В отрасли внедряются крупномасштабные модели: от «появления возможностей» к «появлению ценности»

Первоисточник: Yibang Power

Источник изображения: сгенерировано Unbounded AI‌

«Грандиозное движение» искусственного интеллекта ИИ, звучавшее с начала 2023 года, в последнее время уже не так «сладко», а смешано с шумом и сомнениями.

**Например, споры о дорожном движении. **

Согласно данным зарубежной исследовательской организации Similarweb, после того, как OpenAI добился больших успехов, с мая рост трафика остановился. В июне количество посещений ChatGPT впервые даже показало снижение по сравнению с предыдущим месяцем, со скоростью 9,7%. Согласно этим данным, некоторые люди говорят, что ИИ снова станет крутым.

Однако есть также общественное мнение, что трафик опроса — это только данные C-конца, тогда как AI в настоящее время работает над B-концом. Трафик на стороне B даже превышает половину текущего общего трафика, и он быстро растет. Просто исследовательские институты не получили полных данных.

Является ли поток кратковременным колебанием? Или долгосрочный спад? Или действительно акцент другой?

** Другой пример — ложный энтузиазм. **

Чжан Ин, партнер Matrix Partners, поделился двумя данными, весьма интересными для сравнения. Во-первых, с марта по май этого года среди компаний, входящих в индекс S&P 500, руководители 110 компаний упомянули ИИ на биржах производительности, что в три раза превышает тот же тип данных за последние десять лет.

Но другой набор других данных заключается в том, что недавно международный инвестиционный банк Morgan Stanley провел опрос более 2000 человек, и выяснилось, что 80% из них никогда не пользовались ChatGPT или Google Bard1.

По сравнению с этими данными создается впечатление, что «Е Гун любит драконов». Является ли энтузиазм этих руководителей корпораций, технологических гигантов и аналитиков фальшивым?

** Или путаница пользователей. **

C-конечные пользователи полны энтузиазма и искренни, но после использования у них появляются сомнения: мы хотим, чтобы роботы помогали людям подметать пол и мыть посуду, потому что люди хотят писать стихи и рисовать. В результате ИИ теперь пишет стихи и картины, а мы, люди, по-прежнему подметаем пол и моем посуду.

Может ли быть так, что «появление» искусственного интеллекта не может быть отражено в реальном мире?

Разногласия по поводу трафика, ложный энтузиазм и замешательство среди пользователей — эти разногласия также напрямую затрагивают основные элементы разработки больших моделей: как ** действительно может стать производительной силой? **

Разные способы ответа сформируют разные системы разработки ИИ, а также станут водоразделом для будущего развития предприятий.

01 От алгоритма к продукту

Со дня своего рождения искусственный интеллект укрепляет свои «две ноги» для ходьбы: одна — технология, другая — приложение.

За улучшением технологии ИИ стоит общая поддержка трех основных элементов: вычислительной мощности, данных и алгоритмов. Например, с точки зрения алгоритмов искусственный интеллект последовательно прошел такие этапы, как правила, статистическое машинное обучение, глубокое обучение и предварительное обучение, тем самым значительно расширив объем данных; а «новаторский» алгоритм Transformer благодаря вниманию Механизм позволяет ИИ «задавать вопросы» Быстрое обучение быстрым способом, демонстрируя тем самым значительную мутацию и более сильную способность к самообучению.

Каждый технологический скачок преподносит сюрпризы, но если вы оглянетесь на историю развития искусственного интеллекта, то обнаружите, что после нескольких сюрпризов наступает одиночество.

Например, во время аномальной жары, возникшей в 1956 году, искусственный интеллект мог играть в шахматы и ловить строительные блоки, но в 1973 году в отчете академического сообщества был сделан вывод: Значительное влияние**2.

В 1976 году экспертная система на основе ИИ начала участвовать в медицинской диагностике и консультациях. В связи с возобновлением аномальной жары правительства всего мира наращивают инвестиции. Однако еще через десять лет обнаружилось, что машины знатоков не проявили особого таланта. Врачам по-прежнему приходится приезжать туда лично, чего недостаточно.

С 2016 года Google AlphaGO бросил вызов многим шахматным королям в мире го, одержав 60 побед подряд за 5 дней. Даже Ли Шиши и Кэ Цзе могут только сдаться. Люди сокрушаются о силе искусственного интеллекта, но за следующие пять лет ИИ не сделал ничего удивительного.

Поворотным моментом между взлетами и падениями является именно «продукт»: есть ли хороший продукт, пусть технология сойдет с алтаря и войдет в общество, и действительно станет лидером производительности и творчества.

Есть много случаев, когда технологии и продукты способствуют друг другу. Например, провальным является проект Motorola Iridium, предоставляющий глобальные услуги спутниковой связи, который является лидером по технологиям, но из-за того, что его продукция не заземлена, он объявил о банкротстве после четырех лет официальной эксплуатации. Успешные примеры включают электромобили.Хотя батареи и электроприводы являются существующими технологиями, рынок будет постепенно открываться только после того, как появятся продукты с сильным чувством технологии.

Возвращаясь к области больших моделей, в этом раунде развития ИИ есть интересный момент: OpenAI выпустил всемирно известный ChatGPT, но он использует алгоритм Google Transformer для непрерывной оптимизации. Это показывает, что в этом раунде крупномасштабных соревнований по моделированию и волне искусственного интеллекта одних алгоритмов недостаточно. Слаб только алгоритм, одноточечная конкуренция алгоритма со временем уступит место «конкуренции продуктов».

И OpenAI — это не «увлекательная технология», за ней также стоит поддержка мощной «системы продуктов» Microsoft: поиск Bing, семейная корзина Office, личный помощник, рекламный маркетинг и другие облачные сервисы, ориентированные на предприятия.

Это как «золотое правило» в венчурном кругу: если фаундер — технолог или гик, то он должен не только давать деньги, но и давать их партнеру, понимающему рынок. Таким образом, технологии приветствуются, но доход не пользуется популярностью.

Поэтому, придавая большое значение технологиям, он также уделяет больше внимания руководству по применению и продвижению продукта. Специально для крупных предприятий, вместо того, чтобы говорить партнерам, у меня есть много мощных возможностей ИИ, и вы можете использовать их, как хотите; возможно, предоставление некоторых модулей продукта ближе к реальности. Итак, хороший продукт, как это сделать?

02 От общего к промышленному

Даже если бы Чжугэ Лян знал астрономию наверху и географию внизу, даже если бы да Винчи мог рисовать, препарировать и строить самолеты, они могли бы ограничиться только знаниями той эпохи. С другой стороны, искусственный интеллект может полагаться на большое количество входных данных, чтобы значительно расширить границы знаний.

Однако мудрость искусственного интеллекта не совершенна и не универсальна. Судя по опыту последних месяцев, ИИ время от времени будет «нести чушь всерьез». Возможно, ИИ не лжет намеренно, но он определенно показывает, что общая модель все еще несовершенна.

Особенно, когда речь идет о некоторых конкретных областях, таких как финансы, образование и т. д., ограничения общих крупных моделей будут очевидны. В конце концов, всегда есть много областей, где имбирь все еще актуален, и ключевое значение имеет ноу-хау.

Однако, если крупная модель не сможет войти в отрасль, ее стоимость будет значительно снижена. Специально для нашей страны, которая имеет огромную и богатую основу производственной цепочки, все вертикальные отрасли должны быть объединены с новыми технологиями для снижения затрат, повышения эффективности и создания новой стоимости.

Значит, в вертикальном поле нужно сделать только маленькую модель? ответ отрицательный. Небольшие отраслевые модели могут решать проблемы в конкретных областях или могут хорошо справляться со своей задачей, но есть две проблемы.

Одним из них является отсутствие обобщения: после смены сцены может возникнуть необходимость сделать это снова, что приведет к существенному увеличению затрат. Одно блюдо на человека, и блюда не повторяются.Если открыть такой ресторан, он точно обанкротится. Итак, ограниченный разум — это не разум.

С другой стороны, если в процессе подачи заявки пользователь вдруг задаст несколько междоменных вопросов, маленькая модель также будет сбита с толку. Очевидно, тенденция отраслевого кроссовера становится все более очевидной, как и электромобили, которые одновременно являются транспортными средствами, батареями и полупроводниками. Как только вы подумаете с точки зрения пользователя, даже если это совершенно нерелевантная область, вы все равно надеетесь получить комплексное обслуживание.

Следовательно, большие модели должны войти в вертикальные отрасли, а вертикальные отрасли также нуждаются в больших моделях. Как сделать? Образец наблюдения — JD.com.

В 2021 году JD.com возьмет на себя инициативу по внедрению знаний предметной области в большие модели, что может повысить точность модели с 83% до 96%. Буквально вчера JD.com запустил масштабную модель Yanxi на уровне 100 миллиардов для отрасли. Согласно введению, ** 70% обучающих данных — это общие большие данные, а остальные 30% — это отраслевые данные о ноу-хау, накопленные в процессе работы различных секторов JD, включая розничную торговлю, логистику, здравоохранение, финансы и другие отрасли. ** .

Конечно же, взрослые не делают выбор, но хотят и того, и другого.

На самом деле, это правильный поступок. Этот раунд генеративного ИИ очень привлекателен, но также и потому, что алгоритм силен, данных много, а вычислительная мощность достаточно сильна. И самая большая модель не статична, это непрерывное обучение. Таким образом, данные и алгоритмы образуют «эффект маховика»: по мере того, как будет доступно все больше хороших данных, алгоритмы будут становиться все более и более совершенными, чем эффективнее алгоритм, тем больше будет пользователей и тем больше будет обратной связи по данным. **.

Таким образом, формирование замкнутого цикла «данные-алгоритм» как можно скорее является не только путем к успеху продукта, но и ключом к конкуренции предприятия.

Кроме того, качественных данных также мало. В заголовке «Не закончатся ли данные?» «Отчет показывает, что качественные данные на естественном языке могут быть исчерпаны большими языковыми моделями уже в 2026 году. У кого хорошие данные, у того и "боеприпасы" лучше. А хорошие данные, особенно в промышленной сфере, должны исходить из реальных промышленных сценариев.

Поэтому замкнутый цикл «данные-алгоритм» интерпретируется как конкуренция «сцена-продукт». И только выходя на сцену, большая модель может перейти от «появления возможностей» к «появлению ценности».

03 От нативного к расширению возможностей

Одним из способов реализовать появление промышленной ценности является сотрудничество с промышленностью, технологические компании предоставляют технологии, а промышленность предоставляет ноу-хау. И другой путь тоже лучший, то есть из индустрии.

Если вы владеете собственным промышленным бизнесом, у вас будут реальные и ценные «качественные данные»: вы терпели убытки, наступали на гром, сражались, выигрывали сражения и умеете воевать. Эти данные, как катализатор, могут эффективно стимулировать разработку крупных моделей, которые ближе к бизнесу и лучше решают проблемы.

Прошлый случай — развитие облачных сервисов в Китае. Независимо от того, внутри страны или за границей, начальная стадия облака начинается с нужд самого предприятия, а затем уже ориентирована на рынок. В начале облачных сервисов каждый «продукт» кажется одинаковым, у меня есть то, что у вас есть. Однако при сочетании технологий и бизнеса каждая компания имеет свои особенности.

Возьмите Jingdong в качестве примера. JD.com начинался с «маркетинга, торговли, складирования, дистрибуции, послепродажного обслуживания» и других видов бизнеса, но наряду с постепенным улучшением физической сети цепочки поставок, оцифровкой внутренней цепочки поставок и JD. com's собственная розничная торговля, финансы, логистика, здравоохранение. Благодаря глубоко укоренившемуся развитию отраслей и других областей JD.com постепенно завершила расширение с «последних пяти сегментов ** сахарного тростника» на «первые пять сегментов ** ": ** есть платформы, сцены, ИИ, есть опыт**.

Впоследствии JD.com усовершенствовала свой опыт в цепочке поставок, создав продукты и услуги «цифровой интеллектуальной цепочки поставок», основанные на технологии JD Cloud, и экспортировала их в общество. В результате сформировались возможности повышения эффективности цифровой инфраструктуры, повышения эффективности промышленной синергии, интеллектуального управления городом.

Сегодня в цепочке поставок Jingdong Shuzhi насчитывается более 10 миллионов наименований продуктов для самостоятельного использования, обслуживающих более 8 миллионов активных корпоративных клиентов, из которых более 90% входят в число 500 крупнейших компаний мира в Китае и почти 70% специализированные малые и средние предприятия страны, и достигли глубокого сотрудничества с более чем 2000 промышленных поясов по всей стране.

Такой сценарий JD.com с длинными ссылками, сложной совместной работой и более динамичным обратным потоком данных является лучшей тренировочной площадкой для больших моделей, а также лучшим воплощением промышленных преимуществ.

Опыт перехода от внутреннего облака к внешнему облаку также применяется для разработки крупных моделей. Jingdong также предложил «трехэтапный подход» для больших моделей:

Источник изображения: JD Cloud

Прежде всего, в июле этого года была запущена крупномасштабная модель Yanxi, которая имеет четырехуровневую систему: базовый уровень, уровень модели, MaaS и SaaS. Во-вторых, «затачиваться» в различных внутренних бизнес-направлениях в течение полугода, и умеренно проводить бенчмаркинг сотрудничества с внешними партнерами, и проходить множественные циклы «ошибок, доработок и выводов» для достижения продуктовой интеграции. Наконец, в первой половине 2024 года в отношении промышленного производства мы будем использовать лучшее отношение и более открытую экологию, чтобы обслуживать промышленность и повышать ее эффективность.

Внутренние приложения также оказались весьма эффективными. Например, в сфере финансового маркетинга это тоже «старая база» JD.com. JD Finance накопила обширные знания за десятилетия развития бизнеса и в сочетании с искусственным интеллектом может эффективно оптимизировать ключевые задачи, динамическую адаптируемость и удобство работы пользователей.

Например, снизить затраты на обучение и эксплуатационные расходы на операционный персонал, а также повысить эффективность производства решения в сотни раз; сократить процесс, который можно выполнить только за счет более чем 5 типов функций, таких как продукт/НИОКР/алгоритм/ дизайн/аналитик одному человеку, при этом новый интерактивный режим входа сокращает количество человеко-машинных взаимодействий с 2000 до менее 50 и повышает эффективность работы более чем в 40 раз.

Значительное увеличение числа также показывает, что, хотя с точки зрения ритма, эта трехшаговая прогулка кажется немного медленной. Однако, учитывая входные затраты на крупную модель и значительное влияние на отрасль, только приняв пошаговый подход, можно преобразовать ее в «пошаговую прибыль», чтобы позволить технологии приносить выгоду.

Иными словами, на самом деле не медленно, потому что по-настоящему добиться промышленного прорыва непросто. Но, как и уверен Сюй Ран, генеральный директор Jingdong Group, врезаться в крупномасштабную модель с промышленной стороны — все равно, что подниматься на техническую гору Эверест с северного склона. большая исследовательская ценность. Только тщательно понимая физическую и цифровую цепочку поставок, большая модель может расширить возможности отрасли.

Как показывает опыт, обобщенный кривой Гартнера, развитие вещей будет проходить через такие этапы, как «техническое прорастание — ожидание расширения — разрушение долины — восхождение на восстановление — производственная зрелость». И резюмируя это в другом предложении: не относитесь к проблеме ритма как к структурной проблеме.

Развитие технологий является неизбежной тенденцией. Движимый тремя элементами «данные, алгоритм и вычислительная мощность» искусственный интеллект неизбежно будет продолжать развиваться, однако в этот период неизбежно будут некоторые повороты. Что необходимо, так это научный ритм предприятия в области технологических исследований, разработок и применения, а также долгосрочный подход, который видит тенденцию и готов ее придерживаться.

Настойчивость и прорыв JD.com в цепочке поставок — это микрокосм победы долгосрочного подхода. Сейчас, в большом конкурсе моделей, на волне искусственного интеллекта нужно то же самое.

Можно твердо верить, что хотя технология внедряется в темпе, пока она приживается в отрасли, неизбежно будет рождаться огромная ценность. Как сказал Сюй Ран, генеральный директор Jingdong Group, когда промышленная эффективность и границы отрасли будут расширены и качественно улучшены, большая модель будет иметь более важное практическое значение и значение, которое будет не меньшим, чем очередная промышленная революция.

Формула искусственного интеллекта также сводится к «сценарию, продукту, группе вычислительной мощности и промышленной толщине», что является ключом к продвижению большой модели от «появления возможностей» к «появлению ценности».

[1] Jingwei Zhang Ying: The Far and Near of AI, Chaos Academy, 2023;

[2] Отчет Лайтхилла, Совет по научным исследованиям Великобритании, 1973 г.