Büyük ölçekli modeller endüstride kök salıyor: "yeteneklerin ortaya çıkmasından" "değerin ortaya çıkmasına"

Orijinal kaynak: Yibang Gücü

Görsel kaynağı: Unbounded AI‌ tarafından oluşturuldu

Yapay zeka yapay zekasının 2023'ün başından itibaren kulağa gelen "büyük hareketi" son zamanlarda artık o kadar "tatlı" değil, gürültü ve şüphelerle karışık.

**Örneğin, trafik anlaşmazlıkları. **

Denizaşırı araştırma kuruluşuBenzerweb'in verilerine göre, Mayıs ayından bu yana OpenAI tüm yol boyunca büyük ilerlemeler kaydettikten sonra trafik artışı düzleşti. Hatta Haziran ayında, ChatGPT'ye yapılan ziyaret sayısı bir önceki aya göre %9,7'lik bir oranla ilk kez düşüş gösterdi. Bu verilere göre, bazı insanlar yapay zekanın yeniden harika olacağını söylüyor.

Bununla birlikte, anket trafiğinin yalnızca C-end verileri olduğu, AI'nın ise şu anda B-end üzerinde çalıştığı yönünde kamuoyu görüşleri de var. B tarafındaki trafik, mevcut toplam trafiğin yarısını bile aşıyor ve hızla artıyor. Sadece araştırma kurumları tam verileri alamadılar.

Akış kısa vadeli bir dalgalanma mı? Yoksa uzun vadeli düşüş mü? Yoksa gerçekten farklı bir vurgu mu?

**Başka bir örnek de sahte coşkudur. **

Matrix Partners'ın ortaklarından Zhang Ying, kıyaslandığında oldukça ilginç olan iki veri paylaştı. Birincisi, bu yıl Mart'tan Mayıs'a kadar, S&P 500 Endeksi'ndeki şirketlerden 110 şirketin yöneticisi, son on yılda üç kez aynı türde veri olan yapay zekadan performans borsalarında bahsetti.

Ancak bir başka farklı veri kümesi de, uluslararası yatırım bankası Morgan Stanley'nin yakın zamanda 2.000'den fazla kişiyle yaptığı bir anket ve bunların %80'inin ChatGPT veya Google'ın Bard1'ini hiç kullanmadığı ortaya çıktı.

Bu verilerle karşılaştırıldığında, "Ye Gong ejderhaları seviyor" gibi geliyor. Bu şirket yöneticilerinin, teknoloji devlerinin ve analistlerin coşkusu sahte mi?

** Veya kullanıcıların kafa karışıklığı. **

C-end kullanıcıları çok hevesli ve samimi, ancak kullandıktan sonra şüpheleri var: Robotların insanlara yerleri süpürmesine ve bulaşıkları yıkamasına yardımcı olmasını istiyoruz çünkü insanlar şiir yazmak ve resim yapmak istiyor. Sonuç olarak, biz insanlar hala yerleri süpürürken ve bulaşıkları yıkarken, AI artık şiirler ve resimler yazıyor.

Yapay zekanın "ortaya çıkışı" gerçek dünyaya yansıtılamıyor olabilir mi?

Kullanıcılar arasındaki trafik, yanlış coşku ve kafa karışıklığı konusundaki tartışmalar, aynı zamanda büyük modellerin geliştirilmesinin temel unsurlarını da doğrudan etkiler: ** nasıl gerçekten üretken bir güç haline gelebilir? **

Farklı yanıt verme yöntemleri, farklı AI geliştirme sistemlerini şekillendirecek ve aynı zamanda işletmelerin gelecekteki gelişimi için bir dönüm noktası olacaktır.

01 Algoritmadan ürüne

Yapay zeka doğduğu günden beri "iki ayağını" yürümek için güçlendiriyor: biri teknoloji, diğeri uygulama.

AI teknolojisinin gelişiminin arkasında, bilgi işlem gücü, veri ve algoritmaların üç ana öğesinin ortak desteği vardır. Örneğin, algoritmalar açısından yapay zeka, kurallar, istatistiksel makine öğrenimi, derin öğrenme ve ön eğitim gibi aşamalardan art arda geçerek veri miktarını büyük ölçüde genişletti ve "öncü" algoritma Transformer, dikkat yoluyla mekanizması, yapay zekanın hızlı bir şekilde "soru yapmasına" olanak tanır, böylece önemli mutasyon ve daha güçlü kendi kendine öğrenme yeteneği gösterir.

Teknolojideki her sıçrama sürprizleri beraberinde getirecektir, ancak yapay zeka geliştirme tarihine dönüp bakarsanız, birkaç sürprizden sonra yalnızlık olduğunu göreceksiniz.

Örneğin, 1956'da ortaya çıkan sıcak hava dalgasında, yapay zeka satranç oynayabiliyor ve yapı taşlarını yakalayabiliyordu, ancak 1973'te akademik camiadaki bir rapor şu sonuca vardı: Şimdiye kadar, bu alandaki herhangi bir keşif orijinal vaadi üretmedi. • Önemli etki2.

1976'da AI tabanlı uzman sistem, tıbbi teşhis ve konsültasyona katılmaya başladı. Yenilenen sıcak hava dalgalarıyla birlikte, dünyanın dört bir yanındaki hükümetler yatırımları hızlandırıyor. Ancak on yıl sonra, makine uzmanlarının pek yetenek göstermediği keşfedildi. Doktorlar hala oraya bizzat gitmek zorunda ki bu da yeterli değil.

Google AlphaGO, 2016'dan bu yana Go dünyasında birçok insan satranç kralına meydan okudu ve 5 gün içinde arka arkaya 60 zafer kazandı. Li Shishi ve Ke Jie bile ancak teslim olabilir. İnsanlar yapay zekanın gücünden yakınıyor, ancak önümüzdeki beş yıl içinde yapay zeka şaşırtıcı bir şey yapmadı.

İnişler ve çıkışlar arasındaki dönüm noktası tam olarak "ürün"dür: İyi bir ürün varsa, teknolojinin altardan inip topluma girmesine izin verin ve gerçekten üretkenliğin ve yaratıcılığın lideri olun.

Teknoloji ve ürünlerin birbirini desteklediği birçok durum vardır. Örneğin, başarısızlık vakası, Motorola'nın küresel uydu iletişim hizmetleri sağlayan Iridium projesidir.Teknolojisi liderdir, ancak ürünleri topraklanmadığı için dört yıllık resmi operasyondan sonra iflas ilan etmiştir. Başarılı örnekler arasında elektrikli araçlar var, piller ve elektrikli tahrikler mevcut teknolojiler olmasına rağmen, pazar ancak teknoloji anlayışı güçlü ürünler çıktıktan sonra kademeli olarak açılacaktır.

Büyük modeller alanına geri dönecek olursak, yapay zeka dalgasında ilginç bir nokta var: OpenAI, dünyaca ünlü ChatGPT'yi piyasaya sürdü, ancak sürekli optimizasyon için Google'ın Transformer algoritmasını kullanıyor. Bu da gösteriyor ki, bu büyük ölçekli model yarışmaları ve yapay zeka dalgasında algoritmalar tek başına yeterli değil. Yalnızca algoritma zayıftır, algoritmanın tek puanlık rekabeti sonunda yerini “ürün rekabetine” bırakacaktır.

Ve OpenAI "büyüleyici bir teknoloji" değil. Arkasında ayrıca Microsoft'un güçlü "ürün sistemi" desteği var: arama Bing, ofis aile grubu, kişisel asistan ve reklam pazarlaması ve diğer kurumsal odaklı bulut hizmetleri.

Bu, risk sermayesi çemberindeki bir "altın kural" gibidir: Kurucu bir teknoloji uzmanı veya inek ise, o zaman parayı verirken aynı zamanda piyasadan anlayan bir ortağa da vermelidir. Bu şekilde teknoloji alkışlanır ama gelir popüler olmaz.

Bu nedenle teknolojiye önem verirken uygulama yönlendirme ve ürün yönlendirmeye de daha fazla önem veriyor. Özellikle büyük ölçekli işletmeler için, ortaklara söylemek yerine, birçok güçlü AI yeteneğim var ve bunları istediğiniz gibi kullanabilirsiniz; belki de bazı ürün modülleri sağlamak gerçeğe daha yakındır. Peki, iyi bir ürün, nasıl yapılır?

02 Genelden sektöre

Zhuge Liang en üstte astronomi ve en altta coğrafya bilse bile, Da Vinci çizip parçalara ayırıp uçaklar yapsa bile, bunlar ancak o dönemin bilgisiyle sınırlı olabilirdi. Öte yandan yapay zeka, bilginin sınırlarını büyük ölçüde genişletmek için çok sayıda girdiye güvenebilir.

Ancak yapay zekanın bilgeliği mükemmel ve evrensel değildir. Son birkaç ayın deneyimine bakılırsa, yapay zeka zaman zaman "cidden saçma sapan konuşacaktır". Belki AI kasıtlı olarak yalan söylemiyor, ancak kesinlikle genel modelin hala kusurlu olduğunu gösteriyor.

Özellikle finans, eğitim vb. gibi bazı belirli alanlar söz konusu olduğunda, genel büyük modellerin sınırlamaları aşikar olacaktır. Ne de olsa, zencefilin hala sıcak olduğu ve teknik bilginin anahtar olduğu pek çok alan vardır.

Ancak büyük model sektöre giremezse değeri büyük ölçüde düşecektir. Özellikle çok büyük ve zengin bir sanayi zinciri altyapısına sahip olan ülkemiz için tüm dikey sanayilerin yeni teknolojilerle birleştirilerek maliyetlerin düşürülmesi, verimliliğin artırılması ve yeni değer üretilmesi gerekmektedir.

Yani dikey alanda sadece küçük bir model mi yapmak gerekiyor? cevap olumsuz. Küçük sanayi modelleri belirli alanlardaki sorunları çözebilir veya iyi bir iş çıkarabilir, ancak iki sorun vardır.

Birincisi, genelleme eksikliği, sahne değiştikten sonra tekrar yapmak gerekebilir ve bu da maliyetlerde önemli bir artışa yol açacaktır. Kişi başı bir tabak ve yemekler tekrarlanmıyor.Böyle bir restoran açarsanız mutlaka iflas eder. Yani sınırlı zeka, zeka değildir.

Öte yandan, uygulama sürecinde, kullanıcı aniden bazı alanlar arası sorular sorarsa, küçük modelin de kafası karışacaktır. Açıktır ki, tıpkı hem araçlar, hem piller hem de yarı iletkenler olan elektrikli araçlar gibi, endüstri geçişi eğilimi giderek daha belirgin hale geliyor. Kullanıcının bakış açısıyla düşündüğünüzde, tamamen alakasız bir alan olsa bile, yine de tek elden hizmet almayı umarsınız.

Bu nedenle, büyük modellerin dikey endüstrilere girmesi gerekiyor ve dikey endüstrilerin de büyük modellere ihtiyacı var. Nasıl yapılır? Bir gözlem örneği JD.com'dur.

2021'de JD.com, alan bilgisinin büyük modellere enjekte edilmesinde başı çekecek ve bu da modelin doğruluğunu %83'ten %96'ya çıkarabilecektir. Daha dün, JD.com sektör için 100 milyar düzeyinde bir Yanxi ölçekli modeli piyasaya sürdü. Girişe göre, **Eğitim verilerinin %70'i genel büyük veriler ve geri kalan %30'u JD'nin perakende, lojistik, sağlık, finans ve diğer sektörler dahil olmak üzere çeşitli sektörlerinin operasyon sürecinde birikmiş sektör bilgisi verileridir. ** .

Elbette, yetişkinler seçim yapmaz, ikisini de ister.

Aslında, yapılacak doğru şey bu. Bu üretken AI turu çok çekici, ancak aynı zamanda algoritmanın güçlü olması, verilerin zengin olması ve bilgi işlem gücünün yeterince güçlü olması nedeniyle. Ve en büyük model durağan değil, sürekli öğrenmedir. Bu nedenle, veriler ve algoritmalar bir "volan etkisi" oluşturur. Daha fazla iyi veri mevcut oldukça, algoritmalar daha da gelişmiş hale gelecektir; algoritma ne kadar etkili olursa, o kadar fazla kullanıcı olacak ve o kadar fazla veri geri bildirimi olacaktır. **.

Bu nedenle, mümkün olan en kısa sürede bir "veri algoritması" kapalı döngüsü oluşturmak, yalnızca ürün başarısına giden yol değil, aynı zamanda kurumsal rekabetin anahtarıdır.

Ayrıca, yüksek kaliteli veriler de azdır. "Verilerimiz bitecek mi?" "Rapor, kaliteli doğal dil verilerinin 2026 gibi kısa bir sürede büyük dil modelleri tarafından tüketilebileceğini gösteriyor. İyi verilere sahip olan, daha iyi "mühimmat" a sahip olacaktır. Ve özellikle endüstriyel alanda iyi veriler, gerçek endüstriyel senaryolardan gelmelidir.

Bu nedenle, "veri-algoritma" kapalı döngüsü, "sahne-ürün" rekabeti olarak yorumlanır. Ve ancak sahneye girerek büyük model "yeteneğin ortaya çıkışından" "değerin ortaya çıkışına" geçebilir.

03 Yerelden güçlendirmeye

Endüstriyel değerin ortaya çıkışını gerçekleştirmenin bir yolu, endüstri ile işbirliği yapmaktır, teknoloji şirketleri teknoloji sağlar ve endüstri know-how sağlar. Diğer yol da en iyi yol, yani sektörden.

Kendi endüstriyel işinize sahipseniz, gerçek ve değerli "yüksek kaliteli verilere" sahip olacaksınız: kayıplar verdiniz, gök gürültüsüne bastınız, savaşlar yaptınız, savaşlar kazandınız ve savaşmayı biliyorsunuz. Bu veriler, bir katalizör gibi, işletmeye daha yakın olan ve sorunları daha iyi çözen büyük modellerin geliştirilmesini verimli bir şekilde yönlendirebilir.

Geçmiş bir örnek, Çin'de bulut hizmetlerinin geliştirilmesidir. Yurt içi veya yurt dışı fark etmeksizin bulutun ilk aşaması, işletmenin kendi ihtiyaçlarından başlar ve ardından pazar odaklıdır. Bulut hizmetlerinin başında her "ürün" aynı gibi duruyor, sizde ne varsa bende var. Ancak teknoloji ve işin birleşmesi ile her şirketin kendine has özellikleri bulunmaktadır.

Jingdong'u örnek olarak alın. JD.com, "pazarlama, ticaret, depolama, dağıtım, satış sonrası" ve diğer işletmelerden başladı, ancak fiziksel tedarik zinciri ağının adım adım iyileştirilmesi, dahili tedarik zincirinin dijitalleştirilmesi ve JD ile birlikte. com'un kendi perakende, finans, lojistik, sağlık, endüstrilerin ve diğer alanların köklü gelişimi ile JD.com, "** şeker kamışının son beş segmenti"nden "** ilk beş segmentine" genişlemeyi kademeli olarak tamamladı. ": ** platformları, sahneleri, yapay zekası var, deneyimi var**.

Ardından JD.com, tedarik zincirindeki deneyimini JD Cloud teknolojisine dayalı "dijital zeka tedarik zinciri" ürün ve hizmetlerine dönüştürdü ve topluma ihraç etti. Sonuç olarak, dijital altyapı verimliliği iyileştirme, endüstriyel sinerji verimliliği iyileştirme ve kentsel akıllı yönetim yetenekleri oluşturulmuştur.

Bugün, Jingdong Shuzhi'nin tedarik zincirinde 10 milyondan fazla kendi kendine çalışan ürün SKU'su bulunmaktadır ve bunların %90'ından fazlası Çin'deki dünyanın en büyük 500 şirketi ve yaklaşık %70'i Çin'deki 8 milyondan fazla aktif kurumsal müşteriye hizmet vermektedir. ülkenin uzmanlaşmış küçük ve orta ölçekli işletmelerine ulaştı ve ülke genelinde 2.000'den fazla endüstriyel bant ile derinlemesine işbirliğine ulaştı.

Uzun bağlantılara, karmaşık işbirliğine ve daha dinamik veri geri akışına sahip bu tür JD.com senaryosu, büyük modeller için en iyi eğitim alanıdır ve aynı zamanda endüstriyel avantajların en iyi somutlaşmış halidir.

Dahili buluttan harici buluta geçiş deneyimi, büyük modellerin geliştirilmesine de uygulanıyor. Jingdong ayrıca büyük modeller için "üç adımlı bir yaklaşım" önerdi:

Görüntü kaynağı: JD Cloud

Her şeyden önce, bu yılın Temmuz ayında, dört katmanlı bir taban katmanı, model katmanı, MaaS ve SaaS sistemine sahip büyük ölçekli Yanxi modeli piyasaya sürüldü. İkinci olarak, altı ay boyunca çeşitli dahili iş alanlarında "keskinleştirin" ve harici ortaklarla ölçülü bir şekilde kıyaslama işbirliği yürütün ve ürün entegrasyonunu sağlamak için birden çok "hatalar, iyileştirmeler ve sonuçlar" döngüsünden geçin. Son olarak, 2024'ün ilk yarısında, endüstriyel üretim için, endüstriye hizmet etmek ve endüstrinin verimliliğini artırmak için daha iyi bir tutum ve daha açık bir ekoloji kullanacağız.

İç uygulamalar da oldukça etkili olmuştur. Örneğin finansal pazarlama alanında bu aynı zamanda JD.com'un "eski temelidir". JD Finance, onlarca yıllık iş geliştirme sürecinde zengin bir bilgi birikimine sahiptir ve yapay zeka ile birleştiğinde temel görevleri, dinamik uyarlanabilirliği ve kullanıcı deneyimini verimli bir şekilde optimize edebilir.

Örneğin, işletme personelinin öğrenme maliyetini ve işletme maliyetini azaltmak ve çözümün üretim verimliliğini yüzlerce kat artırmak; ürün/Ar-Ge/algoritma/ tasarım/analist bir kişiye; aynı zamanda, bir girişin yeni etkileşimli modu, insan-makine etkileşimlerinin sayısını 2.000'den 50'nin altına düşürür ve operasyonel verimliliği 40 kattan fazla artırır.

Sayıdaki önemli artış, ritim açısından bakıldığında bu üç adımlık yürüyüşün biraz yavaş olduğunu da gösteriyor. Bununla birlikte, büyük modelin girdi maliyeti ve sektör üzerindeki önemli etkisi göz önüne alındığında, yalnızca adım adım bir yaklaşım benimseyerek, teknolojinin fayda sağlamasına izin vermek için "adım adım kâra" dönüştürülebilir.

Başka bir deyişle, aslında yavaş değil çünkü gerçekten endüstriyel bir atılım gerçekleştirmek kolay değil. Ama tıpkı Jingdong Group'un CEO'su Xu Ran'ın endüstriyel açıdan büyük ölçekli modele girmesi gibi, teknik Everest Dağı'na kuzey yamacından tırmanmak gibi.Yol daha zor olsa da, daha muhteşem manzaralar var ve büyük keşif değeri. Büyük model, yalnızca fiziksel ve dijital tedarik zincirini tam olarak anlayarak sektörü güçlendirebilir.

Gartner eğrisinin özetlediği deneyime göre, şeylerin gelişimi "teknik çimlenme-bekleme genişlemesi-vadiyi aşma-toparlanma-üretim olgunluğu" gibi aşamalardan geçecektir. Ve başka bir cümleyle özetlemek gerekirse: Ritim problemini yapısal bir problem olarak görmeyin.

Teknolojinin gelişmesi kaçınılmaz bir trend... "Veri, algoritma ve bilgi işlem gücü" üç unsuruyla hareket eden yapay zeka, kaçınılmaz olarak gelişmeye devam edecek, ancak bu süreçte de kaçınılmaz olarak bazı iniş çıkışlar olacak. İhtiyaç duyulan şey, işletmenin teknoloji araştırma, geliştirme ve uygulamadaki bilimsel ritmi ve aynı zamanda trendi gören ve ona bağlı kalmaya istekli uzun vadeliliktir.

JD.com'un tedarik zincirindeki ısrarı ve atılımı, uzun vadeciliğin zaferinin küçük bir evrenidir. Şimdi büyük model yarışmasında, yapay zeka dalgasında da aynısına ihtiyaç var.

Teknolojinin hızla uygulanmasına rağmen, endüstride kök saldığı sürece, kaçınılmaz olarak büyük bir değerin doğacağına inanılabilir. Jingdong Group CEO'su Xu Ran'ın dediği gibi, endüstriyel verimlilik ve endüstrinin sınırları genişletildiğinde ve niteliksel olarak iyileştirildiğinde, büyük model daha önemli pratik değere ve öneme sahip olacak ve bu da başka bir endüstriyel devrimden daha az olmayacak.

Yapay zekanın formülü aynı zamanda, "yeteneğin ortaya çıkmasından" "değerin ortaya çıkmasına" büyük modeli teşvik etmenin anahtarı olan "senaryo, ürün, bilgi işlem gücü grubu ve endüstriyel kalınlık" olarak çıkarılmıştır.

[1] Jingwei Zhang Ying: Yapay Zekanın Uzak ve Yakını, Kaos Akademisi, 2023;

[2] Lighthill Raporu, Büyük Britanya Bilim Araştırma Konseyi, 1973