Model skala besar mengakar di industri: dari "munculnya kemampuan" hingga "munculnya nilai"

Sumber asli: Yibang Power

Sumber gambar: Dihasilkan oleh AI‌ Tak Terbatas

"Gerakan besar" kecerdasan buatan AI yang terdengar sejak awal tahun 2023 tidak lagi begitu "manis" akhir-akhir ini, melainkan bercampur dengan kebisingan dan keraguan.

**Misalnya, sengketa lalu lintas. **

Menurut data dari organisasi riset luar negeri, Similarweb, setelah OpenAI membuat langkah besar, sejak Mei, pertumbuhan lalu lintas menjadi datar. Pada bulan Juni, jumlah kunjungan ke ChatGPT bahkan menunjukkan penurunan dari bulan ke bulan untuk pertama kalinya, dengan angka 9,7%. Menurut data ini, beberapa orang mengatakan bahwa AI akan kembali menjadi keren.

Namun, ada juga opini publik bahwa lalu lintas survei hanya data C-end, sedangkan AI saat ini sedang mengerjakan B-end. Lalu lintas di sisi B bahkan melebihi setengah dari total lalu lintas saat ini, dan meningkat pesat. Hanya saja lembaga penelitian tersebut tidak mendapatkan data yang lengkap.

Apakah aliran fluktuasi jangka pendek? Atau penurunan jangka panjang? Atau apakah itu benar-benar penekanan yang berbeda?

** Contoh lain adalah antusiasme palsu. **

Zhang Ying, mitra dari Matrix Partners, membagikan dua data yang cukup menarik untuk dibandingkan. Salah satunya adalah dari Maret hingga Mei tahun ini, di antara perusahaan-perusahaan di Indeks S&P 500, eksekutif dari 110 perusahaan menyebutkan AI di bursa kinerja, yang merupakan jenis data tiga kali lipat dalam sepuluh tahun terakhir.

Tetapi kumpulan data berbeda lainnya adalah bank investasi internasional Morgan Stanley baru-baru ini melakukan survei terhadap lebih dari 2.000 orang, dan ternyata 80% dari mereka tidak pernah menggunakan ChatGPT atau Google Bard1.

Dibandingkan dengan data ini, rasanya seperti "Ye Gong mencintai naga". Apakah antusiasme para eksekutif perusahaan, raksasa teknologi, dan analis ini palsu?

** Atau, kebingungan pengguna. **

Pengguna C-end sangat antusias dan tulus, tetapi setelah menggunakannya, mereka ragu: Kami ingin robot membantu manusia menyapu lantai dan mencuci piring karena manusia ingin menulis puisi dan melukis. Alhasil, AI kini menulis puisi dan lukisan, sedangkan kita manusia masih menyapu lantai dan mencuci piring.

Mungkinkah "kemunculan" kecerdasan buatan tidak bisa tercermin di dunia nyata?

Kontroversi lalu lintas, antusiasme palsu, dan kebingungan di antara pengguna, kontroversi ini juga langsung mengenai elemen inti pengembangan model besar: Bagaimana ** benar-benar bisa menjadi kekuatan produktif? **

Cara menjawab yang berbeda akan membentuk sistem pengembangan AI yang berbeda, dan juga akan menjadi titik balik bagi pengembangan perusahaan di masa depan.

01 Dari algoritme ke produk

Sejak hari kelahirannya, kecerdasan buatan telah memperkuat "dua kakinya" untuk berjalan: yang satu adalah teknologi dan yang lainnya adalah aplikasi.

Di balik peningkatan teknologi AI adalah dukungan umum dari tiga elemen utama daya komputasi, data, dan algoritme. Misalnya, dalam hal algoritme, kecerdasan buatan telah secara berturut-turut melewati tahapan seperti aturan, pembelajaran mesin statistik, pembelajaran mendalam, dan pra-pelatihan, sehingga sangat memperluas jumlah data; dan Transformer algoritma "pelopor", melalui perhatian mekanisme, memungkinkan AI untuk "melakukan pertanyaan" Pelatihan cepat dengan cara cepat, sehingga menunjukkan mutasi yang signifikan dan kemampuan belajar mandiri yang lebih kuat.

Setiap lompatan teknologi akan menghadirkan kejutan, namun jika Anda melihat kembali sejarah perkembangan kecerdasan buatan, Anda akan menemukan bahwa setelah beberapa kejutan, ada kesepian.

Misalnya, dalam gelombang panas yang muncul pada tahun 1956, kecerdasan buatan dapat bermain catur dan menangkap blok bangunan, tetapi pada tahun 1973, sebuah laporan di komunitas akademik menyimpulkan: Sejauh ini, penemuan apa pun di bidang ini belum menghasilkan janji awal. .Dampak signifikan2.

Pada tahun 1976, sistem pakar berbasis AI mulai berpartisipasi dalam diagnosis dan konsultasi medis. Dengan gelombang panas baru, pemerintah di seluruh dunia meningkatkan investasi. Namun, sepuluh tahun kemudian, ditemukan bahwa ahli mesin tidak menunjukkan banyak bakat. Dokter masih harus ke sana sendiri, itu tidak cukup.

Sejak 2016, Google AlphaGO telah menantang banyak raja catur manusia di dunia Go, memenangkan 60 kemenangan berturut-turut dalam 5 hari. Bahkan Li Shishi dan Ke Jie hanya bisa pasrah. Orang-orang menyesali kekuatan kecerdasan buatan, tetapi dalam lima tahun ke depan, AI belum melakukan sesuatu yang luar biasa.

Titik balik antara pasang surut justru pada "produk": apakah ada produk yang bagus, biarkan teknologi turun dari altar dan memasuki masyarakat, dan benar-benar menjadi pemimpin produktivitas dan kreativitas.

Ada banyak kasus di mana teknologi dan produk saling mempromosikan. Misalnya, kasus kegagalan proyek Motorola Iridium, yang menyediakan layanan komunikasi satelit global, teknologinya memimpin, tetapi karena produknya tidak di-ground, ia dinyatakan bangkrut setelah empat tahun beroperasi secara resmi. Kasus yang berhasil termasuk kendaraan listrik Meskipun baterai dan penggerak listrik adalah teknologi yang sudah ada, pasar secara bertahap akan terbuka hanya setelah produk dengan rasa teknologi yang kuat keluar.

Kembali ke bidang model besar, ada poin menarik dalam putaran pasang AI ini: OpenAI merilis ChatGPT yang terkenal di dunia, tetapi menggunakan algoritme Transformer Google untuk pengoptimalan berkelanjutan. Ini menunjukkan bahwa dalam putaran kompetisi model skala besar dan gelombang kecerdasan buatan ini, algoritma saja tidak cukup. Hanya algoritme yang lemah; persaingan satu titik dari algoritme pada akhirnya akan memberi jalan pada "persaingan produk".

Dan OpenAI bukanlah "teknologi yang terpesona", di belakangnya juga ada dukungan dari "sistem produk" Microsoft yang kuat: pencarian Bing, ember keluarga kantor, asisten pribadi, dan pemasaran periklanan serta layanan cloud berorientasi perusahaan lainnya.

Ini seperti "aturan emas" dalam lingkaran modal ventura: jika pendiri adalah seorang ahli teknologi atau geek, maka pada saat yang sama memberikan uang, ia juga harus memberikannya kepada mitra yang memahami pasar. Dengan cara ini, teknologinya dipuji, tetapi pendapatannya tidak populer.

Oleh karena itu, selain mementingkan teknologi, ia juga lebih memperhatikan panduan aplikasi dan penggerak produk. Khusus untuk perusahaan skala besar, alih-alih memberi tahu mitra, saya memiliki banyak kemampuan AI yang kuat, dan Anda dapat menggunakannya sesuka Anda; mungkin, menyediakan beberapa modul produk lebih dekat dengan kenyataan. Jadi, produk yang bagus, bagaimana melakukannya?

02 Dari umum ke industri

Bahkan jika Zhuge Liang mengetahui astronomi di atas dan geografi di bawah, bahkan jika Da Vinci dapat menggambar dan membedah serta membuat pesawat terbang, pengetahuan mereka hanya terbatas pada zaman itu. Kecerdasan buatan, di sisi lain, dapat mengandalkan sejumlah besar input untuk memperluas batas-batas pengetahuan.

Namun, kebijaksanaan kecerdasan buatan tidaklah sempurna dan universal. Menilai dari pengalaman beberapa bulan terakhir, AI akan "serius berbicara omong kosong" dari waktu ke waktu. Mungkin AI tidak sengaja berbohong, tetapi hal itu jelas menunjukkan bahwa model umumnya masih belum sempurna.

Apalagi jika menyangkut beberapa bidang tertentu, seperti keuangan, pendidikan, dll., Batasan model umum yang besar akan terlihat jelas. Lagi pula, selalu ada banyak area di mana jahe masih panas, dan pengetahuan adalah kuncinya.

Namun, jika model besar tidak bisa masuk ke industri, nilainya akan sangat berkurang. Khusus untuk negara kita yang memiliki fondasi rantai industri yang besar dan kaya, semua industri vertikal harus digabungkan dengan teknologi baru untuk mengurangi biaya, meningkatkan efisiensi, dan menghasilkan nilai baru.

Jadi, di bidang vertikal, hanya perlu membuat model kecil? jawabannya negatif. Model industri kecil dapat memecahkan masalah di bidang tertentu, atau mereka dapat melakukan pekerjaan dengan baik, tetapi ada dua masalah.

Salah satunya adalah kurangnya generalisasi, setelah adegan diubah, mungkin perlu dilakukan lagi, yang akan menyebabkan peningkatan biaya yang substansial. Satu hidangan untuk setiap orang, dan hidangan tersebut tidak diulang, jika Anda membuka restoran seperti ini, pasti akan bangkrut. Jadi kecerdasan yang terbatas bukanlah kecerdasan.

Di sisi lain, selama proses aplikasi, jika pengguna tiba-tiba menanyakan beberapa pertanyaan lintas domain, model kecil juga akan bingung. Jelas, tren industri crossover menjadi semakin jelas, seperti halnya kendaraan listrik, baik kendaraan, baterai, dan semikonduktor. Setelah Anda berpikir dari sudut pandang pengguna, meskipun itu adalah bidang yang sama sekali tidak relevan, Anda masih berharap mendapatkan layanan satu atap.

Oleh karena itu, model besar perlu memasuki industri vertikal, dan industri vertikal juga membutuhkan model besar. Bagaimana melakukan? Sampel observasi adalah JD.com.

Pada tahun 2021, JD.com akan memimpin dalam menyuntikkan pengetahuan domain ke dalam model besar, yang dapat meningkatkan akurasi model dari 83% menjadi 96%. Baru kemarin, JD.com meluncurkan model skala Yanxi level 100 miliar untuk industri. Menurut pengantar, **70% dari data pelatihannya adalah data besar umum, dan 30% lainnya adalah data pengetahuan industri yang terakumulasi dalam proses operasi berbagai sektor JD, termasuk ritel, logistik, kesehatan, keuangan, dan industri lainnya ** .

Benar saja, orang dewasa tidak membuat pilihan, tetapi menginginkan keduanya.

Sebenarnya, ini adalah hal yang benar untuk dilakukan. Putaran AI generatif ini sangat menarik, tetapi juga karena algoritmenya kuat, datanya kaya, dan daya komputasinya cukup kuat. Dan model terbesar tidak statis, ini adalah pembelajaran berkelanjutan. Oleh karena itu, data dan algoritme membentuk "efek roda gila". Semakin banyak data bagus tersedia, algoritme akan menjadi semakin maju; semakin efektif algoritme, semakin banyak pengguna, dan semakin banyak umpan balik data. **.

Oleh karena itu, membentuk loop tertutup "data-algoritma" secepat mungkin bukan hanya jalan menuju kesuksesan produk, tetapi juga kunci persaingan perusahaan.

Selain itu, data berkualitas tinggi juga langka. Dalam judul "Apakah kita akan kehabisan data?" "Laporan tersebut menunjukkan bahwa data bahasa alami berkualitas baik dapat habis oleh model bahasa besar segera setelah tahun 2026. Siapa pun yang memiliki data bagus akan memiliki "amunisi" yang lebih baik. Dan data yang baik, terutama di bidang industri, harus berasal dari skenario industri nyata.

Oleh karena itu, loop tertutup "algoritma data" diartikan sebagai kompetisi "produk-adegan". Dan hanya dengan memasuki panggung, model besar dapat berpindah dari "munculnya kemampuan" menjadi "munculnya nilai".

03 Dari asli ke pemberdayaan

Salah satu cara untuk mewujudkan munculnya nilai industri adalah bekerja sama dengan industri, perusahaan teknologi menyediakan teknologi, dan industri menyediakan pengetahuan. Dan cara lain juga merupakan cara terbaik, yaitu dari industri.

Jika Anda memiliki bisnis industri Anda sendiri, Anda akan memiliki "data berkualitas tinggi" yang nyata dan berharga: Anda telah menderita kerugian, menginjak guntur, berperang, memenangkan pertempuran, dan tahu cara bertarung. Data ini, seperti katalis, dapat secara efisien mendorong pengembangan model besar, yang lebih dekat dengan bisnis dan memecahkan masalah dengan lebih baik.

Kasus sebelumnya adalah pengembangan layanan cloud di China. Terlepas dari domestik atau luar negeri, tahap awal cloud dimulai dari kebutuhan perusahaan itu sendiri, dan kemudian berorientasi pasar. Di awal layanan cloud, setiap "produk" tampaknya sama, saya memiliki apa yang Anda miliki. Namun, dengan kombinasi teknologi dan bisnis, setiap perusahaan memiliki ciri khasnya masing-masing.

Ambil Jingdong sebagai contoh. JD.com dimulai dari "pemasaran, perdagangan, pergudangan, distribusi, purna jual" dan bisnis lainnya, namun seiring dengan peningkatan langkah demi langkah jaringan rantai pasokan fisik, digitalisasi rantai pasokan internal, dan JD. com sendiri ritel, keuangan, logistik, kesehatan, Dengan perkembangan industri yang mengakar dan bidang lainnya, JD.com secara bertahap menyelesaikan ekspansi dari "lima segmen terakhir ** tebu" menjadi "lima segmen pertama ** ": ** memiliki platform, adegan, AI, memiliki pengalaman**.

Selanjutnya, JD.com menyempurnakan pengalamannya dalam rantai pasokan menjadi produk dan layanan "rantai pasokan intelijen digital" berdasarkan teknologi JD Cloud, dan mengekspornya ke masyarakat. Alhasil, kapabilitas peningkatan efisiensi infrastruktur digital, peningkatan efisiensi sinergi industri, dan urban intelligent management telah terbentuk.

Saat ini, ada lebih dari 10 juta SKU produk yang dioperasikan sendiri dalam rantai pasokan Jingdong Shuzhi, melayani lebih dari 8 juta pelanggan korporat aktif, di mana lebih dari 90% adalah 500 perusahaan teratas dunia di China dan hampir 70% dari perusahaan kecil dan menengah khusus negara, dan mencapai kerja sama mendalam dengan lebih dari 2.000 sabuk industri di seluruh negeri.

Skenario JD.com semacam ini dengan tautan panjang, kolaborasi kompleks, dan arus balik data yang lebih dinamis adalah tempat pelatihan terbaik untuk model besar, dan ini juga merupakan perwujudan terbaik dari keunggulan industri.

Pengalaman dari cloud internal ke cloud eksternal juga diterapkan pada pengembangan model besar. Jingdong juga mengusulkan "pendekatan tiga langkah" untuk model besar:

Sumber gambar: JD Cloud

Pertama-tama, pada Juli tahun ini, model skala besar Yanxi diluncurkan, yang memiliki sistem empat lapis lapisan dasar, lapisan model, MaaS, dan SaaS. Kedua, "pertajam" di berbagai area bisnis internal selama setengah tahun, dan secara moderat melakukan kerja sama pembandingan dengan mitra eksternal, dan melalui beberapa siklus "kesalahan, peningkatan, dan kesimpulan" untuk mencapai integrasi produk. Terakhir, pada paruh pertama tahun 2024, untuk hasil industri, kami akan menggunakan sikap yang lebih baik dan ekologi yang lebih terbuka untuk melayani industri dan meningkatkan efisiensi industri.

Aplikasi internal juga cukup efektif. Misalnya, di bidang pemasaran keuangan, ini juga merupakan "basis lama" JD.com. JD Finance telah mengumpulkan banyak pengetahuan selama beberapa dekade pengembangan bisnis, dan dikombinasikan dengan AI, JD Finance dapat secara efisien mengoptimalkan tugas-tugas utama, kemampuan beradaptasi yang dinamis, dan pengalaman pengguna.

Misalnya, kurangi biaya pembelajaran dan biaya operasi personel operasi, dan tingkatkan efisiensi produksi solusi hingga ratusan kali lipat; kurangi proses yang hanya dapat diselesaikan oleh lebih dari 5 jenis fungsi seperti produk/R&D/algoritma/ desain/analis untuk satu orang; pada saat yang sama, mode interaktif baru dari pintu masuk mengurangi jumlah interaksi manusia-mesin dari 2.000 menjadi kurang dari 50, dan meningkatkan efisiensi operasional lebih dari 40 kali.

Peningkatan jumlah yang signifikan juga menunjukkan bahwa meskipun dari segi ritme, berjalan tiga langkah ini terlihat agak lambat. Namun, mengingat biaya input dari model besar dan dampak signifikan pada industri, hanya dengan mengadopsi pendekatan langkah demi langkah dapat diubah menjadi "keuntungan langkah demi langkah" untuk memungkinkan teknologi menghasilkan manfaat.

Dengan kata lain sebenarnya tidak lambat, karena tidak mudah untuk benar-benar mencapai suatu terobosan industri. Tapi seperti kepercayaan Xu Ran, CEO Grup Jingdong, memotong model skala besar dari sisi industri seperti mendaki Gunung Everest teknis dari lereng utara.Meskipun jalannya lebih sulit, ada pemandangan yang lebih indah dan nilai eksplorasi yang besar. Hanya dengan memahami rantai pasokan fisik dan digital secara menyeluruh, model besar dapat memberdayakan industri.

Seperti pengalaman yang diringkas oleh kurva Gartner, perkembangan berbagai hal akan melalui tahapan seperti "teknis perkecambahan-harapan ekspansi-memecah lembah-memanjat pemulihan-kematangan produksi". Dan untuk meringkasnya dalam kalimat lain: Jangan perlakukan masalah ritme sebagai masalah struktural.

Perkembangan teknologi adalah tren yang tak terhindarkan, didorong oleh tiga elemen "data, algoritme, dan daya komputasi", kecerdasan buatan pasti akan terus berkembang, namun pasti akan ada beberapa liku-liku selama periode ini. Yang dibutuhkan adalah ritme ilmiah perusahaan dalam penelitian dan pengembangan dan penerapan teknologi, serta jangka panjang yang melihat tren dan bersedia untuk mematuhinya.

Kegigihan dan terobosan JD.com dalam rantai pasokan adalah mikrokosmos dari kemenangan jangka panjang. Sekarang, dalam kompetisi model besar, dalam gelombang kecerdasan buatan, hal yang sama dibutuhkan.

Dapat dipercaya dengan kuat bahwa meskipun teknologi diimplementasikan dengan kecepatan tinggi, selama itu mengakar di industri, nilai yang sangat besar pasti akan lahir. Seperti yang dikatakan Xu Ran, CEO Grup Jingdong, ketika efisiensi industri dan batas-batas industri diperluas dan ditingkatkan secara kualitatif, model besar akan memiliki nilai dan signifikansi praktis yang lebih penting, yang tidak kurang dari revolusi industri lainnya.

Rumus kecerdasan buatan juga disimpulkan menjadi "skenario, produk, kelompok daya komputasi, dan ketebalan industri", yang merupakan kunci untuk mempromosikan model besar dari "munculnya kemampuan" menjadi "munculnya nilai".

[1] Jingwei Zhang Ying: AI Jauh dan Dekat, Chaos Academy, 2023;

[2] Lighthill Report, Science Research Council of Great Britain, 1973