江苏龙网

  1. 主页 > 生活百科 > >

AI十年浮沉，与改变命运的大模型( 二 )

AI


小模型的优点在于简单、高效 ， 专用向的AI能够很好地完成对应任务 。但其缺点同样明显：由于没学过其他知识 ， 一个AI只能解决一个问题 。譬如一个抓闯红灯的AI ， 显然不会具备识别超速、违规变道的能力 。

AI十年浮沉，与改变命运的大模型

文章插图
识别不同元素需要不同的标注数据
由于小模型不具备通用性 ， 导致识别型AI只能成为一门类手工作坊的定制生意 。
且具体到实际应用中 ， 一个需求有时还需要定制不止一个AI 。例如在工业领域 ， 在制造冶金钢卷时有缺陷检测这一步骤 。如果将这项工作交由AI ， 定制起来其实相当麻烦 。因为钢卷分为冷轧、热轧 ， 所以AI企业需要同时用“冷轧-合格”“冷轧-缺陷”“热轧-合格”“热轧-缺陷”四组数据训练四遍[7] 。其繁琐程度 ， 与“五彩斑斓的黑”有的一拼 。
定制需求繁琐的同时 ， 对人力要求还不低——这活儿可不是月薪三千的大学生能干的 。
出于业务需要 ， 头部AI企业都聘请了大批科学家、博士生与教授作为研究员 ， 而AI研究员又是出了名的“高薪岗位” 。2015年 ， 谷歌为了不让知名研究员伊利亚（Ilya Sutskever）跳槽 ， 曾开出过200万美元/年的高薪——后来桑达尔·皮查伊继任谷歌CEO时 ， 其基本工资是同一个数字 。
财新曾对国内AI企业招股书做过一笔测算 ， 发现：它们每挣1块钱 ， 就要花掉0.75元的人力成本 。再算上定制AI的算力、数据开销、以及其他成本 ， 几乎做一单亏一单 。
人们这才惊奇地发现 ， AI这门生意似乎远不如想象中那么性感 。
陷入死局后 ， AI企业们只能寄希望于一场“推翻重来”式变革 。幸运的是 ， 没过几年 ， 暴风雨真的来了 。
通用性的价值
红杉资本率先嗅到了风雨欲来的气息 。2022年9月 ， 红杉发表了文章《Generative AI： A Creative New World》 ， 预言一场全新的科技竞赛即将来临 。投资人同行很快闻风而动 ， 一度冷清的AI圈再度人声鼎沸 。
这篇文章发布仅半年 ， 有头有脸的科技公司们几乎全部一头扎进了AI浪潮之中 ， 要用人工智能把每个行业都重新做一遍 。
例如当下火热的直播行业 ， 大模型应用的空间就相当广阔 。对于那些养不起专业直播团队的商家 ， 如今只需输入商品信息 ， 百度的文心一言能够自动生成话术、配音以及数字人主播 ， 直接包揽了整个流程 。
企业无需再花钱雇主播、想话术、搞培训 ， 能轻松实现7*24小时直播 ， 对中小企业而言无疑是个重大利好 。
在沈抖看来 ， 大模型创业带来的众多机会 ， 将带动数字化经济更进一步 ， 有机会在全球范围内掀起一股产业再造的浪潮 。
他认为 ， 随着大模型深入数字经济 ， 更多产业会出现新的改变 。智能化不仅让整个生产流程大幅提效 ， 也改变了很多原有的生产关系 ， 包括人和人、人和设备、人和系统的关系 。以前没有智能时 ， 很多工作实际上是靠人来操作；有了智能以后 ， 机器、设备、系统都可以按照人的思想去学习 。
未来的工作模式 ， 很有可能是一个聪明的人去指导一堆机器人 。这些机器人执行人类的决定 ， 重塑整个生产线 。沈抖说道 ， “生成式AI已经形成全球性的‘AI再造业务’趋势 ， 企业迎来‘智能化跃迁’的历史机遇 。”
AI产业能够二度迎来春天 ， 背后其实是大模型技术迈向成熟 。
这场变革的起点发生在2017年：彼时 ， 谷歌几位研究员公开了深度学习模型Transformer 。以此为基础 ， OpenAI等机构开始尝试研究大模型 ， 一种不同于识别型AI的全新技术 。
其研究成果 ， 正是如今备受关注的GPT ， 即Generative Pre-trained Transformer（生成式预训练Transformer） 。
众所周知 ， 一个AI由模型、数据、算力三要素构成 。相比于传统的识别型AI（小模型） ， 以GPT为代表大模型在数据、模型等方面均有不同程度的革新 ， 赋予了大模型更强的通用性 。这恰好改善了小模型时代的产业化痛点 ， AI实现即插即用 。AI企业终于能摆脱手工作坊般的生产模式 ， 有机会变成一门好生意 。


推荐阅读


上一篇：“第一批被AI抢走饭碗的人”：我们不该被嘲笑

下一篇：人工智能发展太快了吗？听听谷歌AI大咖们怎么说