MIT 最近发布的一份报告，关于企业客户在使用大模型工具的成功（部署）的比例。
如果是 ChatGPT 类的通用工具，成功部署的比例为 40%；而如果是面向企业特定的专属任务则成功率只有 5%。
这个现象由来已久，也不仅是 AI 主题。以白领办公常用的即时消息 IM 为例，微信等通用工具的应用体验一定是远好于企业自己开发的专属 IM 的。
就大模型应用而言，OpenAI 的技术实力和研发投入，任何企业客户个体都是无法比拟的。
以训练数据为例，企业把自己手头哪些 PDF 资料给 “搞整齐”，就是一件非常之困难的事情，尤其是考虑到有限的 IT 成本条件下。随便找周遭做类似项目的朋友一问便知。
这个时候问题来了，这些特定任务类作业才是企业的 “生产” 最直接相关的事情 ……
初创公司 Cerebras 披露的数据显示，以 Meta 开源大模型 Llama3.1-70B 为例，其推理解决方案的速度是基于 Nvidia GPU 的公有云服务商速度的 20x 倍以上。
从披露的信息看，Cerebras 制造的推理芯片尺寸比 GPU 要大得多。
附：Llama3.1 有三种规格，8B 适合在消费者级 GPU 上进行高效部署和开发；70B 适合大规模 AI 原生应用；而 405B 则适用于合成数据等。
企业在部署 SaaS 应用时，通常会从第三方 SaaS 商购买若干个账号，并发放给员工。与此同时，员工数也是典型的企业规模划分的维度。
如果把企业在 SaaS 的总支出除以总员工数，可达到每位员工平均 SaaS 的支出。根据 Productiv 的调研，大企业的单位支出是最低的，只有每年 7,500 美元左右，而中小企业的平均的单位支出为 11,000 美元左右，显著高于大型企业。
从这个角度也可以看出大型企业的规模优势。
