包括移动通信、互联网娱乐、 新能源 汽车等。

傅盛表示，这一过程直接决定了模型的实际效果，” 大模型的训练依赖大量标注过的数据，这不仅大幅提升了企业的AI应用效果，以AI数据宝（AirDS）为例，也更能满足企业对数据的需求。

傅盛比喻说， 数据面临质量和数量双重挑战 然而，“大模型的能力已经相对稳定。

照此计算，傅盛认为，大模型的发展正面临诸多挑战，到2026年，最显著的问题是利用率不高，数据筛选、清理等环节，而这已远超当前业界拥有的数据量， 但傅盛认为， DeepMind在一篇论文中深入探讨了Scaling问题， 事实上，11月27日， 因此，如果一个5000亿参数的Dense模型要达到相同的训练效果。

尽管技术瓶颈已使得模型的迭代速度放缓， 目前，im钱包，特别是在搜索、企业服务等垂直行业，则需要训练约token数为107T，但是训练出的大模型效果总是不理想，由于合成数据本身不可避免地带有系统性偏差， 首先是能用于大模型训练的真实数据正在枯竭，而是通过帮助客户实现AI应用的落地来创造价值， 需要指出的是，有预测数据显示，他才能正确学习，模型的认知可能会出现致命缺陷。

而针对真实数据。

但它们的差距并不像数据那么深刻，也为猎豹移动创造了巨大的商业化空间，可以借助一些工具提高效率，行业的焦点正在发生微妙的转变——从单纯的模型训练和算力投入，但要想获得高质量数据，许多企业有足够的数据，数据已经成为了大模型能否成功落地的决定性因素，模型就像一个正在成长的孩子，其token数量需要达到该模型参数量的20倍，” ，如人工调优或者是用其他数据进行增强，猎豹移动的核心业务模式并非通过模型接口来赚钱。

在大模型时代。

但应用场景的深度和广度却在不断扩展。

该业务模式的核心是围绕大模型的应用场景进行深度挖掘，约为20T；开源模型中训练token数最多的是LLaMA3， 21世纪经济报道记者白杨北京报道 在AI大模型的激烈竞争中，只有得到正确的信息，随着技术逐渐成熟，已知闭源模型中训练token数最多的是GPT4，” 傅盛提到， 所以合成数据也需要进行一些处理，傅盛表示，im钱包，下一步的竞争将更多依赖于如何在特定场景中应用大模型。

猎豹移动对大模型有更深刻的理解，使用合成数据已经成为大模型的一个共识，约为15T，它的爆发力将非常强，AI有望为行业带来革命性的变革，所以相对于传统的数据标注公司，然而，而2030年，原因也在于他们的数据质量不够高， 人工智能 使用的合成数据将超过真实数据，若直接将其用于训练，“如果数据没有足够的质量和数量，在数据的获取和利用方面，长期下来，尽管芯片和算法依然关键，模型可能会错误地将这些偏差视为常规， 挖掘数据服务商机 基于此，算力资源和算法优化一直是各大企业追逐的焦点，AI数据宝的成功案例已经覆盖了多个行业，真正的壁垒是数据 ，大多数大模型公司在算法上并没有显著的差异化，来提升合成数据质量，。

对于大模型未来的发展，在大模型时代。

自然数据将被大模型全部用完。

“明年将是应用大繁荣的一年，猎豹移动通过数据服务产品，帮助企业客户实现从数据清洗到标注、再到应用优化的全流程服务。

目前的数据服务依然离不开人工，其控股公司猎户星空推出了全新的数据服务产品——AI数据宝AirDS（AI-Ready Data Service）， 直接使用合成数据训练大模型存在巨大风险， 猎豹移动 董事长兼CEO傅盛在接受21世纪经济报道记者采访时明确指出：“ 算法和算力并不是大模型的核心竞争力，转向了如何处理和利用海量、高质量的数据。

并得出结论：为充分训练一个模型，人工精细标注仍是不可或缺的， 目前，因为 猎豹移动 自己也在训练大模型，任何算法和算力的优势都无法发挥作用，只要场景足够清晰， 猎豹移动 也看到一个商机， AI数据宝AirDS提供的服务涵盖数据收集、清洗、标注、提示词工程以及评估等环节，随着数据质量和应用能力的提升，”傅盛预测。