uutiset

sen jälkeen kun chatgpt sytytti täysin tekoälyn (ai) avajaisnäytöksen viime vuonna, ihmiset ympäri maailmaa ovat havainneet, että mikään tekniikka ei ole koskaan ollut niin "muuttuva päivä päivältä" kuin tekoäly: onko kyseessä suuri malli tai siru, se päivittyy ja toistuu hämmästyttävällä nopeudella kiinan ja yhdysvaltojen ottaessa johtoaseman, koko teollisuus on näyttänyt mahtavan spektaakkelin tuhansista kilpailijoista. teknologian nopean iteroinnin ja markkinoiden syvällisten muutosten myötä avausesitys lopulta päättyy, ja todellinen kysymys on vihdoin kaikkien edessä: kuinka soveltaa sitä? kuinka tehdä rahaa?

seurauksena on vähitellen muodostumassa selkeä yksimielisyys: tekoälyn kehitys on käynyt läpi yksinkertaisen "suuren mallin asekilpailun" vaiheen ja on virallisesti siirtynyt "skenesovellusten syväkaivostyön" ja "innovatiivisen konseptioppaan" toiselle puoliskolle.

miten löytää paras tasapaino teknologisen innovaation ja kaupallisen sovelluksen välillä tässä uudessa kehitysvaiheessa? kuinka etsiä yhteistyömahdollisuuksia kovassa kilpailussa? kuinka löytää ja tarttua kehittymismahdollisuuksiin haasteiden keskellä? näistä kysymyksistä on tullut keskeisiä aiheita ammatinharjoittajien pohdittavaksi ja vastattavaksi. johtajina kiina ja yhdysvallat ovat epäilemättä herättäneet maailman huomion. maiden strategiset valinnat, teknologiset investoinnit ja markkinadynamiikka muokkaavat globaalin tekoälyn kehityskulkua ja kilpailuympäristöä ennennäkemättömällä tavalla.

1

amerikkalainen näkökulma: investment sumu ja kaupallistamisen dilemma

tekoälyteknologian syntymäpaikkana yhdysvallat on investoinut valtavasti suurten mallien tutkimukseen ja kehittämiseen, mutta sen kaupallistamisprosessi on horjumassa ja riskinä sijoitetun pääoman alhaisesta tuotosta ja markkinakupista.

tekoälyn villityksen alla markkinat ovat osoittaneet suurta innostusta. nvidia, meta, tesla, amazon, googlen emoyhtiö alphabet, microsoft ja apple, nämä seitsemän teknologiajättiä, jotka tunnetaan nimellä "magna 7", loistavat osakemarkkinoilla vuonna 2023, ja niiden osakekurssit nousivat 239 %, 194 %. , 102 %, 81 %, 59 %, 57 % ja 48 %.

tämän villityksen takana on kuitenkin varjo, jota ei voida sivuuttaa. tämän vuoden kesäkuun lopussa goldman sachsin artikkeli "too much investment, too little returns" nosti tekoälykuplateorian etualalle. artikkelissa todettiin suoraan, että suuret yritykset aikovat sijoittaa valtavia summia tekoälyyn. liittyvillä aloilla lähivuosina, mutta kehittäjän tuottavuuden lievän parantumisen lisäksi muita merkittäviä tuloksia ei nähty. sequoia capital uskoo myös, että tekoälyteollisuuden kupla voimistuu ja tekoälyn kannattavuuden kysyntävaje kasvaa edelleen. monet laitokset ovat antaneet varoituksia: suurten tekoälymallien tutkimus ja kehittäminen on ennennäkemättömien haasteiden edessä. vaikka pääomasijoitukset jatkavat kasvuaan, kaupallistamisprosessi on kaukana odotetusta, liikevaihdon kasvu on heikkoa ja tulosnäkymät huolestuttavat. vakavampaa on, että teollisuuskuplien riski on tullut yhä näkyvämmäksi ja sijoitetun pääoman tuotto on ollut hidasta, mikä laukaisee syvän huolen tekoälyteollisuuden kestävyydestä.

erityisesti ensimmäinen kysymys on kaupallistaminen ja panos-tuotos-kysymykset. tällä hetkellä investoinnit suuren mittakaavan mallitutkimukseen ja tuotekehitykseen jatkavat kasvuaan, mutta kaupallistamispolku ei ole vielä selvä, mikä johtaa vakavaan epätasapainoon panos-tuotossuhteessa. radan kehitysnäkymät ovat epäselvät, minkä vuoksi sijoittajat ja kehittäjät ovat suuren epävarmuuden edessä. lisäksi suurten tekoälymallien liikevaihdon kasvu on riittämätöntä ja tulosnäkymät ovat huolestuttavat, mikä lisää markkinoiden ahdistusta entisestään. erityisesti tekniikan kehittyessä tekoälymallien koulutuskustannukset jatkavat nousuaan esimerkiksi "2024 artificial intelligence index report" -raportissa todetaan, että openai:n gpt-4-mallin koulutuskustannusten odotetaan olevan jopa 78 miljoonaa yhdysvaltain dollaria. , ja googlen geminiultra-malli on peräti 1,91 miljardia dollaria. tällaiset korkeat kustannukset muodostavat huomattavan taakan monille yrityksille, varsinkin kun tuotot ovat epäselviä.

toisaalta myös tekoälysovellusten todellinen kehitys on huolestuttavaa. vaikka suuret mallit ovat edistyneet merkittävästi teknisesti, niiden käyttöönotto on ollut markkinoiden odotuksia huomattavasti hitaampaa. vaikka tekoälyteknologia on ylittänyt ihmisen suorituskyvyn sellaisissa tehtävissä kuin kuvien luokittelu, visuaalinen päättely ja englannin ymmärtäminen, se on silti jäljessä ihmisistä monimutkaisemmissa tehtävissä, kuten kilpailumatematiikassa, visuaalisessa maalaisjärkessä ja suunnittelussa. tämä kehitysviive ei vaikuta ainoastaan ​​markkinoiden luottamukseen, vaan myös lisää alan ahdistusta, mikä saa ihmiset alkamaan tarkastelemaan uudelleen tekoälyteknologian kehityspolkua.

tätä taustaa vasten amerikkalainen tekoälykenttä käy läpi syvällistä pohdintaa ja muutosta. puhtasta teknologiakilpailusta kaupallistamispolkujen syvälliseen tutkimiseen, sokeasta optimismista suurten mallien kehittämisessä aina kiireelliseen skenaariosovellustoteutustarpeeseen.

2

yhä kalliimmalle radalle on löydettävä uusi suunta

tekoälyn myrskyisellä aallolla suurista malleista on epäilemättä tullut häikäiseviä tähtiä niiden voimakas tuotantokyky ja laajat sovellusmahdollisuudet tekevät niistä kuuman investointiprojektin. suuren malliteollisuuden nykytilanne on kuitenkin kuin "jäätä ja tulta". toisaalta on olemassa nopeita teknisiä läpimurtoja ja kiihtyvää investointibuumia. toisaalta yrityksillä on monia haasteita ja ongelmia käytännön sovelluksissa .

chatgpt:n syntymästä lähtien suuri malliteknologia on kehittynyt hälyttävää vauhtia ja laajentanut jatkuvasti tekoälyn kognitiivisia rajoja. teknologiajättiläiset, kuten google, microsoft ja meta, ovat lisänneet investointejaan tekoälyn alalla ja kilpailevat datakeskusten rakentamisesta. wall street journalin raportti 31. maaliskuuta oli kuitenkin kuin kylmän veden kaatamista sen päälle paljastaen julman todellisuuden: tekoälyteollisuus käytti viime vuonna jopa 50 miljardia dollaria nvidia-siruihin kouluttaakseen suuria malleja, kun taas sen tulot olivat vain 3 miljardia dollaria, mikä osoittaa valtavan kuilun suurten investointien ja vähäisen tuoton välillä.

myös teknologiajättiläisten tekoälykulujen mittakaava todistaa tämän. mediaraporttien mukaan meta odottaa tekoälykulujen nousevan jopa 10 miljardiin dollariin tänä vuonna, kun google sijoittaa noin 12 miljardia dollaria vuosineljänneksellä ja microsoft käyttää 14 miljardia dollaria yhdellä neljänneksellä, mikä osoittaa, että menot kasvavat edelleen merkittävästi. ultrasuurien palvelinkeskusten nopean kasvun myötä synergy research group ennustaa, että yli 120–130 erittäin suurta palvelinkeskusta, joiden kustannukset ovat 100 miljoonaa dollaria, tulee verkkoon tulevaisuudessa joka vuosi, ja jokaisen datakeskuksen hinta on 100 miljoonassa yhdysvaltain dollarissa.

tekoälyn ja suurten malliraitojen kustannukset eivät kuitenkaan heijastu vain rahanpolton nopeuteen, vaan myös siihen, että pääomaa on vaikea saada takaisin lyhyellä aikavälillä. vaikka openai:n vuotuinen liikevaihto on ylittänyt 3,4 miljardia dollaria, korkeat käyttökustannukset ja kova kilpailuympäristö ovat pitäneet sen edelleen tappiollisena, ja tappion odotetaan olevan lähes 5 miljardia dollaria vuoden 2024 loppuun mennessä.

tässä tilanteessa kotimaiset teknologiajätit ovat osoittaneet varovaisempaa ja pragmaattisempaa asennetta ja ovat alkaneet siirtyä yleisten suurten mallien laajasta tutkimisesta teollisuuden vertikaalisten suurten mallien syvälliseen kehittämiseen. koska ne ovat yleiskäyttöisten suurten mallien kulmakivi monenlaisiin tehtäviin, niiden tärkeyttä ei voida jättää huomiotta, kun taas vertikaalisista suurista malleista on tullut markkinoiden uusi suosikki, koska ne ovat syvällisesti tutkineet ja tyydyttävät tiettyjä toimialoja. esimerkiksi sairaanhoidon, rahoituksen, lakien ja koulutuksen aloilla vertikaaliset suuret mallit osoittavat vähitellen suurta sovelluspotentiaalia ja muokkaavat alan ilmettä.

on syytä korostaa, että suurten mallien laajaa soveltamista ei voida erottaa laskentatehon, datan ja algoritmien vankasta tuesta, joka asettaa korkean kynnyksen pienille ja keskisuurille yrityksille tai yrityksille, joilla on rajalliset laskentatehoresurssit. mutta juuri tällaiset haasteet saavat koko toimialan jatkamaan tutkimusta ja innovointia sekä etsimään tehokkaampia ja taloudellisempia ratkaisuja tekoälyteknologian popularisoinnin ja syventämisen edistämiseksi.

3

breaking the game: kiinassa tekoäly muokkaa kymmeniä miljoonia toimialoja

syy siihen, miksi vertikaalisia suuria malleja suositaan, ei johdu vain niiden suhteellisen alhaisista kehityskustannuksista ja hallittavasta vaikeudesta, vaan myös siitä, että ne voivat tuoda erilaista kilpailuetua yrityksille. yritykset voivat intensiivisellä ponnistelulla parantaa merkittävästi tuotteidensa ja palveluidensa älykkyyttä ja erottua siten edukseen kovassa markkinakilpailussa. vertikaalisten suurten mallien ala on kuitenkin vielä hedelmällistä kehittämistä johtuen sellaisista tekijöistä kuin heikko it-perusta ja panos-tuotos-suhde, perinteisillä yrityksillä on usein vaikeuksia itsenäisesti kehittää suuria malleja, ja ne luottavat mieluummin ulkoisiin voimiin. tutkia yhdessä.

vaikka pystysuora suuri malli laskee kynnystä, sillä on silti kaksi suurta vaikeutta varsinaisessa toteutusprosessissa: ensinnäkin, kuinka löytää sopivia sovellusskenaarioita ja suunnitella kustannustehokkaita tuotemuotoja parhaiden tulosten saavuttamiseksi optimaalisilla kustannuksilla ohjelmistojen ja laitteistojen suunnittelu- ja yhteensopivuusongelmat, asiakkaiden tavoitteiden epäselvyys, teknisen tietämyksen puute ja järjestelmäintegraation monimutkaisuus lisäävät kaikki suurten mallien toteuttamisen vaikeutta.

alan sisäpiiriläiset huomauttivat, että yritysten tavoitteena tulisi olla käyttää tekoälyä käytännön ongelmien ratkaisemiseen sen sijaan, että yksinkertaisesti pyrittäisiin integroimaan suuria malleja. siksi yritysten on pohdittava, miten ihmiset ja koneet voivat tehdä yhteistyötä paremmin, aloittaa ongelmien ratkaisemisesta ja välttää sokeasti isojen mallien tavoittelua. tätä taustaa vasten kotimaiset johtavat teknologiayritykset sopeuttavat aktiivisesti strategisia suuntaviivoja ja siirtävät painopisteensä vertikaalisten suurten mallien jalostukseen ja syvälliseen kehittämiseen pyrkien maksimoimaan suurten mallien käytännön sovellusarvon ja auttamaan yrityksiä saavuttamaan kaksinkertaisen tehokkuusharppauksen. ja tehokkuus. kiinassa tämä suuntaus on erityisen selvä. huawei cloudin teknologiat ja tuotteet auttavat eri toimialoja saavuttamaan älykkään muutoksen.

aiemmin uusien lääkkeiden tutkimus ja kehitys oli monimutkainen ja pitkällinen systemaattinen projekti. lääke- ja terveysteollisuus on jo pitkään kohdannut uusien lääkkeiden pitkien t&k-syklien, korkeiden kustannusten ja alhaisten onnistumisasteiden dilemman. perinteisessä mallissa uusien lääkkeiden tutkimusta ja kehitystä rajoittaa usein "kaksinkertainen kymmenen laki", joka tarkoittaa kymmentä vuotta, miljardin dollarin investointia ja erittäin alhaista onnistumisprosenttia. tämä ei ainoastaan ​​rajoita kotimaani lääkeinnovaatioita, vaan saa myös monet lääkeyritykset kamppailemaan tutkimuksen ja kehityksen tiellä.

huawei cloud on lanseerannut lääketieteen ja terveydenhuollon teollisuudelle lääketieteen ja terveydenhuollon ratkaisun, jonka ytimenä on pangu large -malli, joka parantaa lääkesuunnittelun tehokkuutta 33 %, parantaa optimoitua molekyylien sitoutumisenergiaa yli 40 % ja nopeuttaa koko prosessi varhaisessa tutkimusvaiheessa ratkaise "innovatiivisten lääkkeiden" ongelmat, jotta "kaksinkertainen kymmenen laki" ei enää häiritse lääketutkimusta ja -kehitystä. pangu-lääkemolekyylien suureen malliin perustuen xi'an jiaotong -yliopiston ensimmäinen sidossairaala onnistui onnistuneesti vähentämään lääketutkimussykliä vuosista viikkoihin ja vähentämään 90 % pääoma- ja työvoimakustannuksista pangu-lääkkeen suurta mallia molekyylejä sirulla olevien elinten toteuttamiseksi kokeilut ovat varmistaneet yli 80 %:n johdonmukaisuuden. luonnollisten tuotteiden määritteiden ennustus- ja optimointitulokset.

avatakseen tekoälyn toteutuksen "viimeisen mailin" huawei cloud tarjoaa "ai + teollisuus" -ongelmanratkaisuideoita, joita ilmaantuu yhä useammalla toimialalla. laajamittaisten valmistusskenaarioiden toteuttamiseksi hailiang group työskenteli huawein kanssa suuren mittakaavan mallin luomiseksi hailiangin kuparifolioprosessin optimoinnista prosessin optimoinnin avulla se parantaa tuotannon tehokkuutta, kaavan optimointi parantaa tuotteiden laatua ja nopeuttaa tuoteinnovaatioita prosessisimuloinnin kautta. laajamittaisten mallien toteuttamista varten logistiikkateollisuudessa sf express loi huawei cloud ascend cloud servicen tuella "fengyu"-suuren mallin ja rakensi suuren asettelun aigc-sovelluksista. niistä huawei cloud ascend cloud service tarjoaa kasvavaa laskentatehoa ja auttaa tekoälysovellusten tehokkaassa kehittämisessä ja resurssien hyödyntämisessä tehokkaiden data-, kehitys-, koulutus- ja päättelyalustojen avulla ja rakentaa vankan laajan mallipohjan.

tietointensiivisillä teollisuudenaloilla suurten mallien soveltaminen ajaa paradigman muutosta kohti "älykkyyttä palveluna". autoteollisuudessa gac ​​ai r&d assistant luottaa huawei cloud codeartsiin koodi- ja diagnostiikka-avustajan rakentamaan koodien automaattista kirjoittamista ja havaitsemista sekä älyautojen vikojen automaattista diagnosointia. yunding technology keskittyi kaivosalan tekoälyn toteuttamisen ja kopioimisen vaikeuksiin ja rakensi älykkään ratkaisun "1+4+n"-arkkitehtuurilla huawein pangu mine -suurmalliin pohjautuen ja loi ensimmäisen suuren kaivosteollisuuden mallin. kiinassa. tekoälyn kehitysalustan ja neljän suuren pangu-malliominaisuuden avulla kehitetään n arvokasta sovellusskenaariota tukemaan tekoälyn laajamittaista "kaivoa".

tänä päivänä tekoälyteknologian sovellus on tunkeutunut kaikille elämänaloille ja siitä on tullut uusi moottori, joka ajaa globaalia talouskehitystä. samalla se kohtaa myös useita haasteita, kuten avaintietojen niukkuus, ammattimainen kohtausten tunnistus sekä mallin suorituskyvyn ja kustannustehokkuuden välinen tasapaino. huawein varapuheenjohtaja ja vaihtuva puheenjohtaja xu zhijun korosti vuoden 2024 huawei full connect -konferenssissa, että tekoälyteknologiasta on tulossa teknologia, jolla on eniten vaikutusta alaan, ja se digitalisoi alan, muuttaa alan tuotantomenetelmiä ja tulee erilaisten yritysten ytimeksi teollisuuden aloilla älykkääseen maailmaan. hän ehdotti, että älykkään aikakauden yrityksillä tulisi olla "kuuden a:n" ominaisuuksia, mukaan lukien mukautuva kokemus, itsestään kehittyvät tuotteet, itsenäiset toiminnot, tehostetut työntekijät, kaikkien tekijöiden ja kaikkien tekijöiden täydellinen liitettävyys sekä älykäs natiivi infrastruktuuri.

maailman toiseksi suurimmana taloudena kiinalla on runsaasti resursseja valmistuksen, lääketieteen, liikenteen, kodin ja muiden sovellusten skenaarioissa ja datassa, mikä tarjoaa laajan kokeellisen kentän ja sovellustilan tekoälyn kehittämiseen. kiinan tekoälykentän kehitysnäkymät ovat laajat ja täynnä mahdollisuuksia. kuitenkin vain alan yhdessä ratkaisuja etsimällä voimme todella edistää teknologian ja sovellusten koordinoitua kehitystä. tekoälyn aikakauden erilaisten haasteiden edessä vain teollinen integraatio ja monen osapuolen yhteistyö voivat saavuttaa kaikkia hyödyttäviä tuloksia. tutkimalla skenaariosovelluksia perusteellisesti kiina pystyy jatkuvasti vapauttamaan tekoälyteknologian potentiaalia ja edistämään eri toimialojen digitaalista muutosta.

lähde: global times

prosessieditori: u022