nachricht

seitdem chatgpt letztes jahr die eröffnungsshow der künstlichen intelligenz (ki) völlig in gang gebracht hat, haben menschen auf der ganzen welt entdeckt, dass sich keine technologie jemals so „mit jedem tag verändert“ hat wie ki: ob es sich um ein großes modell oder einen chip handelt, es wird mit erstaunlicher geschwindigkeit modernisiert und iteriert, wobei china und die vereinigten staaten die führung übernehmen. die gesamte branche hat ein großartiges spektakel mit tausenden von segeln im wettbewerb gezeigt. mit der rasanten weiterentwicklung der technologie und den tiefgreifenden veränderungen auf dem markt wird die eröffnungsshow irgendwann zu ende gehen und die eigentliche frage wird endlich vor aller augen sein: wie wendet man sie an? wie kann man geld verdienen?

infolgedessen bildet sich nach und nach ein klarer konsens: die entwicklung der ki hat die einfache phase des „wettrüstens großer modelle“ durchlaufen und ist offiziell in die zweite hälfte des „deep mining von szenenanwendungen“ und der „anleitung innovativer konzepte“ eingetreten.

wie lässt sich in dieser neuen entwicklungsphase die beste balance zwischen technologischer innovation und kommerzieller anwendung finden? wie sucht man im harten wettbewerb nach kooperationsmöglichkeiten? wie kann man inmitten von herausforderungen entwicklungsmöglichkeiten entdecken und nutzen? diese fragen sind für praktiker zu schlüsselthemen geworden, über die sie nachdenken und antworten geben müssen. als spitzenreiter haben china und die vereinigten staaten zweifellos die aufmerksamkeit der welt auf sich gezogen. die strategischen entscheidungen, technologischen investitionen und die marktdynamik beider länder prägen den entwicklungsverlauf und die wettbewerbslandschaft der globalen ki in beispielloser weise.

1

amerikanische perspektive: investitionsnebel und kommerzialisierungsdilemma

die vereinigten staaten als geburtsort der ki-technologie haben enorm in die forschung und entwicklung großer modelle investiert, doch der kommerzialisierungsprozess gerät ins stocken und birgt das risiko einer geringen kapitalrendite und von marktblasen.

der markt hat angesichts der ki-begeisterung großen enthusiasmus gezeigt. nvidia, meta, tesla, amazon, die google-muttergesellschaft alphabet, microsoft und apple, diese sieben technologiegiganten, bekannt als „magna 7“, werden im jahr 2023 an der börse glänzen, wobei ihre aktienkurse jeweils um 239 % bzw. 194 % stiegen , 102 %, 81 %, 59 %, 57 % und 48 %.

allerdings verbirgt sich hinter dieser begeisterung ein schatten, der nicht ignoriert werden kann. ende juni dieses jahres brachte ein artikel von goldman sachs mit dem titel „zu viel investition, zu wenig rendite“ die theorie der ki-blase in den vordergrund. in dem artikel wurde unverblümt festgestellt, dass große unternehmen planen, riesige geldsummen in ki zu investieren. in verwandten bereichen in den nächsten jahren, aber außer einer leichten verbesserung der entwicklerproduktivität waren keine weiteren signifikanten ergebnisse zu sehen. sequoia capital ist außerdem davon überzeugt, dass sich die blase der ki-branche verschärft und die nachfragelücke bei der ki-rentabilität weiter zunimmt. viele institutionen warnen: die forschung und entwicklung großer ki-modelle steht vor beispiellosen herausforderungen. obwohl die kapitalinvestitionen weiter steigen, ist der kommerzialisierungsprozess weit von den erwartungen entfernt, das umsatzwachstum ist schwach und die gewinnaussichten sind besorgniserregend. noch schwerwiegender ist, dass das risiko von blasen in der branche immer deutlicher geworden ist und die kapitalrendite schleppend ausfällt, was große bedenken hinsichtlich der nachhaltigkeit der ki-branche auslöst.

das erste problem betrifft insbesondere kommerzialisierungs- und input-output-probleme. derzeit nehmen die investitionen in die forschung und entwicklung großer modelle weiter zu, der weg zur kommerzialisierung ist jedoch noch nicht klar, was zu einem gravierenden ungleichgewicht im input-output-verhältnis führt. die entwicklungsaussichten der strecke sind unklar, was investoren und entwickler mit großer unsicherheit konfrontiert. darüber hinaus ist das umsatzwachstum großer ki-modelle unzureichend und die gewinnaussichten sind besorgniserregend, was die marktangst weiter verschärft. insbesondere mit der weiterentwicklung der technologie steigen die trainingskosten von ki-modellen weiter an. der „2024 artificial intelligence index report“ gibt beispielsweise an, dass die trainingskosten für das gpt-4-modell von openai voraussichtlich bis zu 78 millionen us-dollar betragen werden , und googles geminiultra-modell liegt bei bis zu 1,91 milliarden dollar. solche hohen kosten stellen für viele unternehmen eine erhebliche belastung dar, insbesondere wenn die rendite unklar ist.

andererseits ist auch die tatsächliche entwicklung von ki-anwendungen besorgniserregend. obwohl große modelle erhebliche technische fortschritte gemacht haben, verlief ihre anwendung weitaus langsamer als die markterwartungen. obwohl die ki-technologie die menschliche leistung bei aufgaben wie bildklassifizierung, visuellem denken und englischverständnis übertroffen hat, bleibt sie bei komplexeren aufgaben wie wettbewerbsmathematik, visuellem denken mit gesundem menschenverstand und planung immer noch hinter den menschen zurück. dieser entwicklungsrückstand beeinträchtigt nicht nur das marktvertrauen, sondern verstärkt auch die besorgnis innerhalb der branche, was dazu führt, dass die menschen beginnen, den entwicklungspfad der ki-technologie zu überdenken.

vor diesem hintergrund befindet sich der amerikanische ki-bereich in einer tiefgreifenden reflexion und transformation. von einem rein technischen wettbewerb bis hin zu einer eingehenden untersuchung von kommerzialisierungspfaden, von blindem optimismus bei der entwicklung großer modelle bis hin zu einem dringenden bedarf an der implementierung von szenarioanwendungen.

2

die immer teurer werdende strecke muss eine neue richtung finden

in der turbulenten welle der künstlichen intelligenz sind große modelle zweifellos zu einem glänzenden stern geworden. ihre leistungsstarken erzeugungsfähigkeiten und breiten anwendungsaussichten machen sie zu einem heißen investitionsprojekt. die aktuelle situation der großen modellindustrie ist jedoch wie „eis und feuer“. einerseits gibt es schnelle technologische durchbrüche und einen rasanten investitionsboom, andererseits gibt es viele herausforderungen und dilemmata, mit denen unternehmen in der praktischen anwendung konfrontiert sind .

seit der geburt von chatgpt hat sich die großmodelltechnologie in alarmierendem tempo weiterentwickelt und die kognitiven grenzen der künstlichen intelligenz kontinuierlich erweitert. technologieriesen wie google, microsoft und meta haben ihre investitionen im bereich ki erhöht und konkurrieren um den bau von rechenzentren. der wettbewerb um rechenressourcen ist immer härter geworden und rückt in den fokus der branche. der bericht des wall street journal vom 31. märz war jedoch wie ein übergießen mit kaltem wasser und enthüllte eine grausame realität: die ki-branche gab im vergangenen jahr allein für nvidia-chips bis zu 50 milliarden us-dollar aus, um große modelle zu trainieren, während ihre einnahmen nur 1,5 milliarden us-dollar betrugen 3 milliarden us-dollar, was die große kluft zwischen hohen investitionen und mageren renditen zeigt.

das beweist auch der umfang der ki-ausgaben der technologiegiganten. laut medienberichten geht meta davon aus, dass die ki-ausgaben in diesem jahr auf bis zu 10 milliarden us-dollar steigen werden, wobei google etwa 12 milliarden us-dollar pro quartal investiert und microsoft 14 milliarden us-dollar in einem quartal ausgibt, was darauf hindeutet, dass diese ausgaben weiterhin deutlich steigen werden. angesichts des rasanten aufstiegs ultragroßer rechenzentren prognostiziert die synergy research group, dass in zukunft jedes jahr mehr als 120 bis 130 ultragroße rechenzentren mit kosten von 100 millionen us-dollar online gehen werden, und die kosten für jedes rechenzentrum betragen in 100 millionen us-dollar.

die kosten für ki und groß angelegte modellbahnen spiegeln sich jedoch nicht nur in der geschwindigkeit der geldverbrennung wider, sondern auch in der tatsache, dass es schwierig ist, das kapital kurzfristig zurückzugewinnen. obwohl der jahresumsatz von openai 3,4 milliarden us-dollar übersteigt, schreiben hohe betriebskosten und ein hartes wettbewerbsumfeld immer noch verluste. bis ende 2024 wird der verlust voraussichtlich bei fast 5 milliarden us-dollar liegen.

angesichts dieser situation haben inländische technologieriesen eine umsichtigere und pragmatischere haltung an den tag gelegt und begonnen, von der umfassenden erforschung allgemeiner großmodelle zu einer tiefgreifenden entwicklung vertikaler großmodelle für die industrie überzugehen. als eckpfeiler von allzweck-großmodellen zur bewältigung einer vielzahl von aufgaben kann ihre bedeutung nicht ignoriert werden, während vertikale großmodelle aufgrund ihrer umfassenden erforschung und präzisen befriedigung spezifischer branchen zum neuen favoriten des marktes geworden sind. in bereichen wie medizinische versorgung, finanzen, recht und bildung zeigen vertikale großmodelle nach und nach großes anwendungspotenzial und prägen das gesicht der branche neu.

hervorzuheben ist, dass die weit verbreitete anwendung großer modelle nicht von der soliden unterstützung von rechenleistung, daten und algorithmen getrennt werden kann, was eine hohe schwelle für kleine und mittlere unternehmen oder unternehmen mit begrenzten rechenleistungsressourcen darstellt. aber genau solche herausforderungen veranlassen die gesamte branche, weiter zu forschen, innovationen zu entwickeln und nach effizienteren und wirtschaftlicheren lösungen zu suchen, um die popularisierung und vertiefung der ki-technologie voranzutreiben.

3

breaking the game: in china verändert ki zig millionen branchen

der grund für die bevorzugung vertikaler großmodelle liegt nicht nur in ihren relativ geringen entwicklungskosten und kontrollierbaren schwierigkeiten, sondern auch darin, dass sie unternehmen differenzierte wettbewerbsvorteile verschaffen können. durch intensive bemühungen können unternehmen den intelligenzgrad ihrer produkte und dienstleistungen deutlich verbessern und sich so im harten wettbewerb auf dem markt hervorheben. allerdings ist der bereich der vertikalen großmodelle immer noch ein fruchtbarer boden für die entwicklung. aufgrund von faktoren wie einer schwachen it-grundlage und überlegungen zum input-output-verhältnis fällt es traditionellen unternehmen oft schwer, selbstständig große modelle zu entwickeln, und verlässt sich dabei lieber auf externe kräfte gemeinsam erkunden.

auch wenn das vertikale großmodell die schwelle senkt, steht es im tatsächlichen implementierungsprozess immer noch vor zwei großen schwierigkeiten: erstens, wie man geeignete anwendungsszenarien findet und kostengünstige produktformen entwirft, um die besten ergebnisse zu optimalen kosten zu erzielen, zweitens, wie man strategien entwickelt planungs- und kompatibilitätsprobleme mit software- und hardwareeinrichtungen, unklare kundenziele, mangelndes technisches wissen und die komplexität der systemintegration erschweren die implementierung großer modelle.

brancheninsider wiesen darauf hin, dass das ziel von unternehmen darin bestehen sollte, ki zur lösung praktischer probleme zu nutzen, und nicht nur die integration mit großen modellen anzustreben. daher müssen unternehmen darüber nachdenken, wie menschen und maschinen besser zusammenarbeiten können, die lösung von problemen als ausgangspunkt nehmen und vermeiden, blind große modelle zu verfolgen. vor diesem hintergrund passen inländische führende technologieunternehmen aktiv ihre strategische ausrichtung an und verlagern ihren fokus auf die verfeinerung und tiefgreifende entwicklung vertikaler großmodelle, um den praktischen anwendungswert großer modelle zu maximieren und unternehmen dabei zu helfen, einen doppelten effizienzsprung zu erzielen und wirksamkeit. in china ist dieser trend besonders deutlich. unter anderem helfen die technologien und produkte von huawei cloud verschiedenen branchen dabei, eine intelligente transformation zu erreichen.

in der vergangenheit war die erforschung und entwicklung neuer arzneimittel ein komplexes und langwieriges systematisches projekt. die pharma- und gesundheitsindustrie steht seit langem vor dem dilemma langer forschungs- und entwicklungszyklen, hoher kosten und geringer erfolgsquoten für neue medikamente. nach dem traditionellen modell wird die erforschung und entwicklung neuer medikamente oft durch das „double-ten-gesetz“ eingeschränkt, was zehn jahre, eine milliarde us-dollar an investitionen und eine sehr niedrige erfolgsquote bedeutet. dies schränkt nicht nur die pharmazeutische innovation meines landes ein, sondern führt auch dazu, dass viele pharmaunternehmen auf dem weg der forschung und entwicklung schwierigkeiten haben.

für die medizin- und gesundheitsbranche hat huawei cloud eine medizin- und gesundheitslösung mit dem pangu-großmodell als kern auf den markt gebracht, die die effizienz des arzneimitteldesigns um 33 % verbessert, die optimierte molekulare bindungsenergie um mehr als 40 % verbessert und beschleunigt den gesamten prozess in der frühen forschungsphase lösen. probleme für „innovative arzneimittel“ lösen, damit das „doppel-zehn-gesetz“ die arzneimittelforschung und -entwicklung nicht mehr behindert. basierend auf dem großen modell der pangu-arzneimittelmoleküle konnte das first affiliated hospital der xi'an jiaotong university den arzneimittelforschungszyklus erfolgreich von jahren auf wochen verkürzen und 90 % der kapital- und arbeitskosten reduzieren moleküle zur implementierung von organ-on-chip-experimenten haben ergebnisse mit einer konsistenz von über 80 % verifiziert; tasly lernte 3,5 millionen molekulare daten von naturprodukten durch das pangu-arzneimittelmolekül-großmodell und erstellte ein „digitales intelligentes kräuter-großmodell“, um eine steigerung um 10 % zu erreichen ergebnisse zur vorhersage und optimierung von naturproduktattributen.

um die „letzte meile“ der ki-implementierung zu erschließen, stellt huawei cloud „ki + industrie“-problemlösungsideen bereit, die in immer mehr branchen auftauchen. für die implementierung groß angelegter modelle von fertigungsszenarien arbeitete die hailiang group mit huawei zusammen, um ein groß angelegtes modell zur optimierung des hailiang-kupferfolienprozesses zu erstellen. durch prozessoptimierung wird die produktionseffizienz verbessert, die formeloptimierung verbessert die produktqualität und beschleunigt die produktinnovation durch prozesssimulation. für die implementierung von großmodellen in der logistikbranche hat sf express mit unterstützung des huawei cloud ascend cloud service das großmodell „fengyu“ erstellt und ein großes layout von aigc-anwendungen erstellt. unter anderem bietet der huawei cloud ascend cloud service unterstützung für eine steigende rechenleistung und unterstützt die effiziente entwicklung und ressourcennutzung von ki-anwendungen durch effiziente daten-, entwicklungs-, trainings- und inferenzplattformen, wodurch eine solide, große modellbasis aufgebaut wird.

in wissensintensiven branchen treibt die anwendung großer modelle einen paradigmenwechsel hin zu „intelligence as a service“ voran. in der automobilindustrie verlässt sich gac ai r&d assistant auf huawei cloud codearts, um einen code-assistenten und einen diagnoseassistenten zu entwickeln, um das automatische schreiben und erkennen von codes sowie die automatische diagnose von smart-car-fehlern zu realisieren. yunding technology konzentrierte sich auf die schwierigkeiten bei der implementierung und replikation künstlicher intelligenz im bergbaubereich und entwickelte eine intelligente lösung mit einer „1+4+n“-architektur auf der grundlage des großen pangu-mine-modells von huawei und schuf damit das erste große modell der bergbauindustrie in china. durch eine ki-entwicklungsplattform und vier pangu-großmodellfunktionen werden n hochwertige anwendungsszenarien entwickelt, um das groß angelegte „untertage“ der künstlichen intelligenz zu unterstützen.

heute ist die anwendung der ki-technologie in alle lebensbereiche vorgedrungen und hat sich zu einem neuen motor für die globale wirtschaftsentwicklung entwickelt. gleichzeitig steht es auch vor zahlreichen herausforderungen wie der knappheit wichtiger daten, der professionellen szenenerkennung und dem gleichgewicht zwischen modellleistung und kosteneffizienz. der stellvertretende vorsitzende und rotierende vorsitzende von huawei, xu zhijun, betonte auf der huawei full connect-konferenz 2024, dass die ki-technologie die technologie mit dem größten einfluss auf die branche wird. ki wird die branche digitalisieren, die produktionsmethoden der branche verändern und zum kern für verschiedene werden industrien, die in die intelligente welt eintreten. er schlug vor, dass unternehmen im intelligenten zeitalter über die „sechs a“-merkmale verfügen sollten, darunter adaptive erfahrung, sich selbst entwickelnde produkte, autonome abläufe, verbesserte mitarbeiter, vollständige konnektivität aller faktoren und aller faktoren sowie intelligente native infrastruktur.

als zweitgrößte volkswirtschaft der welt verfügt china über reichliche ressourcen in den bereichen produktion, medizin, transport, haushalt und andere anwendungsszenarien und daten und bietet ein breites experimentierfeld und anwendungsraum für die entwicklung von ki. die entwicklungsaussichten für chinas ki-bereich sind vielfältig und voller chancen. doch nur wenn die industrie gemeinsam nach lösungen sucht, können wir die koordinierte entwicklung von technologie und anwendungen wirklich vorantreiben. angesichts der verschiedenen herausforderungen im ki-zeitalter können nur durch industrielle integration und die zusammenarbeit mehrerer parteien win-win-ergebnisse erzielt werden. durch die gründliche erforschung von szenarioanwendungen wird china in der lage sein, das potenzial der ki-technologie kontinuierlich freizusetzen und die digitale transformation verschiedener branchen voranzutreiben.

quelle: global times

prozesseditor: u022