Les modèles à grande échelle s'enracinent dans l'industrie : de "l'émergence des capacités" à "l'émergence de la valeur"

Source originale : Yibang Power

Source de l'image : générée par l'IA illimitée‌

Le "grand mouvement" de l'intelligence artificielle AI qui a retenti dès le début de 2023 n'est plus si "doux" ces derniers temps, mais mêlé de bruit et de doutes.

**Par exemple, litiges routiers. **

Selon les données de l'organisme de recherche étranger Similarweb, après qu'OpenAI ait fait de grands progrès depuis mai, la croissance du trafic s'est stabilisée. En juin, le nombre de visites sur ChatGPT a même affiché pour la première fois une baisse d'un mois à l'autre, avec un taux de 9,7%. Selon ces données, certaines personnes disent que l'IA va redevenir cool.

Cependant, il existe également des opinions publiques selon lesquelles le trafic de l'enquête ne concerne que les données de l'extrémité C, tandis que l'IA travaille actuellement sur l'extrémité B. Le trafic côté B dépasse même la moitié du trafic total actuel, et il augmente rapidement. C'est juste que les institutions de recherche n'ont pas obtenu les données complètes.

Le débit est-il une fluctuation à court terme ? Ou un déclin à long terme ? Ou est-ce vraiment un accent différent?

**Un autre exemple est le faux enthousiasme. **

Zhang Ying, partenaire de Matrix Partners, a partagé deux données assez intéressantes en comparaison. La première est que de mars à mai de cette année, parmi les entreprises de l'indice S&P 500, les dirigeants de 110 entreprises ont mentionné l'IA lors d'échanges de performances, soit trois fois le même type de données au cours des dix dernières années.

Mais un autre ensemble de données différentes est que la banque d'investissement internationale Morgan Stanley a récemment mené une enquête auprès de plus de 2 000 personnes, et il s'est avéré que 80 % d'entre elles n'ont jamais utilisé ChatGPT ou Bard1 de Google.

Comparé à ces données, on dirait "Ye Gong aime les dragons". L'enthousiasme de ces dirigeants d'entreprise, géants de la technologie et analystes est-il faux ?

** Ou, la confusion des utilisateurs. **

Les utilisateurs finaux C sont très enthousiastes et sincères, mais après l'avoir utilisé, ils ont des doutes : nous voulons que les robots aident les humains à balayer le sol et à laver la vaisselle parce que les humains veulent écrire de la poésie et peindre. En conséquence, l'IA écrit maintenant des poèmes et des peintures, tandis que nous, les humains, continuons à balayer le sol et à laver la vaisselle.

Se pourrait-il que « l'émergence » de l'intelligence artificielle ne puisse pas se refléter dans le monde réel ?

Controverse sur le trafic, faux enthousiasme et confusion des utilisateurs, ces polémiques touchent aussi directement les éléments centraux du développement des grands modèles : Comment ** peut-il vraiment devenir une force productive ? **

Différentes manières de répondre façonneront différents systèmes de développement de l'IA et deviendront également un tournant pour le développement futur des entreprises.

01 De l'algorithme au produit

Depuis le jour de sa naissance, l'intelligence artificielle a renforcé ses "deux jambes" pour marcher : l'une est la technologie et l'autre est l'application.

Derrière l'amélioration de la technologie de l'IA se trouve le support commun des trois éléments majeurs que sont la puissance de calcul, les données et les algorithmes. Par exemple, en termes d'algorithmes, l'intelligence artificielle est successivement passée par des étapes telles que les règles, l'apprentissage automatique statistique, l'apprentissage en profondeur et le pré-entraînement, augmentant ainsi considérablement la quantité de données ; et l'algorithme "pionnier" Transformer, à travers l'attention mécanisme, permet à l'IA de "faire des questions" Formation rapide de manière rapide, montrant ainsi une mutation significative et une capacité d'auto-apprentissage plus forte.

Chaque saut technologique apportera des surprises, mais si vous regardez l'histoire du développement de l'intelligence artificielle, vous constaterez qu'après plusieurs surprises, il y a de la solitude.

Par exemple, lors de la vague de chaleur qui a émergé en 1956, l'intelligence artificielle pouvait jouer aux échecs et attraper des blocs de construction, mais en 1973, un rapport de la communauté universitaire a conclu : ** Jusqu'à présent, aucune découverte dans ce domaine n'a produit la promesse initiale. Impact significatif**2.

En 1976, le système expert basé sur l'IA a commencé à participer au diagnostic et à la consultation médicale. Avec la recrudescence des vagues de chaleur, les gouvernements du monde entier intensifient leurs investissements. Cependant, dix ans plus tard, on découvrit que les experts en machines ne montraient pas beaucoup de talent. Les médecins doivent encore s'y rendre en personne, ce qui n'est pas suffisant.

Depuis 2016, Google AlphaGO a défié de nombreux rois des échecs humains dans le monde du Go, remportant 60 victoires consécutives en 5 jours. Même Li Shishi et Ke Jie ne peuvent que se rendre. Les gens déplorent la puissance de l'intelligence artificielle, mais au cours des cinq prochaines années, l'IA n'a rien fait d'étonnant.

Le tournant entre les hauts et les bas est précisément le "produit": qu'il y ait un bon produit, laissez la technologie descendre de l'autel et entrer dans la société, et devenez véritablement le leader de la productivité et de la créativité.

Il existe de nombreux cas où la technologie et les produits se favorisent mutuellement. Par exemple, le cas d'échec est le projet Iridium de Motorola, qui fournit des services mondiaux de communication par satellite. Sa technologie est à la pointe, mais parce que ses produits ne sont pas fondés, il a déclaré faillite après quatre ans de fonctionnement officiel. Parmi les exemples de réussite, citons les véhicules électriques.Bien que les batteries et les propulsions électriques soient des technologies existantes, le marché ne s'ouvrira progressivement qu'après la sortie de produits à forte technicité.

Pour en revenir au domaine des grands modèles, il y a un point intéressant dans cette vague d'IA : OpenAI a publié le célèbre ChatGPT, mais il utilise l'algorithme Transformer de Google pour une optimisation continue. Cela montre que dans ce cycle de compétitions de modèles à grande échelle et la vague de l'intelligence artificielle, les algorithmes seuls ne suffisent pas. Seul l'algorithme est faible, la concurrence ponctuelle de l'algorithme finira par céder la place à la "concurrence produit".

Et OpenAI n'est pas une "technologie fascinante". Derrière elle se trouve également le support du puissant "système de produits" de Microsoft : recherche Bing, bureau familial, assistant personnel, marketing publicitaire et autres services cloud destinés aux entreprises.

C'est comme une "règle d'or" dans le cercle du capital-risque : si le fondateur est un expert en technologie ou un geek, alors en même temps qu'il donne de l'argent, il doit aussi le donner à un partenaire qui comprend le marché. De cette façon, la technologie est applaudie, mais le revenu n'est pas populaire.

Par conséquent, tout en accordant de l'importance à la technologie, il accorde également plus d'attention aux conseils d'application et à la conduite des produits. Surtout pour les grandes entreprises, au lieu de dire aux partenaires, j'ai beaucoup de puissantes capacités d'IA, et vous pouvez les utiliser comme vous le souhaitez ; peut-être que fournir certains modules de produits est plus proche de la réalité. Alors, un bon produit, comment faire ?

02 Du général à l'industrie

Même si Zhuge Liang connaissait l'astronomie en haut et la géographie en bas, même si Léonard de Vinci pouvait dessiner, disséquer et construire des avions, ils ne pouvaient se limiter qu'aux connaissances de cette époque. L'intelligence artificielle, en revanche, peut s'appuyer sur un grand nombre d'entrées pour élargir considérablement les frontières de la connaissance.

Cependant, la sagesse de l'intelligence artificielle n'est pas parfaite et universelle. À en juger par l'expérience de ces derniers mois, l'IA "dira sérieusement des bêtises" de temps en temps. Peut-être que l'IA ne ment pas exprès, mais cela montre certainement que le modèle général est encore imparfait.

Surtout lorsqu'il s'agit de certains domaines spécifiques, tels que la finance, l'éducation, etc., les limites des grands modèles généraux seront évidentes. Après tout, il y a toujours de nombreux domaines où le gingembre est encore chaud et le savoir-faire est essentiel.

Cependant, si le grand modèle ne peut pas entrer dans l'industrie, la valeur sera considérablement réduite. Surtout pour notre pays, qui a une base de chaîne industrielle énorme et riche, toutes les industries verticales devraient être combinées avec de nouvelles technologies pour réduire les coûts, améliorer l'efficacité et générer une nouvelle valeur.

Alors, dans le champ vertical, suffit-il de faire un petit modèle ? la réponse est négative. Les modèles de petite industrie peuvent résoudre des problèmes dans des domaines spécifiques, ou ils peuvent faire du bon travail, mais il y a deux problèmes.

Le premier est le manque de généralisation : une fois la scène changée, il peut être nécessaire de le refaire, ce qui entraînera une augmentation substantielle des coûts. Un plat pour chaque personne, et les plats ne se répètent pas. Si vous ouvrez un restaurant comme celui-ci, il fera définitivement faillite. L'intelligence limitée n'est donc pas l'intelligence.

D'autre part, pendant le processus de candidature, si l'utilisateur pose soudainement des questions inter-domaines, le petit modèle sera également confus. Evidemment, la tendance au crossover industriel devient de plus en plus évidente, tout comme les véhicules électriques, qui sont à la fois des véhicules, des batteries et des semi-conducteurs. Une fois que vous pensez du point de vue de l'utilisateur, même s'il s'agit d'un domaine complètement hors de propos, vous espérez toujours obtenir un service à guichet unique.

Par conséquent, les grands modèles doivent entrer dans les industries verticales, et les industries verticales ont également besoin de grands modèles. Comment faire? Un échantillon d'observation est JD.com.

En 2021, JD.com prendra l'initiative d'injecter des connaissances du domaine dans de grands modèles, ce qui peut augmenter la précision du modèle de 83 % à 96 %. Pas plus tard qu'hier, JD.com a lancé un modèle à l'échelle de 100 milliards de niveaux Yanxi pour l'industrie. Selon l'introduction, ** 70 % de ses données de formation sont des mégadonnées générales, et les 30 % restants sont des données de savoir-faire de l'industrie accumulées dans le processus d'exploitation des différents secteurs de JD, y compris la vente au détail, la logistique, la santé, la finance et d'autres industries. ** .

Effectivement, les adultes ne font pas de choix, mais veulent les deux.

En fait, c'est la bonne chose à faire. Ce cycle d'IA générative est très attrayant, mais aussi parce que l'algorithme est puissant, les données sont riches et la puissance de calcul est suffisamment puissante. Et le plus grand modèle n'est pas statique, c'est un apprentissage continu. Par conséquent, les données et les algorithmes forment un "effet volant". Au fur et à mesure que de bonnes données seront disponibles, les algorithmes deviendront de plus en plus avancés ; plus l'algorithme sera efficace, plus il y aura d'utilisateurs, et plus le retour de données sera important. **.

Par conséquent, former dès que possible une boucle fermée "algorithme de données" n'est pas seulement la voie du succès du produit, mais également la clé de la concurrence des entreprises.

De plus, les données de haute qualité sont également rares. Dans le titre "Allons-nous manquer de données ?" "Le rapport montre que des données de langage naturel de bonne qualité pourraient être épuisées par de grands modèles de langage dès 2026. Celui qui a de bonnes données aura de meilleures "munitions". Et de bonnes données, en particulier dans le domaine industriel, doivent provenir de scénarios industriels réels.

Par conséquent, la boucle fermée de "données-algorithme" est interprétée comme une concurrence de "scène-produit". Et ce n'est qu'en entrant en scène que le grand modèle peut passer de "l'émergence de la capacité" à "l'émergence de la valeur".

03 Du natif à l'autonomisation

Une façon de réaliser l'émergence de la valeur industrielle est de coopérer avec l'industrie, les entreprises technologiques fournissent la technologie et l'industrie fournit le savoir-faire. Et l'autre voie est aussi la meilleure, c'est-à-dire celle de l'industrie.

Si vous possédez votre propre entreprise industrielle, vous disposerez de "données de haute qualité" réelles et précieuses : vous avez subi des pertes, marché sur le tonnerre, combattu des batailles, gagné des batailles et savez comment vous battre. Ces données, comme un catalyseur, peuvent piloter efficacement le développement de grands modèles, qui sont plus proches de l'entreprise et résolvent mieux les problèmes.

Un cas passé est le développement des services cloud en Chine. Qu'il soit national ou étranger, la phase initiale du cloud commence par les besoins de l'entreprise elle-même, puis il est orienté vers le marché. Au début des services cloud, chaque "produit" semble être le même, j'ai ce que vous avez. Cependant, avec la combinaison de la technologie et des affaires, chaque entreprise a ses propres caractéristiques.

Prenez Jingdong comme exemple. JD.com est parti du « marketing, du commerce, de l'entreposage, de la distribution, de l'après-vente » et d'autres activités, mais avec l'amélioration progressive du réseau de la chaîne d'approvisionnement physique, la numérisation de la chaîne d'approvisionnement interne et JD. com propre commerce de détail, finance, logistique, santé, Avec le développement profond des industries et d'autres domaines, JD.com a progressivement achevé l'expansion des "cinq derniers segments de ** canne à sucre" aux "cinq premiers segments de ** " : ** a des plates-formes, des scènes, une IA, a de l'expérience **.

Par la suite, JD.com a affiné son expérience de la supply chain vers des produits et services « digital intelligence supply chain » basés sur la technologie de JD Cloud, et les a exportés vers la société. En conséquence, les capacités d'amélioration de l'efficacité des infrastructures numériques, d'amélioration de l'efficacité des synergies industrielles et de gestion urbaine intelligente ont été formées.

Aujourd'hui, il y a plus de 10 millions de SKU de produits autonomes dans la chaîne d'approvisionnement de Jingdong Shuzhi, desservant plus de 8 millions d'entreprises clientes actives, dont plus de 90 % sont les 500 premières entreprises mondiales en Chine et près de 70 % des les petites et moyennes entreprises spécialisées du pays et ont conclu une coopération approfondie avec plus de 2 000 ceintures industrielles à travers le pays.

Ce type de scénario JD.com avec de longs liens, une collaboration complexe et un retour de données plus dynamique est le meilleur terrain d'entraînement pour les grands modèles, et c'est aussi la meilleure incarnation des avantages industriels.

L'expérience du cloud interne au cloud externe est également appliquée au développement de grands modèles. Jingdong a également proposé une "approche en trois étapes" pour les grands modèles :

Source de l'image : JD Cloud

Tout d'abord, en juillet de cette année, le modèle à grande échelle Yanxi a été lancé, qui dispose d'un système à quatre couches de couche de base, couche modèle, MaaS et SaaS. Deuxièmement, "affûter" dans divers domaines d'activité internes pendant six mois, et mener modérément une coopération d'analyse comparative avec des partenaires externes, et passer par plusieurs cycles "d'erreurs, d'améliorations et de conclusions" pour réaliser l'intégration du produit. Enfin, au premier semestre 2024, pour la production industrielle, nous utiliserons une meilleure attitude et une écologie plus ouverte pour servir l'industrie et améliorer l'efficacité de l'industrie.

Les candidatures internes ont également été très efficaces. Par exemple, dans le domaine du marketing financier, c'est aussi "l'ancienne base" de JD.com. JD Finance a accumulé une mine de connaissances au cours de décennies de développement commercial et, combinée à l'IA, elle peut optimiser efficacement les tâches clés, l'adaptabilité dynamique et l'expérience utilisateur.

Par exemple, réduire le coût d'apprentissage et le coût d'exploitation du personnel d'exploitation, et augmenter l'efficacité de production de la solution par des centaines de fois ; réduire le processus qui ne peut être complété que par plus de 5 types de fonctions telles que produit/R&D/algorithme/ concepteur/analyste à une seule personne ; en même temps, un nouveau mode interactif d'entrée réduit le nombre d'interactions homme-machine de 2 000 à moins de 50, et améliore l'efficacité opérationnelle de plus de 40 fois.

L'augmentation significative du nombre montre également que bien que du point de vue du rythme, cette marche en trois temps semble un peu lente. Cependant, compte tenu du coût d'entrée du grand modèle et de l'impact significatif sur l'industrie, ce n'est qu'en adoptant une approche étape par étape qu'il peut être transformé en un « bénéfice étape par étape » pour permettre à la technologie de générer des avantages.

En d'autres termes, ce n'est en fait pas lent, car il n'est pas facile de réaliser une véritable percée industrielle. Mais tout comme la confiance de Xu Ran, PDG du groupe Jingdong, découper le modèle à grande échelle du côté industriel, c'est comme escalader le mont technique Everest depuis le versant nord.Bien que la route soit plus difficile, il y a des paysages plus magnifiques et grande valeur d'exploration. Ce n'est qu'en comprenant parfaitement la chaîne d'approvisionnement physique et numérique que le grand modèle peut renforcer l'industrie.

Comme l'expérience résumée par la courbe de Gartner, le développement des choses passera par des étapes telles que "germination technique-attente expansion-rupture de vallée-escalade-reprise-production maturité". Et pour le résumer en une autre phrase : Ne traitez pas le problème de rythme comme un problème structurel.

Le développement de la technologie est une tendance inéluctable. Poussée par les trois éléments "données, algorithme et puissance de calcul", l'intelligence artificielle continuera inévitablement à se développer, mais il y aura inévitablement quelques rebondissements au cours de cette période. Ce qu'il faut, c'est le rythme scientifique de l'entreprise dans la recherche, le développement et l'application des technologies, ainsi que le long terme qui voit la tendance et qui est prêt à s'y tenir.

La persistance et la percée de JD.com dans la chaîne d'approvisionnement sont un microcosme de la victoire du long terme. Maintenant, dans la grande compétition de modèles, dans la vague de l'intelligence artificielle, la même chose est nécessaire.

On peut croire fermement que même si la technologie est mise en œuvre à un rythme, tant qu'elle s'enracine dans l'industrie, une valeur énorme naîtra inévitablement. Comme Xu Ran, PDG de Jingdong Group, l'a déclaré, lorsque l'efficacité industrielle et les limites de l'industrie seront élargies et qualitativement améliorées, le grand modèle aura une valeur et une signification pratiques plus importantes, qui ne seront rien de moins qu'une autre révolution industrielle.

La formule de l'intelligence artificielle est également déduite en "scénario, produit, groupe de puissance de calcul et épaisseur industrielle", ce qui est la clé pour promouvoir le grand modèle de "l'émergence de la capacité" à "l'émergence de la valeur".

[1] Jingwei Zhang Ying : L'IA lointaine et proche, Chaos Academy, 2023 ;

[2] Rapport Lighthill, Conseil de recherche scientifique de Grande-Bretagne, 1973