2017年,Alpha Go一战成名,这一年也成为AI的一个重要转折点,因为人们看到了人工智能可以创造不可估量的商业价值。
Forrester数据显示,在2020年,企业在应用AI技术时面临的最大挑战还是技术不够成熟,但到了2021年这一挑战已经退居第十位。AI应用已经跨越技术不够成熟阶段,开始进入到规模化发展阶段。
现在像自然语言处理、机器学习、机器视觉等诉求在市场、资本上已经逐渐凸显,AI+其实早已渗透在人们生活的方方面面。
虽然AI+正如火如荼的推进中,但在AI落地上还是有一定的难点。在Forrester首席分析师穆飞看来,主要体现在AI工程化能力,因为开发少量AI模型并不难,开发、部署、监控成百上千个AI模型的工程化却难度较大。
AI的发展始终离不开数据、算法和算力这“三驾马车”,短短几年间AI技术实现了飞速的发展,都是源于三者循环增强的关系。数据和算法都离不开算力的支撑,数据的不断增加需要更强的算力处理数据,同时人工智能不断训练、应用又催生更多数据反过来对算力提出需求。
当然还有一个重要问题就是AI成本居高不下,在算力上,AI的性能变得更强,所需的算力也大幅攀升;在应用上,AI并非即插即用,它不会自己训练自己,也不可能自我修复,这些都需投入大量人力;在效率上,一个AI模型从研发到一个产品,经历周期复杂,流程分散且欠缺标准化,导致开发效率低。
数据清洗标注、算法量产、算力优化、生产过程标准化等等方面都是降低AI成本、提高效率、实现规模化的因素。
“企业提高使用AI的效率可以从更高效的数据准备(如feature store)、自动化建模以及ModelOps工具链入手。”Forrester首席分析师穆飞认为,企业需要一种科学的AI治理方式,可以借鉴ModelOps方法论,模型开发仅仅是第一步,应该持续监控并根据结果及时更新模型,形成流程化、标准化的闭环。
企业在衡量AI价值上也不能一味追求技术先进性,要更多落实到业务流程,通过业务价值来衡量。当AI广泛与决策系统联动时,也将变革企业的根本运营模式,超4000亿的中国市场规模也并非空想。
《数字化转型方略》2022年第9期:http://www.zhiding.cn/dxinsight/2209
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
加拿大女王大学研究团队首次对开源AI生态系统进行端到端许可证合规审计,发现35.5%的AI模型在集成到应用时存在许可证违规。他们开发的LicenseRec系统能自动检测冲突并修复86.4%的违规问题,揭示了AI供应链中系统性的"许可证漂移"现象及其法律风险。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
这项由剑桥大学、清华大学和伊利诺伊大学合作的研究首次将扩散大语言模型引入语音识别领域,开发出Whisper-LLaDA系统。该系统具备双向理解能力,能够同时考虑语音的前后文信息,在LibriSpeech数据集上实现了12.3%的错误率相对改进,同时在大多数配置下提供了更快的推理速度,为语音识别技术开辟了新的发展方向。