В порівнянні з минулими стрибками монополії ресурсів на обчислювальну потужність та алгоритми, коли ринок зосереджується на передових обчисленнях + малих моделях, це призведе до більшої активності на ринку.
Автор: Haotian
Кейс Ліллі від McKinsey надає ключові підходи до розвитку ринку AI для підприємств: передові обчислення + потенційні ринкові можливості для малих моделей. Цей AI-асистент, що об'єднує 100 тисяч внутрішніх документів, отримав не лише 70% рівень прийняття серед співробітників, але й у середньому використовується 17 разів на тиждень, що є рідкісною міццю продукту серед корпоративних інструментів. Нижче я поділюсь своїми думками:
Безпека даних підприємств є болючою точкою: основні знання, накопичені McKinsey за 100 років, а також певні дані, накопичені деякими малими та середніми підприємствами, мають дуже високу чутливість до даних і не підлягають обробці в публічному хмарному середовищі. Як знайти баланс між "даними, які не покидають місце зберігання, та AI можливостями без зниження якості" - це реальна потреба на ринку. Передові обчислення є напрямком для дослідження;
2）Професійні маломасштабні моделі замінять універсальні великомасштабні моделі: підприємствам не потрібні "сотні мільярдів параметрів, універсальні" моделі, а професійні помічники, які можуть точно відповідати на питання в конкретних сферах. У порівнянні з цим, існує природний конфлікт між універсальністю великих моделей і професійною глибиною, в корпоративних сценаріях частіше більше цінуються маломасштабні моделі;
Баланс витрат на власну AI інфраструктуру та виклики API: незважаючи на те, що комбінація передових обчислень та малих моделей має великі початкові витрати, довгострокові витрати на експлуатацію значно знижуються. Уявіть, якщо 45000 співробітників часто використовують великий AI-модель через виклики API, це призведе до залежності, збільшення масштабу використання та коментарів, що робить власну AI інфраструктуру раціональним вибором для великих і середніх підприємств;
Нові можливості на ринку периферійного обладнання: для навчання великих моделей необхідні високопродуктивні GPU, але вимоги до апаратного забезпечення для периферійного висновку зовсім інші. Виробники чіпів, такі як Qualcomm і MediaTek, оптимізують процесори для периферійного AI, що відкриває нові ринкові можливості. Коли кожна компанія прагне створити свій "Lilli", спеціально розроблені для низького енергоспоживання та високої ефективності периферійні AI чіпи стануть необхідною інфраструктурою;
5）Децентралізований web3 AI ринок також синхронно посилюється: як тільки попит на обчислювальну потужність, доопрацювання, алгоритми тощо в малих моделях зросте, питання балансування розподілу ресурсів стане проблемою, традиційне централізоване розподілення ресурсів стане складнощами, це безпосередньо створить великий попит на децентралізовану мережу доопрацювання малих моделей web3AI, децентралізовану платформу обчислювальної потужності тощо.
Коли ринок ще обговорює межі загальних можливостей AGI, приємно бачити, що багато корпоративних користувачів вже знаходять практичну цінність AI. Очевидно, що в порівнянні з минулими ресурсними монопольними стрибками, які зосереджувались на обчислювальній потужності та алгоритмах, коли ринок зосереджується на передових обчисленнях + малих моделях, це принесе більшу ринкову активність.
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Які напрямки розвитку ринку штучного інтелекту для підприємств пропонує кейс Lilli від McKinsey?
Автор: Haotian
Кейс Ліллі від McKinsey надає ключові підходи до розвитку ринку AI для підприємств: передові обчислення + потенційні ринкові можливості для малих моделей. Цей AI-асистент, що об'єднує 100 тисяч внутрішніх документів, отримав не лише 70% рівень прийняття серед співробітників, але й у середньому використовується 17 разів на тиждень, що є рідкісною міццю продукту серед корпоративних інструментів. Нижче я поділюсь своїми думками:
2）Професійні маломасштабні моделі замінять універсальні великомасштабні моделі: підприємствам не потрібні "сотні мільярдів параметрів, універсальні" моделі, а професійні помічники, які можуть точно відповідати на питання в конкретних сферах. У порівнянні з цим, існує природний конфлікт між універсальністю великих моделей і професійною глибиною, в корпоративних сценаріях частіше більше цінуються маломасштабні моделі;
Баланс витрат на власну AI інфраструктуру та виклики API: незважаючи на те, що комбінація передових обчислень та малих моделей має великі початкові витрати, довгострокові витрати на експлуатацію значно знижуються. Уявіть, якщо 45000 співробітників часто використовують великий AI-модель через виклики API, це призведе до залежності, збільшення масштабу використання та коментарів, що робить власну AI інфраструктуру раціональним вибором для великих і середніх підприємств;
Нові можливості на ринку периферійного обладнання: для навчання великих моделей необхідні високопродуктивні GPU, але вимоги до апаратного забезпечення для периферійного висновку зовсім інші. Виробники чіпів, такі як Qualcomm і MediaTek, оптимізують процесори для периферійного AI, що відкриває нові ринкові можливості. Коли кожна компанія прагне створити свій "Lilli", спеціально розроблені для низького енергоспоживання та високої ефективності периферійні AI чіпи стануть необхідною інфраструктурою;
5）Децентралізований web3 AI ринок також синхронно посилюється: як тільки попит на обчислювальну потужність, доопрацювання, алгоритми тощо в малих моделях зросте, питання балансування розподілу ресурсів стане проблемою, традиційне централізоване розподілення ресурсів стане складнощами, це безпосередньо створить великий попит на децентралізовану мережу доопрацювання малих моделей web3AI, децентралізовану платформу обчислювальної потужності тощо.
Коли ринок ще обговорює межі загальних можливостей AGI, приємно бачити, що багато корпоративних користувачів вже знаходять практичну цінність AI. Очевидно, що в порівнянні з минулими ресурсними монопольними стрибками, які зосереджувались на обчислювальній потужності та алгоритмах, коли ринок зосереджується на передових обчисленнях + малих моделях, це принесе більшу ринкову активність.