企业在拥抱人工智能的过程中,通常面临算力、模型、应用等多层面的挑战,阻碍企业智能化转型进程。

人工智能的发展

人工智能,作为一个术语,最早在 1956 年提出,指的是机器模拟人类智能的能力。 数十年来,人工智能已应用于语音识别、机器翻译、图像处理、游戏对战,甚至在"危险边缘"(Jeopardy)等竞赛中大放异彩。 然而,得益于人工神经网络和深度学习的创新,尤其在自然语言理解领域,人工智能在公众心目中的地位得到了显著提升。 人工智能主要分为两大类:判别式和生成式。

判别式人工智能 致力于学习决策边界或分类,并形成"模型",用于预测新数据。例如,将电子邮件分类为垃圾邮件或非垃圾邮件,区分猫和狗的图像等。 判别式人工智能通常应用于已知期望输出的任务(如通过监督学习这一形式的机器学习)。 在序列预测方面,人工智能表现出色,例如,通过分析大量现有文本(包括我们的个人写作风格),高概率地预测我们接下来可能输入的内容。

生成式人工智能 则学习数据中的潜在结构或表示,并利用这些结构或表示合成新数据,如根据文字提示创作故事、音乐和视觉艺术。 生成式人工智能适用于期望输出未知或"正确"输出不明确的任务。通过生成式人工智能,人工智能已超越了人类对创造性、原创性和卓越性的传统认知。 下面,让我们近距离观察人工智能的一些令人瞩目的突破。

卷积神经网络(CNN) 最早在 1980 年代被开发,但直到 21 世纪初才得到广泛应用。近年来,CNN 因其能够从大量图像数据集中学习,并在物体检测、图像分类和分割等多种图像处理任务中表现出色,而变得越来越受欢迎。

Transformer 模型 由多伦多大学和谷歌的研究人员于 2017 年开发。变压器采用一种名为缩放点积注意力的机制,赋予了它们类似记忆的功能。 基于变压器的模型在自然语言处理任务中极为高效,如回答问题、文本摘要和翻译等,因此它们在大多数大型语言模型(LLM)中扮演着关键角色。最著名的 LLM 之一是 GPT,它驱动了广受欢迎的 ChatGPT 服务。

LLM 在大规模数据集上进行训练,接受一系列可能很长的提示序列,以生成不仅包含额外数据,还能产生与上下文相关的响应。 为了提升 LLM 的吸引力,已经开发了一些创新的微调技术,如基于人类反馈的强化学习(RLHF)和直接偏好优化(DPO)。

研究和创新使得最终用户的交互比以往任何时候都更快捷、更具创造性和精确性。与数据科学和软件创新同样重要的是基础设施的演进,这为支持模型推断和模型训练提供了坚实的基础。 借助 AI 加速器技术,AI 从业者能够更快速地迭代,从而在数天或数周内交付高质量的模型,而非数月。此外,一些传统的数据科学和统计学技术也正在被重新评估,以充分利用云原生系统的强大能力。

云原生与人工智能的结合

如前文所述,人工智能是一个宽泛的概念,旨在构建能够执行类似人类的任务的系统。机器学习是一种通过数据学习并做出明智预测和决策的方法。 它可视为一种自动化的形式,通过算法学习和自我优化,而无需进行明确的编程。数据科学则是一个跨学科领域,融合了统计学、数学和计算机科学的技术,涵盖了从数据分析和解释到应用机器学习算法的一系列活动。

总体而言,我们可以将人工智能、机器学习和数据科学的应用分为两大类别:

  • 预测性人工智能
  • 生成性人工智能

预测性人工智能旨在预测和分析现有模式或结果,如分类、聚类、回归、目标检测等。而生成性人工智能则致力于创造新的原创内容,例如大型语言模型(LLM)、RAG 等。因此,支持预测性和生成性人工智能的算法和技术可能存在显著差异。

企业在拥抱人工智能的过程中,通常面临算力、模型、应用等多层面的挑战,阻碍企业智能化转型进程。

算力管理不敏捷

传统GPU独占技术方案,限制了资源的使用效率,造成数据中心资源的整体浪费。这种低效的资源利用模式在面对AI推理场景时尤为明显,亟需更精细的调度技术优化资源分配,提高算力管理敏捷度。

模型开发困难

模型开发是一个涵盖数据标注、算法编写、模型构建和训练等环节的复杂过程,不仅耗时且需经过多轮迭代和优化,对企业来说技术要求较高。需引入专业的工具和平台以简化模型开发流程、降低技术门槛。

拥抱大模型门槛高

企业采用大型模型时,面临知识门槛高、资源成本高和人才短缺等挑战,增加了技术实施的复杂性和经济负担。亟需易于接入且具有成本效益的解决方案,以加速企业对大型模型的应用和落地。

智能体开发效率低

智能体作为LLM应用开发的主流趋势,企业在开发过程中常遇到模型调用接口不一致、参数标准化程度低以及提示词格式多样化等难题。一个提供可视化智能体编排、统一API管理及标准化提示词模板的一站式平台,能够显著提高智能体开发的效率和便捷性。

云原生(CN)和人工智能(AI)是当今最重要的技术趋势。云原生技术为运行应用程序提供了 一个可扩展的可靠平台。鉴于人工智能和机器学习(ML)的最新进展,云原生技术作为一种主 流云工作负载的地位正在稳步上升。虽然 CN 技术可随时支持人工智能/ML 工作负载的某些方 面,但挑战和差距依然存在,这为创新和更好地适应提供了机会。

AI解决方案业务架构

相关推荐
拓端研究室21 分钟前
专题:2025人形机器人与服务机器人技术及市场报告|附130+份报告PDF汇总下载
大数据·人工智能
Ray Song24 分钟前
自动驾驶数据闭环
人工智能·机器学习·自动驾驶·数据闭环
aneasystone本尊34 分钟前
学习 Coze Studio 的智能体会话接口
人工智能
高效匠人43 分钟前
能力评估:如何系统评估你的技能和经验
人工智能
小马敲马1 小时前
[4.2-2] NCCL新版本的register如何实现的?
开发语言·c++·人工智能·算法·性能优化·nccl
阿里云大数据AI技术1 小时前
【新模型速递】PAI-Model Gallery云上一键部署gpt-oss系列模型
人工智能·gpt·llm
martinzh1 小时前
AI智能体如何从错误中学习:反思机制详解
人工智能
duration~1 小时前
SpringAI实现Reread(Advisor)
java·人工智能·spring boot·spring
攻城狮7号2 小时前
MiniCPM-V 4.0开源,号称是手机上的GPT-4V
人工智能·开源大模型·openbmb·端侧大模型·minicpm-v-4