世界是復(fù)雜的，沒有人知道未來會怎樣，但如果單純從技術(shù)的角度，我們總是能夠沿著技術(shù)發(fā)展的路徑，找到一些主導(dǎo)未來趨勢的脈絡(luò)。

　　從Sora到Suno，從OpenAI到Copilot、Blackwell，這些熱詞在大眾眼里或許還分不清楚，但很多人已經(jīng)用上各種“ChatGPT”，或聊天或創(chuàng)作。不知不覺間，我們已經(jīng)卷入新一輪AI浪潮中。

　　這輪人工智能浪潮，自ChatGPT這類生成式AI工具問世，被迅速引爆。AI大模型從研究走向應(yīng)用，復(fù)用成本大幅降低，各種應(yīng)用得以更快滲透進(jìn)各行各業(yè)。

　　IDC發(fā)布報(bào)告稱，2027年全球人工智能IT總投資規(guī)模有望從2022年的1324.9億美元增至2027年的5124.2億美元，年復(fù)合增長率(CAGR)為31.1%。

　　聚焦生成式AI，IDC預(yù)測，全球生成式AI市場年復(fù)合增長率將達(dá)85.7%，到2027年全球生成式AI市場規(guī)模將接近1500億美元。

　　英偉達(dá)CEO黃仁勛表示，生成式AI已經(jīng)開啟了全新的投資周期，已經(jīng)進(jìn)入了“十年周期”(技術(shù)從出現(xiàn)、傳播到大規(guī)模應(yīng)用所需的時間)的第一年。

　　當(dāng)生成式AI從一個“奇點(diǎn)”到迎來“大爆炸”時刻，其將在現(xiàn)實(shí)世界發(fā)生哪些改變?又將激發(fā)怎樣的潛力?

　　生成式AI迎來“三個轉(zhuǎn)變”

　　過生成式AI技術(shù)可分為四個層次，即面向消費(fèi)者應(yīng)用;大語言模型(LLM)等基礎(chǔ)技術(shù);支持服務(wù)的云基礎(chǔ)設(shè)施;以及對于開發(fā)和運(yùn)營至關(guān)重要的半導(dǎo)體。

　　從技術(shù)發(fā)展看，今年生成式AI將從純理論探討階段，全面進(jìn)入到業(yè)務(wù)應(yīng)用階段。過去一年，大部分企業(yè)和機(jī)構(gòu)并沒有真正打造出生成式AI系統(tǒng);而今年，生成式AI系統(tǒng)將全面進(jìn)入到生產(chǎn)當(dāng)中，企業(yè)將真正地開始使用生成式AI工具。

　　對于生成式AI本身，即將迎來三個方面的轉(zhuǎn)變。

　　首先，要把生成式AI投入到企業(yè)以及業(yè)務(wù)用例的過程中，就要從構(gòu)建訓(xùn)練基礎(chǔ)架構(gòu)轉(zhuǎn)向構(gòu)建推理基礎(chǔ)架構(gòu)。

　　到目前為止，大部分企業(yè)往往是通過對開源基礎(chǔ)模型進(jìn)行調(diào)優(yōu)、優(yōu)化或者是互聯(lián)，來實(shí)現(xiàn)自己的某些功能和需求。

　　對于各個企業(yè)、各個垂直行業(yè)領(lǐng)域的企業(yè)來說，無論是GenAI還是GPT4，大語言模型的訓(xùn)練成本是高昂的。特別是對于垂直行業(yè)的企業(yè)用戶，不會在業(yè)務(wù)推進(jìn)過程中直接采用這些模型。

　　如果未來需要將AI能力賦予企業(yè)的業(yè)務(wù)，那么企業(yè)就需要進(jìn)一步開發(fā)已有的模型，從而讓這些模型在部署到垂直行業(yè)的生產(chǎn)中時，可以真正地轉(zhuǎn)化為生產(chǎn)力。

　　而這種轉(zhuǎn)變也對企業(yè)提出了更加明確的要求：如何更好地設(shè)計(jì)出這種推理基礎(chǔ)架構(gòu)?該把它們放在哪里?如何確保其安全?

　　其次，是企業(yè)的關(guān)注點(diǎn)將越來越多地將從寬泛的實(shí)驗(yàn)轉(zhuǎn)向自上而下的戰(zhàn)略推進(jìn)，即挑選出少數(shù)幾個真正具有變革意義的生成式AI應(yīng)用項(xiàng)目。

　　去年，很多企業(yè)都在考慮采用生成式AI技術(shù)。但如今，企業(yè)已經(jīng)認(rèn)識到，要應(yīng)用生成式AI技術(shù)，每個項(xiàng)目都非常龐大，需要占用大量人力、物力、財(cái)力，才能構(gòu)建和實(shí)施一個能夠投入生產(chǎn)的生成式AI系統(tǒng)。

　　到了今年，一方面，生成式AI領(lǐng)域?qū)�會有成百上千乃至上萬的潛在用例，但另一方面，由于每一個企業(yè)的資源有限，因此只能選擇其中幾個重點(diǎn)實(shí)施。

　　對于企業(yè)的CIO和領(lǐng)導(dǎo)者，必然會面臨一個問題：就是從幾百個AI項(xiàng)目中，優(yōu)先選擇幾個進(jìn)行實(shí)施。這其中的風(fēng)險在于：一旦選對了，這些項(xiàng)目將對業(yè)務(wù)產(chǎn)生正向影響;而萬一選錯，可能就會造成大量的資源浪費(fèi)。

　　要想做出一個正確的選擇，各個企業(yè)必須要充分理解GenAI價值，以及生成式AI最有可能從哪些方面能夠?yàn)槠髽I(yè)提升生產(chǎn)力而賦能。

　　第三，是用戶對于AI投入的成本考量，從對“訓(xùn)練成本”的計(jì)算轉(zhuǎn)向?qū)?ldquo;運(yùn)營成本”的衡量。

　　在理論研究和訓(xùn)練階段，生成式AI的成本取決于構(gòu)建模型的復(fù)雜程度，以及架構(gòu)開發(fā)和維護(hù)人員的規(guī)模，除此之外再無其他成本可言。

　　但當(dāng)企業(yè)用戶開始實(shí)施部署和應(yīng)用生成式AI工具時，現(xiàn)實(shí)的運(yùn)營成本就會成為企業(yè)用戶面臨的最大經(jīng)濟(jì)考量。

　　以戴爾科技為例，其最初開始建立自己的生成式AI系統(tǒng)時，基本上會在三個月的時間里用到20臺服務(wù)器，此刻其整體運(yùn)營成本是未知的。

　　但當(dāng)這套系統(tǒng)開始被戴爾科技內(nèi)部的工程師應(yīng)用時，6000名工程師每個月就需要大約5000萬次處理量，因此該系統(tǒng)最大的成本不是建立一個模型的成本，而是基于大規(guī)模處理而產(chǎn)生的巨額運(yùn)營成本。

　　這對企業(yè)用戶而言，從訓(xùn)練成本到運(yùn)營成本的考慮，將是未來必將面對的一個相當(dāng)現(xiàn)實(shí)的問題。

　　從本質(zhì)上說，生成式AI的轉(zhuǎn)變其實(shí)是技術(shù)從研發(fā)到應(yīng)用的商用化過程中必然要經(jīng)歷的過程。

　　只是由于AI自身業(yè)務(wù)形態(tài)的改變，也將帶來更多行業(yè)的改變，其中的一個影響就是會帶動一批相關(guān)技術(shù)和應(yīng)用，成為未來的熱點(diǎn)和趨勢。

　　如何激發(fā)生成式AI更大潛力

　　僅僅一年，隨著各大資本和巨頭入場，AI從底層大模型，到基礎(chǔ)設(shè)施，到機(jī)器學(xué)習(xí)操作(MLOps)，再到消費(fèi)端應(yīng)用，生成式AI的生態(tài)已經(jīng)初步建立。

　　隨著今年生成式AI的進(jìn)一步訓(xùn)練和穩(wěn)定，行業(yè)發(fā)展將加速向下游移動，生成式AI將進(jìn)一步改變?nèi)藗兊纳�活，乃至改變整個世界，其為企業(yè)提供了無限的想象空間，使產(chǎn)品和服務(wù)的研發(fā)過程更加高效、有趣。

　　面對生成式AI市場的巨大潛力，亞馬遜、谷歌、微軟、Meta等科技巨頭不甘示弱。去年12月，谷歌多模態(tài)大模型Gemini發(fā)布，包含三個版本：Nano、Pro和Ultra。

　　Pro對標(biāo)GPT-3.5，Ultra對標(biāo)GPT-4，可以處理文本之外的信息，包括圖像、視頻和音頻。同時，谷歌上線文生圖模型Imagen 2、視頻生成模型VideoPoet，推出醫(yī)療人工智能大模型MedLM，將大模型與醫(yī)療保健行業(yè)緊密結(jié)合。

　　去年11月，微軟將集成了GPT的Bing Chat更名為Copilot，可以免費(fèi)使用GPT-4、DALL·E 3功能，并且擁有了獨(dú)立網(wǎng)站，Copilot將嵌入所有微軟旗下應(yīng)用中。微軟還推出Copilot Studio，使用者可以自定義GPT、創(chuàng)建新插件、自定義工作流。

　　Meta則接連發(fā)布了650億參數(shù)的開源大模型 LLaMA和700億參數(shù)的LLaMA2。近日，Meta推出全新開源大模型Code Llama 70B，其準(zhǔn)確率達(dá)到了53%，超過了GPT-3.5的48.1%，是目前評分最高的開源大模型。

　　2023年以來，看似默默無聞的亞馬遜頻頻出擊。去年9月，亞馬遜宣布將向人工智能初創(chuàng)公司Anthropic投資40億美元，近日，其再次宣布追加投資27.5億美元，完成了對Anthropic40億美元的投資，決心可見一斑。窗體頂端

　　更為重要的是，亞馬遜云科技提出了基于生成式AI的三層技術(shù)棧。

　　第一層是高性能基礎(chǔ)設(shè)施，過去五年，亞馬遜云科技持續(xù)加大在自研芯片方面的投入，比如Amazon Trainium和Amazon Inferentia芯片，可以提供在云上訓(xùn)練模型和運(yùn)行推理的最低成本。

　　除此之外，在GPU方面，NVIDIA多款先進(jìn)算力均率先在亞馬遜云科技落地。

　　第二層是最廣泛的基礎(chǔ)模型選擇。亞馬遜云科技認(rèn)為“沒有一個模型可以適用于所有業(yè)務(wù)場景”，因此推出Amazon Bedrock，企業(yè)可以靈活選擇適合自己的模型，更容易地構(gòu)建應(yīng)用，并在保證數(shù)據(jù)安全和隱私基礎(chǔ)上，進(jìn)行定制化模型的開發(fā)，還無需大量的標(biāo)注數(shù)據(jù)。

　　Amazon Bedrock提供各種領(lǐng)先的基礎(chǔ)模型供客戶選擇：既有知名的開源模型，如Stable Diffusion XL、Llama、Mistral 7B和Mixtral 8*7B，也有如Anthropic Claude 3、AI21labs Jurassic、Cohere Command、Amazon Titan等非開源模型。

　　基于Amazon Bedrock云托管服務(wù)，企業(yè)可以通過API訪問從文本到圖像的一系列強(qiáng)大的基礎(chǔ)模型。

　　值得一提的是，亞馬遜和Anthropic在生成式AI領(lǐng)域有著廣泛的合作，Anthropic在Amazon Bedrock上提供的Claude 3系列模型是全球最領(lǐng)先的大模型之一，共包含三個模型：Haiku、Sonnet、Opus，從模型尺寸來看，可以理解為模型的中杯、大杯、超大杯。

　　客戶可以根據(jù)自己的商業(yè)需求，從中選擇最合適的智能、速度和價格組合。

　　Haiku：是響應(yīng)速度最快的模型，也是成本最低的選項(xiàng)，在大多數(shù)純文本任務(wù)上的表現(xiàn)仍然相當(dāng)出色，也同時包含多模態(tài)能力(比如視覺)。

　　Sonnet：適用于需要平衡性能和成本的場景，它在純文本任務(wù)上的表現(xiàn)與后面的Opus相當(dāng)，但在成本上更為經(jīng)濟(jì)，適合于那些需要性能稍微好點(diǎn)，但預(yù)算有限的企業(yè)和個人用戶。

　　Opus：具有強(qiáng)大的推理、數(shù)學(xué)和編碼能力，接近人類的理解能力，適用于需要高度智能和復(fù)雜任務(wù)處理的場景，如企業(yè)自動化、復(fù)雜金融預(yù)測、研究和開發(fā)等。

　　對于Claude 3，更有行業(yè)人士認(rèn)為其終結(jié)了GPT-4時代。Claude 3有兩大亮點(diǎn)，一個是長文本，二是多模態(tài)能力。

　　長文本是Claude 3的一個顯著優(yōu)勢，體現(xiàn)為在讀論文、小說等字?jǐn)?shù)更多的文本時，Claude 3更擅長理解和回答用戶的相關(guān)問題。

　　此次Claude 3大大提升了上下文對話窗口，達(dá)到200k，可以理解為單次和模型對話能夠輸入的文本。

　　具體而言，Claude 3 200k的對話長度，相當(dāng)于能夠單次處理超過15萬英文單詞，而GPT-4 Turbo的上下文窗口為128k，大約是9.6萬個英文單詞。同時，Claude 3也第一次允許圖像和文檔上傳。

　　和ChatGPT一樣，Claude 3能夠“認(rèn)”出來圖里的是什么東西，直接描述，回答用戶的問題。更令人印象深刻的是，Claude 3在分析一些復(fù)雜問題時，已經(jīng)能夠和人一樣，先拆解問題，并且交由子模型來進(jìn)行調(diào)度。

　　第三層就是應(yīng)用生成式AI技術(shù)的開箱即用的云服務(wù)，進(jìn)一步降低使用門檻。目前已經(jīng)推出Amazon Q這一AI助手，可以根據(jù)客戶業(yè)務(wù)進(jìn)行定制，專用于辦公場景需要。

　　還與像Amazon QuickSight，包括智能客服的產(chǎn)品Amazon Connect，面向編程開發(fā)人員的平臺Amazon CodeWhisperer，都實(shí)現(xiàn)了非常有效的結(jié)合。

　　可以看到，從底層基礎(chǔ)設(shè)施到上層應(yīng)用拓展，今年亞馬遜云科技在生成式AI領(lǐng)域不斷發(fā)力。不同的客戶可以根據(jù)需求選擇不同層級的產(chǎn)品，通過這三層來支持他們的業(yè)務(wù)創(chuàng)新。

　　此外，對于如何幫助企業(yè)快速具備生成式AI能力，亞馬遜云科技擁有豐富的專業(yè)技術(shù)支持資源，包括SA、產(chǎn)品專家、人工智能實(shí)驗(yàn)室、數(shù)據(jù)實(shí)驗(yàn)室、快速原型團(tuán)隊(duì)、專業(yè)服務(wù)團(tuán)隊(duì)，幫客戶打通應(yīng)用生成式AI的“最后三公里”工程化挑戰(zhàn)。

　　對于作為扮演“底層架構(gòu)師”角色的亞馬遜云科技而言，大模型固然重要，但關(guān)鍵技術(shù)能力的集合才是提升企業(yè)生產(chǎn)力的根本動力。

　　亞馬遜云科技大中華區(qū)產(chǎn)品部總經(jīng)理陳曉建表示，“盡管大模型非常重要，但僅靠大模型對企業(yè)的生產(chǎn)是遠(yuǎn)遠(yuǎn)不夠的。從模型能力到真正的運(yùn)營生產(chǎn)之間，企業(yè)還需要增加很多輔助能力。企業(yè)需要一系列周邊的能力來正確、合理、安全、高效地使用大模型，這就是亞馬遜云科技一系列產(chǎn)品所提供的價值所在。”

　　生成式AI領(lǐng)域接下來發(fā)展的最關(guān)鍵一步是什么?陳曉建表示，首先，從最底層來看，芯片性能仍然落后于需求。雖然半導(dǎo)體芯片的發(fā)展已經(jīng)非常快，但模型本身參數(shù)規(guī)模的擴(kuò)大實(shí)際上遠(yuǎn)超芯片的能力。

　　“以前一個幾百萬參數(shù)的模型，就覺得已經(jīng)很大了，但現(xiàn)在動輒達(dá)到數(shù)百億的規(guī)模。基礎(chǔ)服務(wù)商仍需關(guān)注如何將底層能力、業(yè)務(wù)復(fù)雜度和大模型復(fù)雜度相匹配，使硬件發(fā)展趕上軟件發(fā)展規(guī)模。”

　　其次，他認(rèn)為大模型能力本身還有很多發(fā)展空間，今天看到的模型可能代表了一個博士生水平，但是能不能做得更好?比如達(dá)到教授或者院士水平?

　　包括亞馬遜云科技在內(nèi)的諸多生成式AI供應(yīng)商需要在未來持之以恒地去做模型能力方面的工作。

　　在最上層與各行各業(yè)務(wù)相結(jié)合方面，陳曉建表示，相關(guān)的SaaS解決方案非常多。

　　從這點(diǎn)上看，將生成式AI能力與垂直場景的解決方案結(jié)合需要做巨大的工作。“我們需要思考大模型如何為人類社會各行各業(yè)中的應(yīng)用提供更好的模型能力、更易用的方式和更低的成本。”

　　無論如何，人們對未來的期許總是充滿希望。對于科技未來的走向，以AI為代表的技術(shù)進(jìn)化，正在成為一場考驗(yàn)人類想象力的比賽。

　　科技企業(yè)能做的，就是通過技術(shù)普惠，降低AI參與門檻，先把大模型打造成像電、水一樣隨取隨用的公共資源，再將生成式AI技術(shù)應(yīng)用于各行各業(yè)，變成真正能夠推動人類發(fā)展的生產(chǎn)力。

　　相關(guān)閱讀

　　從“算力核彈”到生成式AI，新紀(jì)元還有多遠(yuǎn)?

　　打造生成式AI應(yīng)用，什么才是關(guān)鍵?

　　AI Agent：大模型的下一個高地

　　生成式AI來了，我們還能相信自己的眼睛嗎?