νέα

Κείμενο |

Πρόσφατα, ένας φίλος μου έδωσε σχόλια:ΚύμηΗ διαφήμιση είναι πραγματικά σκληρή.

Μπορείτε να το δείτε κατά την ακρόαση του NetEase Music ή την περιήγηση στο bilibili Λέγεται ότι το προϊόν είναι για απλούς χρήστες. Ωστόσο, είναι μόλις στα μισά του Αυγούστου και μερικές από τις ενέργειες της Kimi κάνουν τους ανθρώπους να νιώθουν λίγο διαφορετικά.

Ποια είναι η διαφορά;

Από τη μια, στις 2 Αυγούστου, η μητρική εταιρεία της Kimiσκοτεινή πλευρά του φεγγαριού(Moonshot AI) ανακοίνωσε την επίσημη κυκλοφορία του API εταιρικού επιπέδου της Kimi. Αυτό το μοντέλο σε εταιρικό επίπεδο παρέχει ισχυρότερη προστασία της ασφάλειας δεδομένων και ταχύτερη ταχύτητα επεξεργασίας από την έκδοση του απλού χρήστη και μπορεί να βοηθήσει τις επιχειρήσεις να χειριστούν πολύπλοκες εργασίες και μεγάλες ποσότητες δεδομένων.

Αμέσως μετά, ανακοίνωσαν ότι θα μείωναν το κόστος της τεχνολογίας Cache cache περιβάλλοντος της ανοιχτής πλατφόρμας Kimi από τα αρχικά 10 γιουάν ανά 1 εκατομμύριο μάρκες σε 5 γιουάν ανά λεπτό. Έμαθα ότι αυτή η μείωση τιμής βρίσκεται σε δημόσια beta στην ανοιχτή πλατφόρμα από την 1η Ιουλίου.

Αφού διαβάσετε αυτό, μπορεί να είστε περίεργοι, τι ακριβώς είναι η Cache;

Με απλά λόγια, η λειτουργία του είναι να αποθηκεύει εκ των προτέρων κείμενο ή δεδομένα που μπορεί να χρησιμοποιούνται επανειλημμένα και να τίθενται συχνά ερωτήματα, βελτιώνοντας έτσι την αποτελεσματικότητα του συλλογισμού του μοντέλου χωρίς αύξηση του κόστους.

Επομένως, αυτές οι ενέργειες με κάνουν να αναρωτιέμαι, έχει βρει η τεχνητή νοημοσύνη μια αποτελεσματική διαδρομή στον τομέα B2B; Μετά από έναν κύκλο έρευνας, σκέφτομαι: ναι.

01

Ας μιλήσουμε πρώτα για μια συναίνεση του κλάδου:Η εφαρμογή AI είναι αναμφίβολα το κλειδί για την επιτυχία του μοντέλου.

Φέτος, στο Παγκόσμιο Συνέδριο Τεχνητής Νοημοσύνης, ο Διευθύνων Σύμβουλος της Baidu, Robin Li, συζήτησε μερικές από τις απόψεις του για την εφαρμογή μεγάλων μοντέλων. Είπε: Αν και η ανάπτυξη της C-side είναι σημαντική, τα σενάρια εφαρμογών B-side είναι όπου τα μεγάλα μοντέλα μπορούν να επιτύχουν καλύτερα αποτελέσματα.

Πιστεύει ότι στην εποχή της τεχνητής νοημοσύνης, οι εφαρμογές που μπορούν να επηρεάσουν βαθιά τις βιομηχανίες και να βελτιώσουν σημαντικά την αποτελεσματικότητα είναι πιο πολύτιμες. σχετικά με τα αντίστοιχα χαρακτηριστικά και τους πόρους δεδομένων τους, οι προσαρμοσμένοι ευφυείς πράκτορες θα φτάσουν σε εκατομμύρια στο μέλλον, σχηματίζοντας ένα τεράστιο οικοσύστημα.

Φέτος, η Baidu κέρδισε 17 έργα σε διάφορους τομείς όπως η ιατρική περίθαλψη, η χρηματοδότηση, η ενέργεια, η προστασία του περιβάλλοντος και οι μεταφορές, καλύπτοντας μεγάλες κρατικές επιχειρήσεις και κορυφαίες εταιρείες του κλάδου, και τα ποσά ήταν επίσης πολύ σημαντικά.

Προφανώς, ο Robin Li πιστεύει ότι οι εφαρμογές AI πρέπει να εφαρμοστούν γρήγορα σε ευφυείς πράκτορες.

Ας μην πούμε αν θα εμπίπτει στις ιδιαιτερότητες του ευφυούς φορέα Υπάρχουν τόσα πολλά έγγραφα διαγωνισμού που πρέπει να παραδοθούν ένα προς ένα, αν κάτι δεν ολοκληρωθεί σε ενάμιση χρόνο, ο πελάτης σίγουρα δεν θα είναι πρόθυμος.

Ας δούμε τι πιστεύει ο Yang Zhilin, ο ιδρυτής του Moonshot AI.

Τον Ιούνιο, κατά τη διάρκεια μιας συνομιλίας μεταξύ του ιδρυτή του Geek Park, Zhang Peng και του Yang Zhilin, ο Yang ανέφερε ότι δεν απέκλεισαν εντελώς την B-side, αλλά επικεντρώθηκαν κυρίως στην C-side. Το προϊόν του Kimi έχει φτάσει στην κορυφαία επισκεψιμότητα και χρήση στον τομέα της τεχνητής νοημοσύνης.

Παρόλα αυτά, οι χρήστες αντιμετωπίζουν συχνά προβλήματα λόγω ανεπαρκούς υπολογιστικής ισχύος κατά τις ώρες αιχμής. Για να αντιμετωπίσουν αυτή την κατάσταση, έχουν λάβει πολλά μέτρα για τη μείωση του λειτουργικού κόστους και την αύξηση της αποτελεσματικότητας.

Ένα από αυτά είναι η βελτιστοποίηση της απόδοσης συμπερασμάτων του μοντέλου μέσω της τεχνολογίας προσωρινής αποθήκευσης Αυτή η τεχνολογία επιτρέπει στην Kimi να ανταποκρίνεται ταχύτερα κατά την επεξεργασία σύνθετων αιτημάτων και μειώνει την ανάγκη για επαναλαμβανόμενους υπολογισμούς.

Αυτή η βελτίωση όχι μόνο βελτιώνει την ταχύτητα απόκρισης και την αποτελεσματικότητα επεξεργασίας του συστήματος, αλλά διασφαλίζει επίσης τη συνοχή και την ακρίβεια του διαλόγου ή της δημιουργίας κειμένου, αυτό θα φαίνεται να είναι πολύ σημαντικό στο μέλλον, όταν βρεθεί αντιμέτωπος με τη δυνατότητα επιχειρηματικής δραστηριότητας Ιδιαίτερα σημαντική.

Επομένως, ο Yang Zhilin πιστεύει ότι εάν θέλετε να μετακινηθείτε στην πλευρά B, πρέπει πρώτα να λύσετε το πρόβλημα της υπολογιστικής ισχύος και η διασφάλιση της σταθερότητας της υπολογιστικής ισχύος είναι το θεμέλιο.

Από την άλλη πλευρά, πιστεύω ότι το να κάνεις C-end business δεν είναι τόσο σέξι.

Έμαθα από πολλούς επαγγελματίες της διαφήμισης ότι από το πρώτο εξάμηνο του 2024, το κατά κεφαλήν κόστος μετατροπής θα συνεχίσει να αυξάνεται.

Ωστόσο, εξετάζοντας τη γενική τάση, το αυξανόμενο κόστος του ανταγωνισμού στην αγορά τεχνητής νοημοσύνης σε σενάρια C-end αναμφίβολα θα ωθήσει πολλές εταιρείες τεχνητής νοημοσύνης να επαναξιολογήσουν τις στρατηγικές αγοράς τους.

Ως εκ τούτου, αν και η αγορά της πλευράς C έχει μεγάλες δυνατότητες, τα σενάρια εφαρμογής της πλευράς Β είναι οι βασικοί τομείς για την επίτευξη του βαθύτερου αντίκτυπου και των αποτελεσματικών αποτελεσμάτων των μεγάλων μοντέλων, τελικά, μόνο με την επίτευξη πραγματικής μείωσης κόστους και βελτίωσης της απόδοσης για τις επιχειρήσεις προωθούν την πρόοδο του κλάδου και ακόμη και ολόκληρου του κλάδου.

02

Αφού η συναίνεση είναι σωστή. Λοιπόν, πώς μπορούν οι πράκτορες, ή AI, ή μεγάλα (μικρά) μοντέλα να εισέλθουν αποτελεσματικά στο πεδίο B2B;Ο πρώτος τρόπος είναι να είναι η ανάντη της πλευράς Β.

Τι σημαίνει αυτό;

Η λεγόμενη B-side upstream είναι η πηγή της εφοδιαστικής αλυσίδας. Για παράδειγμα: Ας υποθέσουμε ότι υπάρχει μια φαρμακευτική εταιρεία που έχει ανάγκες και σενάρια εφαρμογών για τη χρήση της τεχνητής νοημοσύνης, αλλά είναι δύσκολο να εισχωρήσει σε μια μεγάλη εταιρεία μοντέλου Τι πρέπει να κάνω;

Αυτή τη στιγμή, διαπιστώνετε ότι η φαρμακευτική εταιρεία χρησιμοποιεί κάποιο είδος λογισμικού SaaS Χρησιμοποιήστε το λογισμικό Ταυτόχρονα, ομαλά μετάβαση στη χρήση AI.

Αυτός είναι ο τρόπος σκέψης πολλών παραδοσιακών επιχειρηματιών B-side.

Στην πραγματικότητα, το λογισμικό B2B έχει πολλαπλές φόρμες ανάπτυξης. Πρώτον, τοπική ανάπτυξη, όπου το λογισμικό εγκαθίσταται στον διακομιστή ή τη συσκευή του ίδιου του πελάτη, δίνοντας στον πελάτη τον έλεγχο των δεδομένων και της ασφάλειας.

Αυτή η μέθοδος απαιτεί τακτικές αναβαθμίσεις, οι οποίες είναι ενοχλητικές και δαπανηρές στη συντήρηση. Για παράδειγμα, στο παρελθόν, μεγάλοι κατασκευαστές όπως η Mercedes-Benz και η BMW χρησιμοποιούσαν παραδοσιακά συστήματα CRM για τοπική ανάπτυξη προκειμένου να διαχειριστούν τους πράκτορες.

Ωστόσο, η τοπική ανάπτυξη αντιμετωπίζει πολλές προκλήσεις κατά την εφαρμογή της ενσωμάτωσης τεχνητής νοημοσύνης, ειδικά προεκπαιδευμένων μοντέλων από τη στιγμή που εγκατασταθούν τέτοια μοντέλα, μπορούν να ανταποκριθούν στα ερωτήματα των πελατών ακόμη και όταν δεν είναι συνδεδεμένα στο Διαδίκτυο.

Αν και πολλές εταιρείες ToB ενδιαφέρονται να δοκιμάσουν, η πολυπλοκότητα των πραγματικών λειτουργιών είναι πολύ υψηλή. Για παράδειγμα, οι φαρμακευτικές ομάδες ή τα νοσοκομεία έχουν τεράστιες ανάγκες διαχείρισης δεδομένων Μόλις το λογισμικό πρέπει να ενημερωθεί για να ενσωματώσει νέες λειτουργίες τεχνητής νοημοσύνης, η όλη διαδικασία θα είναι εξαιρετικά περίπλοκη.

Επιπλέον, για τους ηγέτες έργων, πρέπει να εξηγήσουν στα αφεντικά τους γιατί πρέπει να ξοδέψουν πολλά χρήματα για να εισαγάγουν λειτουργίες AI.

για παράδειγμα:

Ξοδέψτε 20 εκατομμύρια για να φτιάξετε ένα μοντέλο. Ακούγεται υπέροχο, έχουμε δυνατότητες τεχνητής νοημοσύνης, αλλά η πραγματική κατάσταση μπορεί να κάνει τους ανθρώπους να πιστεύουν ότι πρόκειται απλώς για ένα σύστημα ερωτήσεων και απαντήσεων με γνώσεις τεχνητής νοημοσύνης. Κοιτάζοντας το με αυτόν τον τρόπο, αισθάνομαι πάντα ότι δεν είναι καλή συμφωνία.

Ένα άλλο σημείο είναι, ακόμα κι αν μια εταιρεία εισάγει ένα μοντέλο, τι θα συμβεί αν οι εργαζόμενοι δεν μπορούν πλέον να το χρησιμοποιήσουν; Τότε αυτά τα χρήματα δεν θα πάνε χαμένα;Κανένας υπολογισμός δεν είναι κατάλληλος για αυτό. Φυσικά, ορισμένες εταιρείες δεν έχουν καν βάση γνώσεων και δεν υπάρχει ανάγκη να εισαγάγουν δυνατότητες τεχνητής νοημοσύνης.

Το μοντέλο SaaS, ως άλλη μορφή, επιτρέπει στους χρήστες να πληρώνουν τέλη μέσω συνδρομών, όπως εργαλεία συνεργασίας όπως το Feishu. Σύμφωνα με αυτό το μοντέλο, οι εταιρείες SaaS μπορούν να ενσωματώσουν άμεσα λειτουργίες τεχνητής νοημοσύνης και ακόμη και να έχουν τη δυνατότητα να παρακάμπτουν μικρές εταιρείες μοντέλων και να αγοράζουν υπηρεσίες απευθείας από μεγάλες εταιρείες μοντέλων για να μεταμορφώνουν διαδικασίες.

Μεταξύ όλων αυτών των μορφών, το μοντέλο SaaS είναι το πιο εύκολο να ενσωματωθούν λειτουργίες AI, επειδή οι πάροχοι υπηρεσιών μπορούν να ενημερώνουν και να διατηρούν τις λειτουργίες AI ομοιόμορφα στο πίσω μέρος και οι πελάτες δεν χρειάζεται να ανησυχούν για τεχνικές λεπτομέρειες.

Ως εκ τούτου, από την κορυφή προς τα κάτω, οι εταιρείες που παρέχουν λύσεις τεχνητής νοημοσύνης μπορεί να κερδίσουν ορισμένες παραγγελίες, αλλά η διαδικασία της πραγματικής επιτυχίας των πελατών μπορεί να είναι αρκετά δύσκολη και οι προσπάθειες και τα κέρδη συχνά δεν είναι ανάλογα.

03

Λοιπόν, υπάρχει μια νέα λύση; έχω. Ας το δούμε από κάτω προς τα πάνω.

Πρέπει να δημιουργήσουμε μια νέα αντίληψη:

Η χρήση της τεχνητής νοημοσύνης στην εταιρεία έχει βρει μια σημαντική ανακάλυψη. Μας βοηθά κυρίως να βελτιώσουμε την αποτελεσματικότητα του να κάνουμε πράγματα που γενικά χρησιμοποιείται για τη βελτίωση των υφιστάμενων διαδικασιών εργασίας αντί για την πλήρη επανεκκίνηση.

Τι είναι ένα καθαρό ξεκίνημα;

Δηλαδή, ο πλήρης επανασχεδιασμός της διαδικασίας από την αρχή, χωρίς να βασίζεται σε υπάρχουσες δομές και σχέδια στο πλαίσιο της ροής εργασιών ή της διαχείρισης έργου, αυτό σημαίνει εγκατάλειψη παλαιών μεθόδων και συστημάτων και υιοθέτηση εντελώς νέων μεθόδων για την επίλυση του προβλήματος ένα έργο.

Για παράδειγμα, μια εταιρεία αρχικά χρησιμοποιούσε ένα πολύ παραδοσιακό σύστημα διαχείρισης πελατειακών σχέσεων (CRM). Καθώς ο χρόνος περνούσε και η επιχείρηση μεγάλωνε, αυτό το σύστημα δεν μπορούσε πλέον να καλύψει τις ανάγκες της εταιρείας.

Η εταιρεία αποφάσισε να μην τροποποιήσει ή να αναβαθμίσει το παλιό σύστημα, αλλά να αναπτύξει ένα νέο σύστημα CRM από την αρχή. Εργαλεία ανάλυσης δεδομένων.

Αυτό είναι ένα παράδειγμα «καθαρής εκκίνησης». Αλλά, ξέρετε τι;Η τεχνητή νοημοσύνη ανατρέπει τη διαδικασία επανασχεδιασμού των διαδικασιών τις περισσότερες φορές, η τεχνητή νοημοσύνη χειρίζεται εργασίες με τις οποίες οι άνθρωποι είναι ήδη εξοικειωμένοι και δεν χρειάζεται να εφεύρουμε εκ νέου τον τροχό.

Τι σημαίνει αυτό;

Όταν μια εταιρεία ξεκινά να χρησιμοποιεί μοντέλα τεχνητής νοημοσύνης, αυτά τα μοντέλα πρέπει να ενσωματωθούν στενά με τη ροή εργασιών της ίδιας της εταιρείας. Για παράδειγμα, ορισμένες εταιρείες θέλουν να χρησιμοποιήσουν κάποια προηγμένα μεγάλα μοντέλα στον ιατρικό ή εκπαιδευτικό τομέα, αλλά αυτή η διαδικασία μπορεί να συναντήσει πολλές δυσκολίες.

Επειδή οι επιχειρήσεις και οι διαδικασίες κάθε εταιρείας είναι μοναδικές και τα δεδομένα που απαιτούνται από την τεχνητή νοημοσύνη είναι επίσης μοναδικά, ένα γενικό μεγάλο μοντέλο μπορεί να μην είναι κατάλληλο.

τι να κανωΑυτή τη στιγμή, θα ήταν πιο εύκολο να έχετε ένα μικρό μοντέλο και βοηθό.

Για παράδειγμα:

Οι λογιστές μικρών και μεσαίων επιχειρήσεων χρησιμοποιούν συνήθως λογισμικό όπως το Kingdee, το UFIDA και το Chanjet. Υπάρχουν ήδη πολλά δεδομένα αποθηκευμένα σε αυτό το λογισμικό για χειριστές, απλώς θέλουν να χρησιμοποιήσουν τη δύναμη της τεχνητής νοημοσύνης για να βρουν γρήγορα ένα κομμάτι δεδομένων ή να βγάλουν συμπέρασμα, χωρίς να χρειάζεται να κάνουν σημαντικές αλλαγές στο αρχικό λογισμικό.

Επομένως, ένας καλός τρόπος για να εφαρμόσετε σενάρια τεχνητής νοημοσύνης (ToB) είναι να αναλύσετε σύνθετες επιχειρηματικές διαδικασίες σε πολλές μικρές εργασίες ή συγκεκριμένα μικρά σενάρια και στη συνέχεια να χρησιμοποιήσετε την τεχνητή νοημοσύνη για να βοηθήσετε στη βελτίωση κάθε μικρού σεναρίου.

Βλέπουμε επίσης ότι εταιρείες όπως η MicrosoftOpenAIΟι επενδυτές, καθώς και η Salesforce, ο ηγέτης στον κλάδο του CRM, δεν έχουν χρησιμοποιήσει την τεχνητή νοημοσύνη για την ανάπτυξη νέων προϊόντων.

Αν και συνεχίζουν να επισημαίνουν προϊόντα με νέα χαρακτηριστικά, στην πραγματικότητα, χρησιμοποιούν μεγάλα μοντέλα για να βοηθήσουν και να βελτιώσουν τις υπάρχουσες επιχειρηματικές διαδικασίες ή τις λειτουργίες του προϊόντος.

Με άλλα λόγια, τελειοποιούν ένα μικρό μοντέλο σε βοηθό ή βελτίωση, που μπορεί να ενσωματωθεί καλύτερα και να βελτιστοποιήσει τα υπάρχοντα συστήματα αντί να τα αντικαταστήσει πλήρως.

Αυτό μοιάζει λίγο με τα πρόσθετα που έχουν φτιάξει πρόσφατα πολλές εταιρείες τεχνητής νοημοσύνης από την πλευρά του υπολογιστή. Απλώς πρέπει να σύρετε το ποντίκι απαλά ή να πατήσετε ένα πλήκτρο συντόμευσης και το AI θα εμφανιστεί για να σας βοηθήσει. Η βασική τους λειτουργία είναι να μας βοηθούν να λαμβάνουμε καλύτερες αποφάσεις.

04

Εάν δεν το πιστεύετε, μπορείτε επίσης να το σκεφτείτε: Τι χρειάζονται πραγματικά οι εταιρείες ToB για να κάνουν το AI;

Σύμφωνα με την έρευνα του Zhiyuan, χρησιμοποιούν κυρίως δεδομένα για να βοηθήσουν στη λήψη αποφάσεων στις λειτουργίες, τη διαχείριση, τη λήψη αποφάσεων και το μάρκετινγκ.Έτσι, για τις εταιρείες τεχνητής νοημοσύνης, πώς μπορούν να είναι τόσο πρακτικές όσο και οικονομικά; Το κλειδί είναι η ταχεία αναπαραγωγή και η κάλυψη πολλαπλών σεναρίων με πολύ χαμηλό κόστος.

Πώς γίνεται η αντιγραφή;

Ένας τρόπος είναι να ενθυλακώσετε το AI σε έναν έξυπνο πράκτορα που μπορεί να καλεί τοπικά δεδομένα.Αυτός είναι ο λόγος για τον οποίο το Kimi Chat θα μειώσει το κόστος αποθήκευσης της προσωρινής μνήμης, επειδή η αποθήκευση τοπικού κειμένου που χρησιμοποιείται συχνά μπορεί να βοηθήσει στη βελτίωση της ακρίβειας του βοηθού.

Αλλά υπάρχει ένα ερώτημα εδώ, πώς να το κάνουμε ακριβές, ευέλικτο και ταυτόχρονα χαμηλού κόστους;

Από αυτή την άποψη, μπορούμε να ορίσουμε την "υψηλή ακρίβεια" ως εξής:Εφόσον η επιχείρηση είναι χρησιμοποιήσιμη και η ακρίβεια είναι αρκετά υψηλή, ακόμα κι αν παρουσιαστεί κάποιο σφάλμα περιστασιακά, οι χρήστες μπορούν να το αναγνωρίσουν και να εξηγήσουν γιατί συμβαίνει.

"Χαμηλό κόστος" σημαίνει ότι το αρχικό κόστος του έργου πρέπει να είναι χαμηλό, να μπορεί να αναπτυχθεί σε ένα μόνο μηχάνημα και πρέπει να είναι απλό στη χρήση και τη συντήρηση.Σήμερα, το κόστος υλικού πολλών μεγάλων μοντέλων είναι πολύ υψηλό, εάν η εταιρεία δεν είναι σίγουρη πόσα χρήματα μπορεί να βγάλει, σίγουρα δεν θα είναι διατεθειμένη να επενδύσει πάρα πολλά.

Το πλεονέκτημα των μεγάλων μοντέλων είναι ότι λύνουν το πρόβλημα ευελιξίας των πρώιμων αλγορίθμων AI.

Θεωρητικά, ένα μοντέλο μπορεί να χειριστεί όλα τα σενάρια στην πράξη, πρέπει να το ρυθμίσουμε. Ως εκ τούτου, ορίζουμε την "υψηλή ευελιξία" ως τη δυνατότητα εφαρμογής εργαλείων και αυτοματισμών, έτσι ώστε να μπορεί να αναπαραχθεί σε μεγάλη κλίμακα και να υλοποιηθεί με χαμηλό κόστος.

Ένα μεγάλο μοντέλο με κλίμακα 100 εκατομμυρίων έχει επιτύχει ακρίβεια μεγαλύτερη από 95%. Στη συνέχεια, αντλήσαμε ένα μικρό μοντέλο από αυτό το μεγάλο μοντέλο και το ενσωματώσαμε σε ένα βοηθό, λύνοντας έτσι το πρόβλημα της χρήσης της εισόδου.

Φανταστείτε μια εταιρεία μεγάλου μοντέλου να έχει μια εξαιρετικά ισχυρή λύση μεγάλου μοντέλου που λειτουργεί σαν μητρικό μοντέλο, υποστηρίζοντας τις ευρείες ανάγκες ολόκληρης της επιχείρησης.

Αυτό το μεγάλο μοντέλο είναι ιδιαίτερα ισχυρό και μπορεί να χειριστεί πολύπλοκες αναλύσεις δεδομένων και να δώσει πολύ ακριβείς πληροφορίες. Είναι ιδιαίτερα κατάλληλο για εταιρείες B-side που απαιτούν μεγάλες ποσότητες υπολογιστικών πόρων και μεγάλης κλίμακας επεξεργασία δεδομένων. Αλλά στην πραγματικότητα, δεν χρειάζονται όλες οι εταιρείες B-side ένα τόσο τεράστιο σύστημα.

Για περισσότερες μικρές και μεσαίες επιχειρήσεις, αρκεί ένα μικρότερο, πιο εστιασμένο μοντέλο. Μπορούμε να το σκεφτούμε ως ένα «υπομοντέλο» ενός μεγαλύτερου μοντέλου.

Αυτά τα μικρά μοντέλα κληρονομούν βασικές δυνατότητες από τα μεγαλύτερα μοντέλα, αλλά είναι βελτιστοποιημένα και ρυθμισμένα έτσι ώστε να ταιριάζουν καλύτερα σε συγκεκριμένες επιχειρηματικές ανάγκες και σε λειτουργικά περιβάλλοντα μικρής κλίμακας.

Τα μικρά μοντέλα δεν χρειάζονται τόση υπολογιστική ισχύ όπως τα μεγάλα μοντέλα, αλλά επικεντρώνονται σε συγκεκριμένες εργασίες και μπορούν να προσαρμοστούν σύμφωνα με διαφορετικές ανάγκες, όπως η δημιουργία αναφορών έξυπνης ανάλυσης ή η εκτέλεση έξυπνης ανάλυσης.

Αυτό επιτρέπει σε μικρές επιχειρήσεις με περιορισμένους πόρους να χρησιμοποιούν τεχνητή νοημοσύνη για να βελτιώσουν την αποδοτικότητα της εργασίας και την ποιότητα λήψης αποφάσεων.

Επομένως, το μικρό μοντέλο είναι σαν την ουσία που εξάγεται από το μεγάλο μοντέλο. Το κλειδί είναι να το μετατρέψετε σε ένα μικρό βοηθό και να το ενσωματώσετε στο εργαλείο.

Μην νομίζετε ποτέ ότι αυτό σημαίνει ότι η λογική σας είναι σωστή. Μετά την έρευνα του Zhiyuan, τα προϊόντα τεχνητής νοημοσύνης έχουν ήδη εφαρμοστεί σε επιχειρήσεις της B-side, επομένως, για το TOB, τα σενάρια εφαρμογής AI είναι πράκτορες και πρόσθετα.

Αυτό έχει επίσης το πλεονέκτημα ότι είναι εύκολο να παραδοθεί χωρίς να χρειάζεται να επενδύσετε ακριβό κόστος.

Συνοψίζω

Το TOB AI δεν ακολουθεί το παλιό μονοπάτι.

Εάν τα μικρά μοντέλα είναι το βασικό σημείο του TOB, τότε η μετατροπή τους σε έξυπνους πράκτορες και βοηθούς είναι ο βασικός σύνδεσμος για να συνδέσετε το τελευταίο μίλι του TOB.Σε τελική ανάλυση, το από κάτω προς τα πάνω είναι με επίκεντρο τους ανθρώπους και τις εργασίες, όχι το λογισμικό.