素影响。大模型很难把所有这些复杂的因素都考虑进去，所以它给出的预测往往跟实际情况偏差很大。银行用大模型评估贷款风险，可能因为模型没有考虑到一些潜在的风险因素，导致贷款出现坏账的情况增多。这就说明大模型在具体的业务场景里，适配性真的是个大问题。

效益未达预期 投入产出失衡

企业和投资者砸了大把的钱进去搞大模型，都想着能有丰厚的回报，可现实却很残酷。研发大模型需要顶尖的人才、大量的计算资源和数据资源，这些成本加起来可不是个小数目。就那几个大科技公司来说，每年在大模型研发上的投入都是以亿为单位计算的。

从实际的效益来看，很多大模型并没有带来预期的收益。一些企业把大模型用在客户服务上，原本想着能提高效率、降低成本，但结果可能是客户对大模型服务不满意，流失了一部分客户。因为大模型虽然能快速回答一些常见问题，但在处理复杂问题和情感沟通方面，跟人类客服比起来还差得远。

还有在市场营销方面，大模型做的市场分析和策略生成，往往不能精准地打动消费者，营销效果不理想，投入的钱打了水漂。企业花了很多钱培养大模型，最后发现产出根本没法弥补投入，这投入产出严重失衡，企业的压力可就大了。

要是继续无视这些问题，只想着强撑着搞大模型，最后可能就是劳民伤财，得不偿失。所以得直面问题，想办法解决，大模型才能真正走好 的路。

现在大模型特别火，科技圈和资本界都一窝蜂地往里凑，宣传得那叫一个厉害，好像有了大模型就能解决所有问题似的。但是呢，咱们冷静下来好好想想，这里头质疑声也不少，为啥会这样呢？

先说安全性，大模型训练得用大量数据，这些数据的来源和安全就很成问题。有些大模型用的数据可能根本就没经过授权，要是这些有问题的数据被别有用心的人利用了，那就麻烦大了。这就跟一颗定时炸弹似的，说不准啥时候就爆炸。而且训练数据本身就可能有偏差，大模型学来学去，输出的结果也带着这些偏见。就拿招聘来说吧，因为数据里有历史偏见，大模型对某些性别或者群体的评估就不太合适，对求职者多不公平啊。

还有能耗问题，大模型大规模计算训练的时候，能源消耗大得惊人。有研究说，一次大规模的模型训练能耗，可能比普通家庭好几年用的电还多。现在都提倡节能减排，这么高的能耗，成本也跟着水涨船高。而且大量的能耗还会带来很多碳排放，对环境也不好。企业要是投入搞大模型研究，光这能耗成本就是个不小的负担，如果最后收益还跟不上，那可就亏惨了。

说到大模型的实际落地应用，那问题也是一箩筐。就说医疗领域，大模型号称能辅助诊断，听起来挺厉害的，但医院有自己专门的系统和数据规则，大模型要和这些匹配上，可太难了。医院的病历系统、影像系统都很复杂，大模型想准确理解和应用这些数据，没那么容易。现在有些医院用了大模型辅助诊断，效果却不太理想，误诊率没啥明显下降，还可能给医生添乱。

金融领域也是一样，大模型想要预测市场趋势、评估风险。但金融市场变化太快了，政治、经济、突发社会事件等各种因素都会产生影响。大模型没办法把所有这些复杂因素都考虑周全，所以预测出来的结果经常和实际情况差得老远。银行用大模型评估贷款风险，因为模型不完善，经常考虑不到一些潜在风险，导致贷款坏账增多。

企业投入大量资金研发大模型，都想着能有丰厚回报，可现实很骨感。在客户服务方面，用了大模型原本想提高效率、降低成本，结果客户对大模型的服务不满意，好多客户都流失了。因为大模型虽然能快速回答常见问题，但在处理复杂问题和情感沟通上，跟人比起来差得远。在市场营销里，大模型做的市场分析和策略效果也不好，花了钱打广告，却吸引不来多少顾客。好多企业钱花了不少，最后收益却没达到预期，投入产出根本不平衡，压力越来越大。

大模型火爆背后！允许质疑存在发展遇瓶颈不应强撑

（此处内容为原文正文，保持不变）

FAQ

大模型主要在哪些方面存在安全性问题？

大模型的安全性问题主要体现在数据来源和数据安全上，可能会使用未经授权的数据，并且可能涉及个人隐私泄露。 训练数据存在偏差会导致结果带有数据偏见，在招聘等场景中会产生不公平的评估。

大模型训练的能耗情况如何？

大模型在进行大规模计算训练时会消耗巨量能源，有研究表明一次大规模的模型训练，能耗可能抵得上普通家庭好几年的用电量，同时还会带来大量碳排放，既增加成本又不环保。

大模型在实际落地应用中有哪些具体困境？

在实际落地应用中，大模型面临适配难题。例如在医疗领域，与医院现有的系统、数据匹配困难；在金融领域，难以精准预测市场趋势和评估风险，因为无法将复杂多变的影响因素全面考虑进去。

企业投入大模型研发后效益如何？

很多企业投入大量资金研发大模型，但实际效益未达预期。在客户服务、市场营销等应用场景中，不仅未能有效提高效率、降低成本，反而可能导致客户流失、营销效果不佳等问题，投入产出失衡。