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
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。