Масштабні моделі вкорінюються в індустрії: від «появи можливостей» до «появи цінності»

Джерело: Yibang Power

Джерело зображення: створено Unbounded AI‌

«Грандіозний рух» штучного інтелекту ШІ, який пролунав з початку 2023 року, останнім часом уже не такий «солодкий», а змішаний з шумом і сумнівами.

**Наприклад, дорожні суперечки. **

Згідно з даними закордонної дослідницької організації Similarweb, після того, як OpenAI досяг значного прогресу, починаючи з травня, зростання трафіку сповільнилося. У червні кількість відвідувань ChatGPT навіть вперше показала зниження в порівнянні з попереднім місяцем на 9,7%. Згідно з цими даними, деякі люди кажуть, що ШІ знову стане крутим.

Однак є також громадські думки, що трафік опитування – це лише дані C-кінця, тоді як ШІ зараз працює над B-кінцем. Трафік на стороні B навіть перевищує половину поточного загального трафіку, і він стрімко зростає. Просто дослідницькі установи не отримали повних даних.

Чи є потік короткочасним коливанням? Або довгостроковий занепад? Чи це справді інший акцент?

**Іншим прикладом є фальшивий ентузіазм. **

Чжан Ін, партнер Matrix Partners, поділився двома даними, які досить цікаві в порівнянні. Одна з них полягає в тому, що з березня по травень цього року серед компаній, які входять до індексу S&P 500, керівники 110 компаній згадували ШІ на біржах продуктивності, що втричі більше, ніж за останні десять років.

Але інший набір інших даних полягає в тому, що міжнародний інвестиційний банк Morgan Stanley нещодавно провів опитування понад 2000 людей, і виявилося, що 80% з них ніколи не користувалися ChatGPT або Google Bard1.

Порівняно з цими даними створюється враження, що "Є Гун любить драконів". Чи ентузіазм цих керівників компаній, технологічних гігантів і аналітиків є фальшивкою?

** Або плутанина користувачів. **

Користувачі C-end дуже захоплені та щирі, але після використання у них виникають сумніви: ми хочемо, щоб роботи допомагали людям підмітати підлогу та мити посуд, тому що люди хочуть писати вірші та малювати. У результаті штучний інтелект тепер пише вірші та малює, а ми, люди, все ще підмітаємо підлогу та миємо посуд.

Чи може бути так, що «поява» штучного інтелекту не може бути відображена в реальному світі?

Суперечки щодо трафіку, фальшивий ентузіазм і плутанина серед користувачів, ці суперечки також безпосередньо вражають основні елементи розробки великих моделей: як ** справді може стати продуктивною силою? **

Різні способи відповіді сформують різні системи розробки ШІ, а також стануть вододілом для майбутнього розвитку підприємств.

01 Від алгоритму до продукту

З дня свого народження штучний інтелект зміцнював свої «дві ноги», щоб ходити: одна — це технології, а інша — застосування.

За вдосконаленням технології ШІ стоїть спільна підтримка трьох основних елементів обчислювальної потужності, даних і алгоритмів. Наприклад, з точки зору алгоритмів, штучний інтелект послідовно пройшов такі етапи, як правила, статистичне машинне навчання, глибоке навчання та попереднє навчання, завдяки чому значно збільшився обсяг даних; а «новаторський» алгоритм Transformer через увагу механізм, дозволяє штучному інтелекту швидко "ставити запитання". Швидке навчання, таким чином демонструючи значну мутацію та сильнішу здатність до самонавчання.

Кожен стрибок у розвитку технологій принесе сюрпризи, але якщо ви озирнетеся на історію розвитку штучного інтелекту, то побачите, що після кількох сюрпризів настає самотність.

Наприклад, під час хвилі спеки, яка виникла в 1956 році, штучний інтелект міг грати в шахи та ловити будівельні блоки, але в 1973 році в доповіді академічної спільноти було зроблено висновок: Поки що жодне відкриття в цій галузі не дало початкових обіцянок Значний вплив2.

У 1976 році експертна система на основі ШІ почала брати участь у медичній діагностиці та консультуванні. Через хвилі спеки уряди всього світу збільшують інвестиції. Однак ще через десять років з'ясувалося, що фахівці з машин не виявляють особливого таланту. Лікарі ще мусять їздити туди особисто, а цього недостатньо.

З 2016 року Google AlphaGO кинув виклик багатьом шаховим королям у світі Go, здобувши 60 перемог поспіль за 5 днів. Навіть Лі Шиші та Ке Цзе можуть лише здатися. Люди нарікають на потужність штучного інтелекту, але за наступні п’ять років ШІ не зробив нічого дивовижного.

Переломним моментом між злетами та падіннями є саме «продукт»: чи є хороший продукт, дозвольте технології зійти з вівтаря та увійти в суспільство, і справді стати лідером продуктивності та креативності.

Є багато випадків, коли технології та продукти просувають одне одного. Наприклад, випадок провалу - проект Motorola Iridium, який надає послуги глобального супутникового зв'язку.Його технологія є провідною, але через те, що його продукти не заземлені, він оголосив про банкрутство після чотирьох років офіційної роботи. Успішні випадки включають електромобілі.Хоча батареї та електроприводи є існуючими технологіями, ринок поступово відкриється лише після того, як з’являться продукти з сильним технологічним відчуттям.

Повертаючись до області великих моделей, у цьому раунді ШІ є цікавий момент: OpenAI випустив всесвітньо відомий ChatGPT, але він використовує алгоритм Google Transformer для безперервної оптимізації. Це свідчить про те, що в цьому раунді масштабних конкурсів моделей і хвилі штучного інтелекту одних лише алгоритмів недостатньо. Тільки алгоритм слабкий, одноточкова конкуренція алгоритму з часом поступиться місцем «конкуренції продукту».

І OpenAI не є «зачарованою технологією».За нею також стоїть підтримка потужної «продуктової системи» Microsoft: пошук Bing, сімейне відро офісу, особистий помічник, рекламний маркетинг та інші орієнтовані на підприємства хмарні сервіси.

Це ніби «золоте правило» в колі венчурного капіталу: якщо засновник є експертом у технологіях або гіком, то одночасно з дачею грошей він також повинен віддати їх партнеру, який розуміє ринок. Таким чином технологію аплодують, але дохід не популярний.

Тому, надаючи значення технологіям, він також приділяє більше уваги інструкціям із застосування та стимулюванню продукту. Особливо для великих підприємств, замість того, щоб розповідати партнерам, у мене є багато потужних можливостей штучного інтелекту, і ви можете використовувати їх як завгодно; можливо, надання деяких модулів продукту ближче до реальності. Отже, хороший продукт, як це зробити?

02 Від загального до промислового

Навіть якби Чжуге Лян знав астрономію на вершині, а географію на нижній частині, навіть якби Да Вінчі міг малювати, розбирати та будувати літаки, вони могли б обмежитися лише знаннями тієї епохи. З іншого боку, штучний інтелект може покладатися на велику кількість вхідних даних, щоб значно розширити межі знань.

Однак мудрість штучного інтелекту не є ідеальною та універсальною. Судячи з досвіду останніх місяців, ШІ час від часу буде «серйозно говорити дурниці». Можливо, штучний інтелект не бреше навмисне, але він точно показує, що загальна модель все ще недосконала.

Особливо коли мова йде про певні галузі, такі як фінанси, освіта тощо, обмеження загальних великих моделей будуть очевидними. Зрештою, завжди є багато областей, де імбир все ще актуальний, і ноу-хау є ключовим.

Однак, якщо велика модель не може вийти в промисловість, вартість буде значно зменшена. Особливо для нашої країни, яка має величезну та багату основу промислового ланцюга, усі вертикальні галузі повинні поєднуватися з новими технологіями, щоб зменшити витрати, підвищити ефективність та створити нову вартість.

Отже, у вертикальному полі потрібно зробити лише маленьку модель? відповідь негативна. Моделі малих галузей можуть вирішувати проблеми в певних галузях, або вони можуть добре працювати, але є дві проблеми.

Одна з них — відсутність узагальнення.Як тільки сцена змінилася, може знадобитися повторити її, що призведе до значного збільшення витрат. Одна страва на кожного, і страви не повторюються, якщо відкрити такий ресторан, він точно збанкрутує. Отже, обмежений інтелект не є інтелектом.

З іншого боку, якщо під час подання заявки користувач раптом задасть кілька міждоменних запитань, маленька модель також буде заплутана. Очевидно, що тенденція промислових кросоверів стає все більш очевидною, як і електромобілі, які одночасно є транспортними засобами, акумуляторами та напівпровідниками. Якщо ви подумаєте з точки зору користувача, навіть якщо це зовсім нерелевантна сфера, ви все одно сподіваєтеся отримати комплексне обслуговування.

Тому великі моделі мають увійти у вертикальні індустрії, а вертикальні індустрії також потребують великих моделей. Як зробити? Зразком спостереження є JD.com.

У 2021 році JD.com візьме на себе лідерство у впровадженні знань домену у великі моделі, що може збільшити точність моделі з 83% до 96%. Буквально вчора JD.com запустив масштабну модель Yanxi на 100 мільярдів рівнів для галузі. Відповідно до вступу, **70% навчальних даних — це загальні великі дані, а інші 30% — це галузеві ноу-хау, накопичені в процесі роботи в різних секторах JD, включаючи роздрібну торгівлю, логістику, охорону здоров’я, фінанси та інші галузі. ** .

Звичайно, дорослі не роблять вибору, але хочуть і того, і іншого.

Насправді це правильно. Цей раунд генеративного штучного інтелекту є дуже привабливим, а також тому, що алгоритм потужний, дані багаті, а обчислювальна потужність достатньо висока. І найбільша модель не є статичною, це постійне навчання. Таким чином, дані та алгоритми формують «ефект маховика». У міру того, як буде доступно все більше хороших даних, алгоритми ставатимуть все більш досконалими; чим ефективніший алгоритм, тим більше буде користувачів і тим більше буде відгуків щодо даних **.

Тому якнайшвидше формування замкнутого циклу «дані-алгоритм» є не лише шляхом до успіху продукту, а й ключем до конкуренції підприємства.

Крім того, високоякісних даних також мало. У розділі "Чи закінчаться дані?" «Звіт показує, що якісні дані природної мови можуть бути вичерпані великими мовними моделями вже у 2026 році. У кого хороші дані, той матиме кращий «боєприпас». І хороші дані, особливо в галузі промисловості, мають надходити з реальних промислових сценаріїв.

Тому замкнутий цикл «дані-алгоритм» інтерпретується як конкуренція «сцена-продукт». І лише вийшовши на сцену, велика модель може перейти від «появи спроможності» до «появи цінності».

03 Від рідного до розширення можливостей

Один із способів реалізувати появу промислової цінності — це співпрацювати з промисловістю, технологічні компанії надають технології, а галузь надає ноу-хау. І інший шлях також є найкращим, тобто з галузі.

Якщо у вас є власний промисловий бізнес, ви матимете реальні та цінні «високоякісні дані»: ви зазнавали збитків, наступали на громи, билися, вигравали битви та вміли воювати. Ці дані, як каталізатор, можуть ефективно стимулювати розробку великих моделей, які ближче до бізнесу та краще вирішують проблеми.

Минулий випадок – розвиток хмарних сервісів у Китаї. Незалежно від внутрішньої чи закордонної, початкова стадія хмари починається з потреб самого підприємства, а потім вона орієнтується на ринок. На початку хмарних сервісів кожен «продукт» здавався однаковим, у мене те, що у вас. Однак, завдяки поєднанню технологій і бізнесу, кожна компанія має свої особливості.

Візьміть Jingdong як приклад. JD.com починав із «маркетингу, торгівлі, складування, дистрибуції, післяпродажного обслуговування» та інших видів бізнесу, але разом із покроковим вдосконаленням фізичної мережі ланцюга постачання, оцифруванням внутрішнього ланцюга постачання та JD. власна роздрібна торгівля, фінанси, логістика, охорона здоров’я компанії com. З глибоким розвитком галузей та інших галузей JD.com поступово завершив розширення від «останніх п’яти сегментів ** цукрової тростини» до «перших п’яти сегментів ** ": ** має платформи, сценарії, AI, має досвід**.

Згодом JD.com удосконалив свій досвід у ланцюжку постачання в продукти та послуги «ланцюга постачання цифрового інтелекту» на основі технології JD Cloud і експортував їх у суспільство. У результаті сформовано можливості підвищення ефективності цифрової інфраструктури, підвищення ефективності промислової синергії та інтелектуального управління містом.

Сьогодні в ланцюжку постачання Jingdong Shuzhi налічується понад 10 мільйонів самостійних SKU продуктів, які обслуговують понад 8 мільйонів активних корпоративних клієнтів, з яких понад 90% є 500 провідними компаніями світу в Китаї та майже 70% компаній спеціалізовані малі та середні підприємства країни та досягли глибокої співпраці з більш ніж 2000 промисловими пасами по всій країні.

Цей тип сценарію JD.com із довгими посиланнями, складною співпрацею та більш динамічним зворотним потоком даних є найкращим полігоном для великих моделей, а також найкращим втіленням промислових переваг.

Досвід від внутрішньої хмари до зовнішньої хмари також використовується для розробки великих моделей. Jingdong також запропонував «триетапний підхід» для великих моделей:

Джерело зображення: JD Cloud

Перш за все, у липні цього року була запущена масштабна модель Yanxi, яка має чотирирівневу систему базового рівня, рівня моделі, MaaS і SaaS. По-друге, півроку «відточуватися» в різних внутрішніх сферах бізнесу, помірковано проводити бенчмаркінгову співпрацю із зовнішніми партнерами, а також пройти кілька циклів «помилок, покращень і висновків», щоб досягти інтеграції продукту. Нарешті, у першій половині 2024 року для промислового виробництва ми використовуватимемо краще ставлення та більш відкриту екологію, щоб обслуговувати галузь і підвищувати ефективність галузі.

Внутрішні програми також виявилися досить ефективними. Наприклад, у сфері фінансового маркетингу це теж «стара база» JD.com. Протягом десятиліть розвитку бізнесу компанія JD Finance накопичила величезну кількість знань і в поєднанні зі штучним інтелектом може ефективно оптимізувати ключові завдання, динамічну адаптацію та досвід користувача.

Наприклад, зменшити витрати на навчання та експлуатаційні витрати операційного персоналу, а також підвищити виробничу ефективність рішення в сотні разів; скоротити процес, який можна виконати лише за допомогою більш ніж 5 типів функцій, таких як продукт/НДДКР/алгоритм/ дизайн/аналітик одній особі; водночас новий інтерактивний режим входу зменшує кількість взаємодій людини з машиною з 2000 до менш ніж 50 і підвищує ефективність роботи більш ніж у 40 разів.

Значне збільшення числа також показує, що, хоча з точки зору ритму, ця трикрокова ходьба здається трохи повільною. Однак, беручи до уваги вхідну вартість великої моделі та значний вплив на галузь, лише за допомогою поетапного підходу її можна перетворити на «поступовий прибуток», щоб дозволити технології генерувати переваги.

Іншими словами, це насправді не повільно, тому що по-справжньому досягти промислового прориву нелегко. Але так само, як впевнений Сюй Ран, генеральний директор Jingdong Group, врізання у великомасштабну модель з промислової сторони схоже на сходження на технічну гору Еверест з північного схилу. Хоча дорога складніша, є більш чудові пейзажі та велика розвідувальна цінність. Лише завдяки глибокому розумінню фізичного та цифрового ланцюга постачання велика модель може розширити можливості галузі.

Згідно з досвідом, узагальненим кривою Гартнера, розвиток речей проходитиме через такі етапи, як «технічне проростання — очікування розширення — порушення долини — підйом угору — зрілість виробництва». І підсумовуючи це іншим реченням: не розглядайте проблему ритму як структурну проблему.

Розвиток технологій є неминучою тенденцією. Керуючись трьома елементами «даними, алгоритмом і обчислювальною потужністю», штучний інтелект неминуче розвиватиметься, однак у цей період неминуче відбуватимуться певні повороти. Потрібен науковий ритм підприємства в дослідженні, розробці та застосуванні технологій, а також довгостроковість, яка бачить тенденцію та готова її дотримуватися.

Наполегливість і прорив JD.com у ланцюжку поставок є мікрокосмом перемоги довгострокового погляду. Зараз, у великій модельній конкуренції, на хвилі штучного інтелекту, те саме потрібно.

Можна твердо вірити, що, незважаючи на те, що технологія впроваджується швидкими темпами, поки вона приживається в галузі, неминуче народжуватиметься величезна цінність. Як сказав Сюй Ран, генеральний директор Jingdong Group, коли промислова ефективність і межі галузі будуть розширені та якісно покращені, велика модель матиме більш важливу практичну цінність і значення, яке буде не меншим, ніж чергова промислова революція.

Формула штучного інтелекту також виводиться на «сценарій, продукт, групу обчислювальної потужності та промислову товщину», що є ключем до просування великої моделі від «появи можливостей» до «появи цінності».

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

[2] Доповідь Лайтхілла, Рада наукових досліджень Великої Британії, 1973 р