Повод для написания этой статьи случился не так давно.
Мы участвовали в тематическом форуме, который объединил большие модели с промышленностью. После мероприятия с нами связался представитель отраслевого организатора и сказал: «Вы говорили о больших моделях. Что такое большая модель? Насколько велика большая модель? Почему мы не можем использовать маленькие модели?»
Эта серия вопросов еще раз заставляет нас осознать, что разумные стороны спроса и предложения часто находятся в двух дискурсивных системах. Вы уже давно говорите о Трансфомере и Агенте, но, возможно, вам все еще интересно, откуда взялись слова «большая модель».
Этот разрыв особенно серьезен в эпоху ИИ. Поскольку технология ИИ включает в себя более длинную цепочку: те, кто создает алгоритмы, те, кто создает облака, те, кто производит оборудование, те, кто создает ИТ-решения, и те, кто, наконец, оплачивает счета, каждый может говорить о своем собственном мнении, и никто не собирается по-настоящему понять кого-либо.
Сегодня все говорят о больших отраслевых моделях и моделях большой промышленности. Действительно, с точки зрения технической логики легко обнаружить, что большие модели могут принести огромный прирост производительности во многих отраслях. Перемещение крупных моделей в промышленность для достижения цифровой и реальной интеграции является наиболее отличительной чертой китайского ИИ и имеет большое макростратегическое значение в контексте цифрового Китая.
Но на практике этот путь полон проблем и недоразумений.
В конце концов, девять из десяти компаний, занимающихся разработкой алгоритмов искусственного интеллекта, не могут этого сделать. Прежде чем открыть новое окно возможностей для большой модели B, мы должны сначала определить, какая крупная модель нужна отрасли?
Крупная промышленная модель — это не модель
Самое большое недоразумение, когда компании, занимающиеся искусственным интеллектом, разрабатывают крупномасштабные модели и объединяют отрасли, заключается в том, что они не могут понять взаимосвязь между спросом и предложением.
Это правда, что в настоящее время признание и признание крупных моделей в отрасли относительно хорошее, но интеллектуальные проекты по-прежнему являются рынком абсолютного покупателя. Поставщикам технологий необходимо адаптироваться к потребностям, способностям, опыту и даже коммуникативным навыкам и деловым привычкам конечных пользователей.
Однако благодаря компаниям, создающим крупномасштабные модели искусственного интеллекта, в сферу Интернета хлынуло большое количество талантов и средств. Логика спроса и предложения в Интернете заключается в том, что одна точка поставок удовлетворяет большой объем спроса.У меня есть трюк, позволяющий привносить новые идеи со всего мира. Легко представить себе адаптацию больших моделей во многих отраслях. Например, фабрике нужен анализ ингредиентов, а банку — инвестиционный анализ. Разве моя большая модель не может его проанализировать?
Поэтому под таким «внешним мышлением» многие ИИ-компании впали в огромное недоразумение: они думают, что раз у меня большая модель, то ко мне должны приходить клиенты из всех отраслей. Я представляю случаи из двух-трех отраслей, которые должны быть признаны другими отраслями. Эту мою большую модель можно использовать везде, поэтому ее называют большой промышленной моделью.
Действительно ли эти специалисты по искусственному интеллекту верят, что большие модели — это панацея отрасли, или они просто намеренно так хвастаются. С точки зрения промышленных заказчиков эта сцена равносильна ерунде. Они подумают, что технологии, используемые в финансовой индустрии, не имеют ничего общего с нашими угольными шахтами? Если бы существовала еда, которую могли бы есть кошки, коровы, люди или даже кошки, вы бы осмелились ее съесть?
**Первое, что отрасль должна делать с большими моделями, — это не объединять совершенно разные отрасли в слово «индустрия» и не заканчивать ее. Даже в пределах определенной отрасли большие модели могут решить только одну или несколько проблем отрасли, и одна модель не может «исправить все отрасли». **
Любой, кто работает в сфере ИТ, знает, что для того, чтобы иметь продукты, нужны услуги, а чтобы понимать технологии, нужно понимать отрасль. Однако компании, занимающиеся искусственным интеллектом, особенно те, которые вливают большие деньги в сферу крупных моделей, обычно не понимают и не уважают различия в потребностях отрасли.
Конечно, у разных отраслей также есть общие потребности в больших моделях. Например, базовый диалог, резюме и мультимодальные возможности. Но чаще всего в каждой отрасли существуют разные требования, базовые цифровые возможности и даже требования безопасности, требования к задержке, а также требования к эксплуатации и техническому обслуживанию. На современном этапе очень сложно тиражировать и продвигать большую модель в конкретной отрасли, а тем более охватить несколько или даже десятки отраслей за один раз.
Когда дело доходит до промышленной разведки, приоритетом всегда является промышленность, а не разведка.
Не упоминать сокращение оборудования и инженерных разработок — пустая трата времени
Многие компании, занимающиеся цифровизацией и разведкой, будут удивлены этой вещью, посмотрев на клиентскую среду: то, на что клиент потратил много денег, на самом деле является очень простым программным обеспечением, запечатанным в коробку, а затем изготовленным в соответствии с требованиями отрасли. Требования: кнопки, интерфейс и все такое. Многие из этих программ даже являются перепаковками очень старых зарубежных программ с открытым исходным кодом и уже давно отстают в техническом отношении. В это время они будут сетовать на то, что так легко обмануть клиентов отрасли и лишить их денег.
Но тут возникает вопрос: если подумать об этой проблеме с другой стороны, как бы предприятие использовало ее без этого уровня инкапсуляции? Необходимо ли фабрике, шахте или лесной ферме нанимать и обучать большое количество специалистов в области облачных вычислений и алгоритмов искусственного интеллекта? И пусть эти цифровые таланты управляют производством, операциями и продажами всего предприятия? Это явно ненадежно.
Таким образом, несколько парадоксальным фактом является то, что пользователи отрасли больше заботятся об «оболочке», чем о блестящих передовых технологиях. Этот уровень оболочки относится к аппаратному обеспечению и инженерным разработкам, которые инкапсулируют, управляют и поддерживают технические возможности в соответствии с требованиями конечного использования. Хотя окончательно собранная вещь может быть сложной в использовании и не усовершенствованной, для отраслевых пользователей наиболее важным условием интеллекта является то, что его можно использовать, а сотрудники могут ему научиться.
Сегодня, обсуждая крупные отраслевые модели, мы часто впадаем в это недоразумение. Практики склонны уделять слишком много внимания лидерству и интернациональности уровня алгоритмов, конкурировать с шкалой параметров и рекордами испытаний и сосредотачиваться на программном обеспечении. Но что отрасли нужно, чтобы большие модели могли конкурировать с предыдущими цифровыми системами, так это за счет затрат на использование и эксплуатационных порогов. Для этого требуется большая модель, учитывающая аппаратную среду, сетевую среду, ресурсы хранения и вычислительные ресурсы, операционную систему и даже источник питания, влажность и температуру среды развертывания.
**Второе, что необходимо сделать крупным промышленным моделям, — это принять во внимание аппаратную адаптацию и инженерные вопросы. **
Возможность реализации большой модели зависит от выбора подходящей сцены. Но что такое сцена? Последнее место, которое работает, называется сценой.
Подавляющее большинство компаний не являются ИТ-ориентированными. Даже большинство компаний не могут направить выделенный персонал для тщательного понимания того, что такое большая модель. Эту вещь уже давно нельзя изменить.
Гора не придет увидеть вас, поэтому вам придется увидеть гору.
Многие люди сравнивают большую модель с золотой жилой, поэтому обучение большой модели — это всего лишь выкапывание золотой жилы. гора.
В конечном итоге экспертам придется отправиться на завод
Многие производители ИИ всегда упоминают об этом, рассказывая истории клиентам или общаясь с общественностью: не волнуйтесь, у нас есть эксперты и постдокты, укоренившиеся в отрасли. Я ездил на фабрики и на сельхозугодья и оставался там несколько месяцев.
Если вы потенциальный отраслевой пользователь больших моделей, просто послушайте эту историю. Это правда, что на заводе работают специалисты, но этот завод, скорее всего, не ваш.
Фактически, наличие экспертов по искусственному интеллекту на переднем крае отрасли — это эффективный способ сократить разрыв между отраслевым спросом и предложением крупных моделей. Это также необходимый процесс развития промышленного интеллекта.
Но этот процесс должен быть лишь временным и не может длиться долго. Представьте себе, крупные модели сейчас на первом плане, чего стоят специалисты? На объекте находится группа экспертов. Какая организация сможет покрыть такие расходы на заработную плату?
Эксперты, которые, по утверждениям компаний, занимающихся искусственным интеллектом, работают на заводе, на самом деле проводят исследования и тестируют. Как правило, они сотрудничают с ведущими заказчиками отрасли, производители готовы пробежаться по моделям, чтобы выявить конкретные проблемы.
**Эксперты могут ездить на заводы, но эксперты, конечно, не могут находиться на одном заводе за другим из года в год. **Это стандартное действие, когда производители ИИ входят в отрасль, но часто под ним понимают рутинное действие, намеренное или непреднамеренное. Но если вам действительно приходится полагаться на экспертов, которые пойдут на завод для продвижения больших моделей, то ИИ никогда не будет быть в состоянии быть реализовано из-за стоимости. Никто не может себе это позволить.
Третье, что необходимо сделать **промышленным крупным моделям, — это обеспечить низкопороговую тиражируемость технологии в отрасли и не позволить в значительной степени полагаться на индивидуальное взаимодействие вручную. **
Что следует особо отметить, так это то, что на данном этапе крупные и средние предприятия становятся все более осторожными в инвестировании в разведку, и цена проб и ошибок не может быть слишком высокой. Масштабные планы внедрения моделей, которые являются слишком экспериментальными и неопределенными, на текущем этапе трудно получить признание со стороны крупных клиентов, не говоря уже о тысячах малых и средних клиентов, и для их продвижения невозможно полагаться на серьезные ручные инвестиции.
Подводя итог, можно выделить три проблемы реализации крупномасштабных промышленных моделей на современном этапе:
Производители искусственного интеллекта всегда рассматривают большие модели как панацею, но отрасли нужно понимание и сосредоточенность.
Производители искусственного интеллекта всегда уделяют особое внимание инновациям в алгоритмах, но отрасли нужны инженерные решения и работоспособность.
Производители ИИ продвигают большое количество проектов, которые полагаются на таланты, но отрасли нужны низкие затраты и возможность тиражирования.
Солнце восходит, когда в индустрию выпускаются большие модели, но вам также приходится сознательно убирать снег. Когда вы возвращаетесь к пользовательскому интерфейсу, вы часто можете найти ответы на большее количество вопросов.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Какие большие модели нужны отрасли?
Первоисточник: полярное тело мозга.
Повод для написания этой статьи случился не так давно.
Мы участвовали в тематическом форуме, который объединил большие модели с промышленностью. После мероприятия с нами связался представитель отраслевого организатора и сказал: «Вы говорили о больших моделях. Что такое большая модель? Насколько велика большая модель? Почему мы не можем использовать маленькие модели?»
Эта серия вопросов еще раз заставляет нас осознать, что разумные стороны спроса и предложения часто находятся в двух дискурсивных системах. Вы уже давно говорите о Трансфомере и Агенте, но, возможно, вам все еще интересно, откуда взялись слова «большая модель».
Этот разрыв особенно серьезен в эпоху ИИ. Поскольку технология ИИ включает в себя более длинную цепочку: те, кто создает алгоритмы, те, кто создает облака, те, кто производит оборудование, те, кто создает ИТ-решения, и те, кто, наконец, оплачивает счета, каждый может говорить о своем собственном мнении, и никто не собирается по-настоящему понять кого-либо.
Сегодня все говорят о больших отраслевых моделях и моделях большой промышленности. Действительно, с точки зрения технической логики легко обнаружить, что большие модели могут принести огромный прирост производительности во многих отраслях. Перемещение крупных моделей в промышленность для достижения цифровой и реальной интеграции является наиболее отличительной чертой китайского ИИ и имеет большое макростратегическое значение в контексте цифрового Китая.
Но на практике этот путь полон проблем и недоразумений.
В конце концов, девять из десяти компаний, занимающихся разработкой алгоритмов искусственного интеллекта, не могут этого сделать. Прежде чем открыть новое окно возможностей для большой модели B, мы должны сначала определить, какая крупная модель нужна отрасли?
Крупная промышленная модель — это не модель
Самое большое недоразумение, когда компании, занимающиеся искусственным интеллектом, разрабатывают крупномасштабные модели и объединяют отрасли, заключается в том, что они не могут понять взаимосвязь между спросом и предложением.
Это правда, что в настоящее время признание и признание крупных моделей в отрасли относительно хорошее, но интеллектуальные проекты по-прежнему являются рынком абсолютного покупателя. Поставщикам технологий необходимо адаптироваться к потребностям, способностям, опыту и даже коммуникативным навыкам и деловым привычкам конечных пользователей.
Однако благодаря компаниям, создающим крупномасштабные модели искусственного интеллекта, в сферу Интернета хлынуло большое количество талантов и средств. Логика спроса и предложения в Интернете заключается в том, что одна точка поставок удовлетворяет большой объем спроса.У меня есть трюк, позволяющий привносить новые идеи со всего мира. Легко представить себе адаптацию больших моделей во многих отраслях. Например, фабрике нужен анализ ингредиентов, а банку — инвестиционный анализ. Разве моя большая модель не может его проанализировать?
Поэтому под таким «внешним мышлением» многие ИИ-компании впали в огромное недоразумение: они думают, что раз у меня большая модель, то ко мне должны приходить клиенты из всех отраслей. Я представляю случаи из двух-трех отраслей, которые должны быть признаны другими отраслями. Эту мою большую модель можно использовать везде, поэтому ее называют большой промышленной моделью.
Действительно ли эти специалисты по искусственному интеллекту верят, что большие модели — это панацея отрасли, или они просто намеренно так хвастаются. С точки зрения промышленных заказчиков эта сцена равносильна ерунде. Они подумают, что технологии, используемые в финансовой индустрии, не имеют ничего общего с нашими угольными шахтами? Если бы существовала еда, которую могли бы есть кошки, коровы, люди или даже кошки, вы бы осмелились ее съесть?
**Первое, что отрасль должна делать с большими моделями, — это не объединять совершенно разные отрасли в слово «индустрия» и не заканчивать ее. Даже в пределах определенной отрасли большие модели могут решить только одну или несколько проблем отрасли, и одна модель не может «исправить все отрасли». **
Любой, кто работает в сфере ИТ, знает, что для того, чтобы иметь продукты, нужны услуги, а чтобы понимать технологии, нужно понимать отрасль. Однако компании, занимающиеся искусственным интеллектом, особенно те, которые вливают большие деньги в сферу крупных моделей, обычно не понимают и не уважают различия в потребностях отрасли.
Конечно, у разных отраслей также есть общие потребности в больших моделях. Например, базовый диалог, резюме и мультимодальные возможности. Но чаще всего в каждой отрасли существуют разные требования, базовые цифровые возможности и даже требования безопасности, требования к задержке, а также требования к эксплуатации и техническому обслуживанию. На современном этапе очень сложно тиражировать и продвигать большую модель в конкретной отрасли, а тем более охватить несколько или даже десятки отраслей за один раз.
Когда дело доходит до промышленной разведки, приоритетом всегда является промышленность, а не разведка.
Не упоминать сокращение оборудования и инженерных разработок — пустая трата времени
Многие компании, занимающиеся цифровизацией и разведкой, будут удивлены этой вещью, посмотрев на клиентскую среду: то, на что клиент потратил много денег, на самом деле является очень простым программным обеспечением, запечатанным в коробку, а затем изготовленным в соответствии с требованиями отрасли. Требования: кнопки, интерфейс и все такое. Многие из этих программ даже являются перепаковками очень старых зарубежных программ с открытым исходным кодом и уже давно отстают в техническом отношении. В это время они будут сетовать на то, что так легко обмануть клиентов отрасли и лишить их денег.
Но тут возникает вопрос: если подумать об этой проблеме с другой стороны, как бы предприятие использовало ее без этого уровня инкапсуляции? Необходимо ли фабрике, шахте или лесной ферме нанимать и обучать большое количество специалистов в области облачных вычислений и алгоритмов искусственного интеллекта? И пусть эти цифровые таланты управляют производством, операциями и продажами всего предприятия? Это явно ненадежно.
Таким образом, несколько парадоксальным фактом является то, что пользователи отрасли больше заботятся об «оболочке», чем о блестящих передовых технологиях. Этот уровень оболочки относится к аппаратному обеспечению и инженерным разработкам, которые инкапсулируют, управляют и поддерживают технические возможности в соответствии с требованиями конечного использования. Хотя окончательно собранная вещь может быть сложной в использовании и не усовершенствованной, для отраслевых пользователей наиболее важным условием интеллекта является то, что его можно использовать, а сотрудники могут ему научиться.
Сегодня, обсуждая крупные отраслевые модели, мы часто впадаем в это недоразумение. Практики склонны уделять слишком много внимания лидерству и интернациональности уровня алгоритмов, конкурировать с шкалой параметров и рекордами испытаний и сосредотачиваться на программном обеспечении. Но что отрасли нужно, чтобы большие модели могли конкурировать с предыдущими цифровыми системами, так это за счет затрат на использование и эксплуатационных порогов. Для этого требуется большая модель, учитывающая аппаратную среду, сетевую среду, ресурсы хранения и вычислительные ресурсы, операционную систему и даже источник питания, влажность и температуру среды развертывания.
**Второе, что необходимо сделать крупным промышленным моделям, — это принять во внимание аппаратную адаптацию и инженерные вопросы. **
Возможность реализации большой модели зависит от выбора подходящей сцены. Но что такое сцена? Последнее место, которое работает, называется сценой.
Подавляющее большинство компаний не являются ИТ-ориентированными. Даже большинство компаний не могут направить выделенный персонал для тщательного понимания того, что такое большая модель. Эту вещь уже давно нельзя изменить.
Гора не придет увидеть вас, поэтому вам придется увидеть гору.
Многие люди сравнивают большую модель с золотой жилой, поэтому обучение большой модели — это всего лишь выкапывание золотой жилы. гора.
В конечном итоге экспертам придется отправиться на завод
Многие производители ИИ всегда упоминают об этом, рассказывая истории клиентам или общаясь с общественностью: не волнуйтесь, у нас есть эксперты и постдокты, укоренившиеся в отрасли. Я ездил на фабрики и на сельхозугодья и оставался там несколько месяцев.
Если вы потенциальный отраслевой пользователь больших моделей, просто послушайте эту историю. Это правда, что на заводе работают специалисты, но этот завод, скорее всего, не ваш.
Фактически, наличие экспертов по искусственному интеллекту на переднем крае отрасли — это эффективный способ сократить разрыв между отраслевым спросом и предложением крупных моделей. Это также необходимый процесс развития промышленного интеллекта.
Но этот процесс должен быть лишь временным и не может длиться долго. Представьте себе, крупные модели сейчас на первом плане, чего стоят специалисты? На объекте находится группа экспертов. Какая организация сможет покрыть такие расходы на заработную плату?
Эксперты, которые, по утверждениям компаний, занимающихся искусственным интеллектом, работают на заводе, на самом деле проводят исследования и тестируют. Как правило, они сотрудничают с ведущими заказчиками отрасли, производители готовы пробежаться по моделям, чтобы выявить конкретные проблемы.
**Эксперты могут ездить на заводы, но эксперты, конечно, не могут находиться на одном заводе за другим из года в год. **Это стандартное действие, когда производители ИИ входят в отрасль, но часто под ним понимают рутинное действие, намеренное или непреднамеренное. Но если вам действительно приходится полагаться на экспертов, которые пойдут на завод для продвижения больших моделей, то ИИ никогда не будет быть в состоянии быть реализовано из-за стоимости. Никто не может себе это позволить.
Третье, что необходимо сделать **промышленным крупным моделям, — это обеспечить низкопороговую тиражируемость технологии в отрасли и не позволить в значительной степени полагаться на индивидуальное взаимодействие вручную. **
Что следует особо отметить, так это то, что на данном этапе крупные и средние предприятия становятся все более осторожными в инвестировании в разведку, и цена проб и ошибок не может быть слишком высокой. Масштабные планы внедрения моделей, которые являются слишком экспериментальными и неопределенными, на текущем этапе трудно получить признание со стороны крупных клиентов, не говоря уже о тысячах малых и средних клиентов, и для их продвижения невозможно полагаться на серьезные ручные инвестиции.
Подводя итог, можно выделить три проблемы реализации крупномасштабных промышленных моделей на современном этапе:
Производители искусственного интеллекта всегда рассматривают большие модели как панацею, но отрасли нужно понимание и сосредоточенность.
Производители искусственного интеллекта всегда уделяют особое внимание инновациям в алгоритмах, но отрасли нужны инженерные решения и работоспособность.
Производители ИИ продвигают большое количество проектов, которые полагаются на таланты, но отрасли нужны низкие затраты и возможность тиражирования.
Солнце восходит, когда в индустрию выпускаются большие модели, но вам также приходится сознательно убирать снег. Когда вы возвращаетесь к пользовательскому интерфейсу, вы часто можете найти ответы на большее количество вопросов.