В отличие от прошлых скачков, основанных на монополизации ресурсов вычислительной мощности и алгоритмов, когда рынок сосредоточится на передовых вычислениях + малых моделях, это приведет к большей рыночной активности.
Автор: Haotian
Кейс Лилли от McKinsey представляет собой ключевую идею развития рынка корпоративного искусственного интеллекта: потенциальная рыночная возможность периферийных вычислений + малых моделей. Помощник с искусственным интеллектом, который консолидирует 100 000 внутренних документов, не только имеет 70% освоения сотрудниками, но и используется в среднем 17 раз в неделю, что редко встречается в корпоративных инструментах. Вот что я думаю:
Безопасность данных предприятий является больной темой: основные знания, накопленные McKinsey за 100 лет, а также специфические данные, накопленные рядом малых и средних предприятий, имеют высокую чувствительность к данным и не должны обрабатываться в облаке. Как найти баланс, при котором "данные не выходят за пределы местоположения, а возможности ИИ не страдают", является актуальной рыночной необходимостью. Передовые вычисления - это направление для исследований;
Профессиональные маленькие модели заменят универсальные большие модели: корпоративным пользователям не нужны "модель с сотнями миллиардов параметров и универсальными возможностями", а профессиональный помощник, способный точно отвечать на вопросы в конкретной области. В отличие от этого, существует естественное противоречие между универсальностью больших моделей и их профессиональной глубиной, в корпоративных сценариях часто больше ценят маленькие модели;
Баланс затрат на собственную инфраструктуру AI и вызовы API: хотя комбинация передовых вычислений и малых моделей требует значительных первоначальных вложений, долгосрочные эксплуатационные расходы значительно снижаются. Представьте себе, если AI большой модели, используемой 45000 сотрудников, поступает через вызовы API, это создаст зависимость, увеличение масштабов использования и комментариев, что сделает собственную инфраструктуру AI рациональным выбором для крупных и средних предприятий;
Новые возможности на рынке пограничного оборудования: для обучения крупных моделей необходимы высокопроизводительные GPU, но требования к аппаратному обеспечению для пограничного вывода совершенно иные. Производители чипов, такие как Qualcomm и MediaTek, оптимизируют процессоры для пограничного ИИ и сталкиваются с хорошими рыночными возможностями. Когда каждая компания хочет создать свой собственный "Lilli", специализированные для низкого потребления энергии и высокой эффективности пограничные ИИ чипы станут необходимой инфраструктурой;
Децентрализованный рынок web3 AI также усиливается: как только потребности компаний в вычислительной мощности, доработке, алгоритме и т.д. для малых моделей будут активированы, вопрос баланса распределения ресурсов станет актуальным, традиционное централизованное распределение ресурсов станет проблемой, что непосредственно приведет к большому рыночному спросу на децентрализованные сети доработки малых моделей web3AI, децентрализованные платформы вычислительных услуг и т.д.;
Когда рынок все еще обсуждает границы общей способности AGI, приятно видеть, что многие корпоративные пользователи уже исследуют практическую ценность ИИ. Очевидно, что по сравнению с прежними ресурсными монополиями, основанными на вычислительной мощности и алгоритмах, сосредоточение рынка на передовых вычислениях + малых моделях приведет к большей рыночной активности.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Какие идеи для развития предоставляет кейс Лилли от McKinsey для рынка корпоративного ИИ?
Автор: Haotian
Кейс Лилли от McKinsey представляет собой ключевую идею развития рынка корпоративного искусственного интеллекта: потенциальная рыночная возможность периферийных вычислений + малых моделей. Помощник с искусственным интеллектом, который консолидирует 100 000 внутренних документов, не только имеет 70% освоения сотрудниками, но и используется в среднем 17 раз в неделю, что редко встречается в корпоративных инструментах. Вот что я думаю:
Безопасность данных предприятий является больной темой: основные знания, накопленные McKinsey за 100 лет, а также специфические данные, накопленные рядом малых и средних предприятий, имеют высокую чувствительность к данным и не должны обрабатываться в облаке. Как найти баланс, при котором "данные не выходят за пределы местоположения, а возможности ИИ не страдают", является актуальной рыночной необходимостью. Передовые вычисления - это направление для исследований;
Профессиональные маленькие модели заменят универсальные большие модели: корпоративным пользователям не нужны "модель с сотнями миллиардов параметров и универсальными возможностями", а профессиональный помощник, способный точно отвечать на вопросы в конкретной области. В отличие от этого, существует естественное противоречие между универсальностью больших моделей и их профессиональной глубиной, в корпоративных сценариях часто больше ценят маленькие модели;
Баланс затрат на собственную инфраструктуру AI и вызовы API: хотя комбинация передовых вычислений и малых моделей требует значительных первоначальных вложений, долгосрочные эксплуатационные расходы значительно снижаются. Представьте себе, если AI большой модели, используемой 45000 сотрудников, поступает через вызовы API, это создаст зависимость, увеличение масштабов использования и комментариев, что сделает собственную инфраструктуру AI рациональным выбором для крупных и средних предприятий;
Новые возможности на рынке пограничного оборудования: для обучения крупных моделей необходимы высокопроизводительные GPU, но требования к аппаратному обеспечению для пограничного вывода совершенно иные. Производители чипов, такие как Qualcomm и MediaTek, оптимизируют процессоры для пограничного ИИ и сталкиваются с хорошими рыночными возможностями. Когда каждая компания хочет создать свой собственный "Lilli", специализированные для низкого потребления энергии и высокой эффективности пограничные ИИ чипы станут необходимой инфраструктурой;
Децентрализованный рынок web3 AI также усиливается: как только потребности компаний в вычислительной мощности, доработке, алгоритме и т.д. для малых моделей будут активированы, вопрос баланса распределения ресурсов станет актуальным, традиционное централизованное распределение ресурсов станет проблемой, что непосредственно приведет к большому рыночному спросу на децентрализованные сети доработки малых моделей web3AI, децентрализованные платформы вычислительных услуг и т.д.;
Когда рынок все еще обсуждает границы общей способности AGI, приятно видеть, что многие корпоративные пользователи уже исследуют практическую ценность ИИ. Очевидно, что по сравнению с прежними ресурсными монополиями, основанными на вычислительной мощности и алгоритмах, сосредоточение рынка на передовых вычислениях + малых моделях приведет к большей рыночной активности.