Привід для написання цієї статті стався зовсім недавно.
Ми взяли участь у тематичному форумі, який поєднав великі моделі з промисловістю. Після заходу представник організатора галузі поспілкувався з нами та сказав: «Ви говорили про великі моделі. Що саме таке велика модель? Наскільки велика велика модель? Чому ми не можемо використовувати маленькі моделі?»
Ця низка запитань ще раз дає нам зрозуміти, що інтелектуальна сторона пропозиції та попиту часто знаходяться у двох системах дискурсу. Ви давно говорите про Transfomer і Agent, але, можливо, все ще дивуєтеся, звідки походять слова «велика модель».
Цей розрив особливо серйозний в епоху ШІ. Оскільки технології штучного інтелекту охоплюють довший ланцюжок, ті, хто створює алгоритми, ті, хто створює хмари, ті, хто створює апаратне забезпечення, ті, хто створює ІТ-рішення, і ті, хто, нарешті, оплачує рахунок, кожен може говорити про власну думку, але ніхто не має наміру по-справжньому розуміти будь-кого.
Сьогодні всі говорять про великі промислові моделі та великі промислові моделі. Дійсно, з точки зору технічної логіки легко виявити, що великі моделі можуть принести значне підвищення продуктивності багатьом галузям промисловості.З технічної точки зору, китайські компанії більш сприйнятливі та мають більший попит на інтелект. Переміщення великих моделей у промисловість для досягнення цифрово-реальної інтеграції є найбільш характерною рисою штучного інтелекту Китаю, і вона має сильне макростратегічне значення в контексті цифрового Китаю.
Але на практиці цей шлях сповнений труднощів і непорозумінь.
Зрештою, дев’ять із десяти компаній, що розробляють алгоритми ШІ, не можуть цього зробити. Перед новим вікном можливостей для великої моделі до B, ми повинні спочатку визначити, яка велика модель потрібна галузі?
Велика промислова модель не є моделлю
Найбільше непорозуміння, коли компанії ШІ розробляють великомасштабні моделі та об’єднують галузі, полягає в тому, що вони не можуть зрозуміти зв’язку між попитом і пропозицією.
Це правда, що нинішнє визнання та прийняття промисловістю великих моделей є відносно хорошим, але інтелектуальні проекти все ще залишаються абсолютним ринком покупців. Постачальники технологій повинні адаптуватися до потреб, здібностей, досвіду та навіть комунікативних навичок і ділових звичок кінцевих користувачів.
Однак завдяки компаніям, які створюють масштабні моделі штучного інтелекту, велика кількість талантів і коштів влилася в сферу Інтернету. Логіка попиту та пропозиції в Інтернеті полягає в тому, що одна точка постачання задовольняє великий попит. У мене є трюк, щоб залучати нові ідеї з усього світу. Легко придумати адаптацію великих моделей у багатьох галузях промисловості. Наприклад, фабриці потрібен аналіз інгредієнтів, а банку – інвестиційний аналіз. Хіба моя велика модель не може також проаналізувати це?
Тому під таким «зовнішнім мисленням» багато компаній зі штучного інтелекту впали у величезне непорозуміння: вони вважають, що оскільки у мене велика модель, до мене повинні приходити клієнти з усіх галузей. Я представляю кейси з двох-трьох галузей, які повинні бути визнані іншими галузями. Цю мою велику модель можна використовувати всюди, тому її називають промисловою великою моделлю.
Чи справді ці практики штучного інтелекту вірять, що великі моделі є панацеєю індустрії, чи вони просто навмисно вихваляються таким чином. З точки зору промислових споживачів, ця сцена рівнозначна нісенітниці. Вони подумають, що технології, які використовуються у фінансовій галузі, не мають нічого спільного з нашими вугільними шахтами? Якби існувала їжа, яку могли б їсти коти, корови, люди чи навіть коти, чи наважилися б ви її з’їсти?
**Перше, що галузь має зробити з великими моделями, це не підсумовувати дуже різні галузі в слово «галузь» і закінчувати цим. Навіть у певній галузі великі моделі можуть вирішити лише одну чи кілька проблем галузі, і неможливо, щоб одна модель «виправила всі галузі». **
Усі, хто працює в ІТ, знають, що для того, щоб мати продукти, потрібні послуги, а щоб розуміти технології, потрібно розуміти галузь. Проте компаніям зі штучним інтелектом, особливо тим, які вливають гарячі гроші на арену великих моделей, як правило, бракує розуміння та поваги до відмінностей у галузевих потребах.
Звичайно, різні галузі також мають спільні потреби у великих моделях. Наприклад, базовий діалог, резюме та мультимодальні можливості. Але частіше за все кожна галузь має різні вимоги, основні цифрові можливості та навіть вимоги безпеки, вимоги до затримки та вимоги до експлуатації та обслуговування. На сучасному етапі дуже складно тиражувати і просувати велику модель в конкретній галузі, не кажучи вже про кілька або навіть десятки галузей за один раз.
Коли мова заходить про промисловий інтелект, пріоритет завжди має галузь над інтелектом.
Не згадуючи скорочення апаратного та інженерного забезпечення, це марна трата часу
Багато компаній, які займаються оцифруванням та інтелектом, будуть здивовані цією річчю, поглянувши на клієнтське середовище: те, на що клієнт витратив багато грошей, насправді є дуже простим програмним забезпеченням, запечатаним у коробці, а потім створеним відповідно до промислових вимог. Вимоги. Кнопки, інтерфейс і таке інше. Багато з цих програм навіть перепаковані з дуже старого іноземного програмного забезпечення з відкритим кодом і давно відстають технічно. У цей час вони нарікатимуть, що так легко обдурити промислових клієнтів і позбавити їх грошей.
Але тут постає питання: якщо ми подумаємо про цю проблему з іншого боку, як би підприємство використовувало її без цього рівня інкапсуляції? Чи потрібно фабриці, шахті чи лісгоспу набирати та навчати велику кількість талантів у сфері хмарних обчислень та алгоритмів ШІ? І дозволити цим цифровим талантам керувати виробництвом, операціями та продажами всього підприємства? Це, очевидно, ненадійно.
Тому дещо суперечливим фактом є те, що галузеві користувачі більше дбають про «оболонку», ніж про передові технології. Цей рівень оболонки стосується апаратного та інженерного забезпечення, яке інкапсулює, керує та підтримує технічні можливості відповідно до вимог кінцевого використання. Незважаючи на те, що остаточно зібрана річ може бути важкою у використанні та може бути непередовою, для галузевих користувачів найважливішою умовою інтелекту є те, що її можна використовувати, а працівники можуть цьому навчитися.
Коли ми обговорюємо великі промислові моделі, сьогодні ми часто потрапляємо в це непорозуміння. Практикуючі спеціалісти, як правило, приділяють занадто багато уваги лідерству та інтернаціональності алгоритмічного рівня, змагаються зі шкалою параметрів і тестовими записами та зосереджуються на програмному забезпеченні. Але промисловості потрібні великі моделі, щоб конкурувати з попередніми цифровими системами, з витратами на використання та робочими порогами. Для цього потрібна велика модель, яка враховує апаратне середовище, мережеве середовище, сховище та обчислювальні ресурси, операційну систему та навіть джерело живлення, вологість і температуру середовища розгортання.
**Друга річ, яку мають зробити великі промислові моделі, це врахувати адаптацію апаратного забезпечення та інженерні проблеми. **
Чи можна реалізувати велику модель, залежить від пошуку потрібної сцени. Але що таке сцена? Останнє місце, яке працює, називається сценою.
Переважна більшість компаній не є IT-орієнтованими. Навіть більшість компаній не можуть надіслати спеціального персоналу, щоб ретельно зрозуміти, що таке велика модель. Цю річ неможливо змінити протягом тривалого часу.
Гора не прийде до вас, тому ви повинні побачити гору.
Багато людей порівнюють велику модель із золотою шахтою, тому навчання великої моделі – це просто викопування золотої шахти. Завдяки методам розробки та інтеграції великої моделі в існуючу цифрову інфраструктуру галузі золоту шахту можна перенести за межі гора.
Експертам доведеться їхати на завод
Незалежно від того, розповідають вони історії клієнтам чи спілкуються з громадськістю, багато виробників штучного інтелекту завжди згадуватимуть про це: не хвилюйтеся, у нас є експерти та постдоки, які пускають коріння в галузі. Я ходив на фабрики та сільськогосподарські угіддя і залишався там кілька місяців.
Якщо ви потенційний промисловий користувач великих моделей, то просто послухайте цю історію. Це правда, що експерти розміщені на заводі, але цей завод, швидше за все, не ваш завод.
Насправді наявність експертів зі штучного інтелекту на передовій у галузі є ефективним способом скоротити розрив між галузевим попитом і великою пропозицією моделей. Це також необхідний процес розвитку промислового інтелекту.
Але цей процес має бути лише тимчасовим і не може тривати довго. Тільки уявіть, великі моделі зараз в авангарді, чого варті експерти? Команда експертів розміщена на місці. Хто може витримати ці витрати на зарплату?
Експерти, які, як стверджують компанії зі штучного інтелекту, працюють на фабриці, насправді займаються дослідженнями та тестуванням. Як правило, вони співпрацюють з провідними клієнтами в галузі, виробники готові пробігтися по моделях, щоб побачити конкретні проблеми.
**Експерти можуть ходити на заводи, але експерти точно не можуть бути розміщені на одному заводі за іншим рік за роком. **Це стандартна дія, коли виробники штучного інтелекту входять у галузь, але її часто розуміють як звичайну дію, навмисно чи ненавмисно. Але якщо вам справді потрібно покладатися на експертів, щоб піти на фабрику для просування великих моделей, тоді штучний інтелект ніколи не буде можна реалізувати через вартість. Ніхто не може собі це дозволити.
Третє, що **великі промислові моделі повинні зробити, це те, що технологія має низький поріг відтворюваності в галузі та не може сильно покладатися на кооперацію, налаштовану вручну. **
Особливо слід зазначити, що на цьому етапі великі та середні підприємства стають дедалі обережнішими в інвестуванні в розвідку, а ціна проб і помилок не може бути надто високою. На нинішньому етапі масштабні плани впровадження моделі, які є занадто експериментальними та невизначеними, важко отримати визнання з боку великих клієнтів, не кажучи вже про тисячі малих і середніх клієнтів, і неможливо покладатися на значні ручні інвестиції для їх просування.
Підводячи підсумок, можна сказати, що на сучасному етапі впровадження великомасштабних промислових моделей є три проблеми:
Виробники штучного інтелекту завжди вважають великі моделі панацеєю, але галузь потребує розуміння та зосередженості.
Виробники штучного інтелекту завжди зосереджуються на інноваційних алгоритмах, але індустрія потребує розробки та працездатності.
Виробники штучного інтелекту рекламують велику кількість випадків, які покладаються на здібності талантів, але галузь потребує низької вартості та можливості відтворення.
Сонце сходить, коли в промисловість випускаються великі моделі, але ви також повинні свідомо прибирати сніг. Коли ви повертаєтеся до інтерфейсу користувача, ви часто можете знайти відповіді на додаткові запитання.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Які великі моделі потрібні промисловості?
Перше джерело: полярне тіло головного мозку
Привід для написання цієї статті стався зовсім недавно.
Ми взяли участь у тематичному форумі, який поєднав великі моделі з промисловістю. Після заходу представник організатора галузі поспілкувався з нами та сказав: «Ви говорили про великі моделі. Що саме таке велика модель? Наскільки велика велика модель? Чому ми не можемо використовувати маленькі моделі?»
Ця низка запитань ще раз дає нам зрозуміти, що інтелектуальна сторона пропозиції та попиту часто знаходяться у двох системах дискурсу. Ви давно говорите про Transfomer і Agent, але, можливо, все ще дивуєтеся, звідки походять слова «велика модель».
Цей розрив особливо серйозний в епоху ШІ. Оскільки технології штучного інтелекту охоплюють довший ланцюжок, ті, хто створює алгоритми, ті, хто створює хмари, ті, хто створює апаратне забезпечення, ті, хто створює ІТ-рішення, і ті, хто, нарешті, оплачує рахунок, кожен може говорити про власну думку, але ніхто не має наміру по-справжньому розуміти будь-кого.
Сьогодні всі говорять про великі промислові моделі та великі промислові моделі. Дійсно, з точки зору технічної логіки легко виявити, що великі моделі можуть принести значне підвищення продуктивності багатьом галузям промисловості.З технічної точки зору, китайські компанії більш сприйнятливі та мають більший попит на інтелект. Переміщення великих моделей у промисловість для досягнення цифрово-реальної інтеграції є найбільш характерною рисою штучного інтелекту Китаю, і вона має сильне макростратегічне значення в контексті цифрового Китаю.
Але на практиці цей шлях сповнений труднощів і непорозумінь.
Зрештою, дев’ять із десяти компаній, що розробляють алгоритми ШІ, не можуть цього зробити. Перед новим вікном можливостей для великої моделі до B, ми повинні спочатку визначити, яка велика модель потрібна галузі?
Велика промислова модель не є моделлю
Найбільше непорозуміння, коли компанії ШІ розробляють великомасштабні моделі та об’єднують галузі, полягає в тому, що вони не можуть зрозуміти зв’язку між попитом і пропозицією.
Це правда, що нинішнє визнання та прийняття промисловістю великих моделей є відносно хорошим, але інтелектуальні проекти все ще залишаються абсолютним ринком покупців. Постачальники технологій повинні адаптуватися до потреб, здібностей, досвіду та навіть комунікативних навичок і ділових звичок кінцевих користувачів.
Однак завдяки компаніям, які створюють масштабні моделі штучного інтелекту, велика кількість талантів і коштів влилася в сферу Інтернету. Логіка попиту та пропозиції в Інтернеті полягає в тому, що одна точка постачання задовольняє великий попит. У мене є трюк, щоб залучати нові ідеї з усього світу. Легко придумати адаптацію великих моделей у багатьох галузях промисловості. Наприклад, фабриці потрібен аналіз інгредієнтів, а банку – інвестиційний аналіз. Хіба моя велика модель не може також проаналізувати це?
Тому під таким «зовнішнім мисленням» багато компаній зі штучного інтелекту впали у величезне непорозуміння: вони вважають, що оскільки у мене велика модель, до мене повинні приходити клієнти з усіх галузей. Я представляю кейси з двох-трьох галузей, які повинні бути визнані іншими галузями. Цю мою велику модель можна використовувати всюди, тому її називають промисловою великою моделлю.
Чи справді ці практики штучного інтелекту вірять, що великі моделі є панацеєю індустрії, чи вони просто навмисно вихваляються таким чином. З точки зору промислових споживачів, ця сцена рівнозначна нісенітниці. Вони подумають, що технології, які використовуються у фінансовій галузі, не мають нічого спільного з нашими вугільними шахтами? Якби існувала їжа, яку могли б їсти коти, корови, люди чи навіть коти, чи наважилися б ви її з’їсти?
**Перше, що галузь має зробити з великими моделями, це не підсумовувати дуже різні галузі в слово «галузь» і закінчувати цим. Навіть у певній галузі великі моделі можуть вирішити лише одну чи кілька проблем галузі, і неможливо, щоб одна модель «виправила всі галузі». **
Усі, хто працює в ІТ, знають, що для того, щоб мати продукти, потрібні послуги, а щоб розуміти технології, потрібно розуміти галузь. Проте компаніям зі штучним інтелектом, особливо тим, які вливають гарячі гроші на арену великих моделей, як правило, бракує розуміння та поваги до відмінностей у галузевих потребах.
Звичайно, різні галузі також мають спільні потреби у великих моделях. Наприклад, базовий діалог, резюме та мультимодальні можливості. Але частіше за все кожна галузь має різні вимоги, основні цифрові можливості та навіть вимоги безпеки, вимоги до затримки та вимоги до експлуатації та обслуговування. На сучасному етапі дуже складно тиражувати і просувати велику модель в конкретній галузі, не кажучи вже про кілька або навіть десятки галузей за один раз.
Коли мова заходить про промисловий інтелект, пріоритет завжди має галузь над інтелектом.
Не згадуючи скорочення апаратного та інженерного забезпечення, це марна трата часу
Багато компаній, які займаються оцифруванням та інтелектом, будуть здивовані цією річчю, поглянувши на клієнтське середовище: те, на що клієнт витратив багато грошей, насправді є дуже простим програмним забезпеченням, запечатаним у коробці, а потім створеним відповідно до промислових вимог. Вимоги. Кнопки, інтерфейс і таке інше. Багато з цих програм навіть перепаковані з дуже старого іноземного програмного забезпечення з відкритим кодом і давно відстають технічно. У цей час вони нарікатимуть, що так легко обдурити промислових клієнтів і позбавити їх грошей.
Але тут постає питання: якщо ми подумаємо про цю проблему з іншого боку, як би підприємство використовувало її без цього рівня інкапсуляції? Чи потрібно фабриці, шахті чи лісгоспу набирати та навчати велику кількість талантів у сфері хмарних обчислень та алгоритмів ШІ? І дозволити цим цифровим талантам керувати виробництвом, операціями та продажами всього підприємства? Це, очевидно, ненадійно.
Тому дещо суперечливим фактом є те, що галузеві користувачі більше дбають про «оболонку», ніж про передові технології. Цей рівень оболонки стосується апаратного та інженерного забезпечення, яке інкапсулює, керує та підтримує технічні можливості відповідно до вимог кінцевого використання. Незважаючи на те, що остаточно зібрана річ може бути важкою у використанні та може бути непередовою, для галузевих користувачів найважливішою умовою інтелекту є те, що її можна використовувати, а працівники можуть цьому навчитися.
Коли ми обговорюємо великі промислові моделі, сьогодні ми часто потрапляємо в це непорозуміння. Практикуючі спеціалісти, як правило, приділяють занадто багато уваги лідерству та інтернаціональності алгоритмічного рівня, змагаються зі шкалою параметрів і тестовими записами та зосереджуються на програмному забезпеченні. Але промисловості потрібні великі моделі, щоб конкурувати з попередніми цифровими системами, з витратами на використання та робочими порогами. Для цього потрібна велика модель, яка враховує апаратне середовище, мережеве середовище, сховище та обчислювальні ресурси, операційну систему та навіть джерело живлення, вологість і температуру середовища розгортання.
**Друга річ, яку мають зробити великі промислові моделі, це врахувати адаптацію апаратного забезпечення та інженерні проблеми. **
Чи можна реалізувати велику модель, залежить від пошуку потрібної сцени. Але що таке сцена? Останнє місце, яке працює, називається сценою.
Переважна більшість компаній не є IT-орієнтованими. Навіть більшість компаній не можуть надіслати спеціального персоналу, щоб ретельно зрозуміти, що таке велика модель. Цю річ неможливо змінити протягом тривалого часу.
Гора не прийде до вас, тому ви повинні побачити гору.
Багато людей порівнюють велику модель із золотою шахтою, тому навчання великої моделі – це просто викопування золотої шахти. Завдяки методам розробки та інтеграції великої моделі в існуючу цифрову інфраструктуру галузі золоту шахту можна перенести за межі гора.
Експертам доведеться їхати на завод
Незалежно від того, розповідають вони історії клієнтам чи спілкуються з громадськістю, багато виробників штучного інтелекту завжди згадуватимуть про це: не хвилюйтеся, у нас є експерти та постдоки, які пускають коріння в галузі. Я ходив на фабрики та сільськогосподарські угіддя і залишався там кілька місяців.
Якщо ви потенційний промисловий користувач великих моделей, то просто послухайте цю історію. Це правда, що експерти розміщені на заводі, але цей завод, швидше за все, не ваш завод.
Насправді наявність експертів зі штучного інтелекту на передовій у галузі є ефективним способом скоротити розрив між галузевим попитом і великою пропозицією моделей. Це також необхідний процес розвитку промислового інтелекту.
Але цей процес має бути лише тимчасовим і не може тривати довго. Тільки уявіть, великі моделі зараз в авангарді, чого варті експерти? Команда експертів розміщена на місці. Хто може витримати ці витрати на зарплату?
Експерти, які, як стверджують компанії зі штучного інтелекту, працюють на фабриці, насправді займаються дослідженнями та тестуванням. Як правило, вони співпрацюють з провідними клієнтами в галузі, виробники готові пробігтися по моделях, щоб побачити конкретні проблеми.
**Експерти можуть ходити на заводи, але експерти точно не можуть бути розміщені на одному заводі за іншим рік за роком. **Це стандартна дія, коли виробники штучного інтелекту входять у галузь, але її часто розуміють як звичайну дію, навмисно чи ненавмисно. Але якщо вам справді потрібно покладатися на експертів, щоб піти на фабрику для просування великих моделей, тоді штучний інтелект ніколи не буде можна реалізувати через вартість. Ніхто не може собі це дозволити.
Третє, що **великі промислові моделі повинні зробити, це те, що технологія має низький поріг відтворюваності в галузі та не може сильно покладатися на кооперацію, налаштовану вручну. **
Особливо слід зазначити, що на цьому етапі великі та середні підприємства стають дедалі обережнішими в інвестуванні в розвідку, а ціна проб і помилок не може бути надто високою. На нинішньому етапі масштабні плани впровадження моделі, які є занадто експериментальними та невизначеними, важко отримати визнання з боку великих клієнтів, не кажучи вже про тисячі малих і середніх клієнтів, і неможливо покладатися на значні ручні інвестиції для їх просування.
Підводячи підсумок, можна сказати, що на сучасному етапі впровадження великомасштабних промислових моделей є три проблеми:
Виробники штучного інтелекту завжди вважають великі моделі панацеєю, але галузь потребує розуміння та зосередженості.
Виробники штучного інтелекту завжди зосереджуються на інноваційних алгоритмах, але індустрія потребує розробки та працездатності.
Виробники штучного інтелекту рекламують велику кількість випадків, які покладаються на здібності талантів, але галузь потребує низької вартості та можливості відтворення.
Сонце сходить, коли в промисловість випускаються великі моделі, але ви також повинні свідомо прибирати сніг. Коли ви повертаєтеся до інтерфейсу користувача, ви часто можете знайти відповіді на додаткові запитання.