業界はどのような大型モデルを必要としていますか?

出典: 脳極体

画像ソース: Unbounded AI によって生成

この記事を書くきっかけとなったのは、つい最近のことです。

大型モデルと産業を組み合わせたテーマフォーラムに参加しました。イベント後、業界主催者の代表者が私たちと連絡を取り、「あなたは大きなモデルについて話していました。大きなモデルとは一体何ですか？大きなモデルとはどのくらいの大きさですか？なぜ小さなモデルを使用できないのですか？」と言いました。

この一連の質問は、知的な供給側と需要側がしばしば 2 つの言説体系にあることを改めて認識させます。あなたはトランスフォーマーとエージェントについて長い間話してきましたが、「大型モデル」という言葉がどこから来たのかまだ疑問に思っているかもしれません。

このギャップはAI時代において特に深刻です。 AI テクノロジーには、アルゴリズムを作る人、クラウドを作る人、ハードウェアを作る人、IT ソリューションを作る人、そして最終的に料金を支払う人という長い連鎖が関係しているため、誰もが自分の意見を話しているかもしれませんし、誰もそのつもりはありません。誰かを本当に理解するために。

今日、誰もが大きな業界モデルや大きな業界モデルについて話しています。確かに、技術的な観点から見ると、大型モデルが多くの業界に大きな生産性の向上をもたらす可能性があることは容易にわかりますが、技術的な観点から見ると、中国企業はインテリジェンスに対する受容性が高く、インテリジェンスに対する需要がより強いです。データと現実の統合を達成するために大規模なモデルを産業に移行させることは、中国の AI の最も特徴的な路線であり、デジタル チャイナの文脈においてマクロ戦略的に強い重要性を持っています。

しかし実際には、この道は課題と誤解に満ちています。

結局のところ、AI アルゴリズム企業の 10 社中 9 社はそれを行うことができません。 B への大型モデルの新たな機会が到来する前に、まず業界がどのような種類の大型モデルを必要としているのかを判断する必要があります。

大規模な工業モデルはモデルではありません

AI企業が大規模なモデルを開発して業界を結合する際の最大の誤解は、需要と供給の関係が理解できないことだ。

現在、業界における大型モデルの認識と受け入れは比較的良好であることは事実ですが、インテリジェント プロジェクトは依然として絶対的な買い手市場です。テクノロジーサプライヤーは、エンドユーザーのニーズ、能力、背景、さらにはコミュニケーションスキルやビジネス習慣に適応する必要があります。

しかし、企業が大規模なAIモデルを作ったことにより、インターネット分野には大量の人材と資金が流入している。インターネットの需要と供給の論理は、単一の供給点が大量の需要を満たすというものですが、私には世界中から新しいアイデアを呼び込むためのコツがあります。多くの業界で大規模モデルを適応させることは容易に考えられます。たとえば、工場では成分分析が必要で、銀行では投資分析が必要ですが、大規模なモデルでも分析できないでしょうか?

したがって、このような「アウトドア思考」の下で、多くの AI 企業は大きな誤解に陥っています。彼らは、私が大きなモデルを持っているのだから、あらゆる業界の顧客が私のところに来るはずだと考えています。他業界からも認められるべき2～3業界の事例を紹介します。私のこの大型モデルはどこにでも使えるので、工業用大型モデルと呼ばれています。

これらの AI 実践者は、大規模モデルが業界の万能薬に等しいと本当に信じているのか、それとも単に意図的にこのように自慢しているだけなのかはわかりません。産業顧客の観点からすると、この光景はナンセンスに等しい。彼らは、金融業界で使用されているテクノロジーは我が国の炭鉱とは何の関係もないと考えるのでしょうか？牛でも人間でも猫でも、猫が食べられる食べ物があるとしたら、あなたはそれを食べる勇気がありますか？

**大規模モデルに関して業界が最初に行う必要があるのは、多種多様な業界を「業界」という言葉にまとめて終わらせないことです。特定の業界内であっても、大規模なモデルが解決できるのは業界内の 1 つまたは少数の問題であり、1 つのモデルで「すべての業界を解決する」ことは不可能です。 **

IT 業界で働く人なら誰でも、製品を入手するにはサービスが必要であり、テクノロジーを理解するには業界を理解する必要があることを知っています。しかし、AI 企業、特に大規模なモデル分野に熱い資金を注ぎ込んでいる企業は、一般に業界のニーズの違いに対する理解と尊重が不足しています。

もちろん、さまざまな業界でも大型モデルに対する共通のニーズがあります。たとえば、基本的なダイアログ、CV、マルチモーダル機能などです。しかし多くの場合、各業界には異なる要件、基本的なデジタル機能、さらにはセキュリティ要件、遅延要件、運用および保守要件さえあります。今日の段階では、特定の業界で大規模なモデルを複製して推進することは非常に困難であり、ましてや一度に数業界、さらには数十業界をカバーすることは言うまでもありません。

産業用インテリジェンスに関しては、常にインテリジェンスよりも産業が優先されます。

ハードウェアとエンジニアリングの削減について言及しないのは時間の無駄です

デジタル化とインテリジェンスに取り組む多くの企業は、顧客環境を見てこのことに驚くでしょう。顧客が大金を払って購入したものは、実際には箱に封入され、業界に合わせて作られた非常にシンプルなソフトウェアでした。ボタンやUIなど。これらのソフトウェアの多くは、非常に古い外国のオープンソース ソフトウェアを再パッケージしたものであり、技術的には長い間遅れをとっています。このとき、彼らは業界の顧客からお金をだまし取るのがとても簡単だと嘆くでしょう。

しかし、ここで疑問が生じます。この問題を別の角度から考えると、このカプセル化層がなければ、企業はどのようにこの問題を使用するでしょうか?工場、鉱山、森林農場は、クラウド コンピューティングや AI アルゴリズムの人材を大量に採用し、訓練する必要があるでしょうか?そして、これらのデジタル人材に企業全体の生産、運営、販売を指揮させましょう?これは明らかに信頼性がありません。

したがって、やや直観に反する事実ですが、業界ユーザーは、まばゆいばかりの高度なテクノロジーよりも「シェル」を気にする傾向があります。このシェルの層はハードウェアとエンジニアリングを指し、最終的な使用要件に従って技術的な機能をカプセル化し、管理し、維持します。最終的に組み立てられたものは使いにくく、高度なものではないかもしれませんが、業界ユーザーにとって、インテリジェンスにとって最も重要な条件は、それが使用でき、従業員がそれを習得できることです。

今日、大規模なインダストリ モデルについて議論するとき、この誤解に陥ることがよくあります。実務者は、アルゴリズム層のリーダーシップと国際性に過度に注意を払い、パラメーターのスケールとテスト記録で競争し、ソフトウェアに焦点を当てる傾向があります。しかし、業界が大規模モデルに求めているのは、使用コストや運用しきい値で以前のデジタル システムと競合することです。これには、ハードウェア環境、ネットワーク環境、ストレージとコンピューティング リソース、オペレーティング システム、さらには展開環境の電源、湿度、温度を考慮した大規模なモデルが必要です。

**大規模な産業モデルが行う必要がある 2 番目のことは、ハードウェアの適応とエンジニアリングの問題を考慮することです。 **

大規模なモデルを実装できるかどうかは、適切なシーンを見つけるかどうかにかかっています。しかし、シーンとは何でしょうか？最後に機能する場所はシーンと呼ばれます。

ほとんどの企業はIT志向ではありません。ほとんどの企業でも、大型モデルが何であるかを注意深く理解するために専任の担当者を派遣することはできません。このことは長い間変えることができません。

山はあなたに会いに来ないので、あなたは山を見なければなりません。

多くの人は、大きなモデルを金鉱山に例えます。そのため、大きなモデルのトレーニングは、単に金鉱山を掘り出すことです。エンジニアリング手法を使用し、大きなモデルを業界の既存のデジタル インフラストラクチャに統合することにより、金鉱山を外部に輸送することができます。山。

専門家は最終的には工場に行かなければなりません

顧客にストーリーを伝える場合でも、一般の人々に伝える場合でも、多くの AI メーカーは常に次のことを言います。「心配しないでください。当社には業界に根付いている専門家や博士研究員がいます。」工場や農地に行き、数か月間滞在しました。

あなたが大型モデルの潜在的な業界ユーザーであれば、この話を聞いてください。確かに工場には専門家が常駐していますが、その工場はあなたの工場ではない可能性が高いです。

実際、AI の専門家を業界の最前線に配置することは、業界の需要と大型モデルの供給との間のギャップを縮める効果的な方法です。これは産業インテリジェンスに必要な開発プロセスでもあります。

しかし、このプロセスは一時的なものにすぎず、長く続くことはできません。想像してみてください。大型モデルが現在最前線に立っていますが、専門家にはどのような価値があるのでしょうか?専門家チームが現場に常駐していますが、この給与コストを維持できるのはどの組織でしょうか?

AI企業が工場に常駐していると主張する専門家は、実際に症例とテストを行っている。一般に、メーカーは業界の主要な顧客と協力しており、特定の問題を観察するために戸惑いながらもモデルを実行することに積極的です。

**専門家が工場に行くことはできますが、毎年同じ工場に専門家を常駐させることはできません。 **これは、AI メーカーが業界に参入するときの標準的なアクションですが、意図的または非意図的に日常的なアクションとして理解されることがよくありますが、大規模モデルを宣伝するために実際に専門家に頼って工場に行かなければならない場合、AI は決してそうではありません。コストがかかるため実装できませんが、誰もそれを買う余裕はありません。

**産業用大規模モデルが行う必要がある 3 番目のことは、このテクノロジーの業界内での複製可能性が低く、手動でカスタマイズされた協力に大きく依存できないことです。 **

特に注意が必要なのは、現段階では大企業や中堅企業がインテリジェンスへの投資に慎重になっており、試行錯誤のコストはそれほど高くはないということだ。あまりにも実験的で不確実な大規模モデルの導入計画は、現段階では大規模顧客はおろか数千の中小規模顧客に認知されることは難しく、多額の人手投資に頼って推進することは不可能である。

要約すると、現段階で大規模産業モデルの実装には 3 つの課題があります。

1. AI メーカーは常に大規模なモデルを万能薬として想像していますが、業界が必要としているのは理解と集中力です。

2. AI メーカーは常にアルゴリズムの革新に重点を置いていますが、業界が必要としているのはエンジニアリングと操作性です。

3. AI メーカーは人材の能力に依存する多くのケースを推進していますが、業界が必要としているのは低コストと再現性です。

大型モデルが業界に投入されると日は昇りますが、意識的に雪を取り除く必要もあります。ユーザー インターフェイスに戻ると、さらに多くの質問に対する答えが見つかることがよくあります。