相信很多大家對全球247億美元豪賭GenAI，瘋狂入局AI成高風險博弈？還不知道吧，今天菲菲就帶你們一起去了解一下~.~！

【新智元導(dǎo)讀】面對GenAI的技術(shù)浪潮，很多人都會在不斷迭代更新的技術(shù)中逐漸迷失。站在潮頭的Sapphire、Emergence、Menlo等風投公司，又會如何看待這場AI變局的現(xiàn)狀與走向?

根據(jù)Sapphire Ventures的數(shù)據(jù)，GenAI領(lǐng)域從2022年到2023年迎來了爆發(fā)式的增長，全球范圍（不含中國）的風投資金總量從76億美元陡增到247億。

從今年第一季度的數(shù)據(jù)來看，2023年的市場熱度很有可能延續(xù)下去。

根據(jù)咨詢公司Quid的統(tǒng)計數(shù)據(jù)，最能吸引AI方向投資的三個細分領(lǐng)域分別是「AI基礎(chǔ)設(shè)施、研究和治理」、「自然語言處理」和「數(shù)據(jù)管理」。

投資大量涌入，帶來的直觀結(jié)果就是初創(chuàng)公司如雨后春筍般涌現(xiàn)。從美國、中國到英國、以色列，都成為了AI創(chuàng)新的重要源頭。

在投資大潮的催化下，GenAI領(lǐng)域的技術(shù)更新也達到了前所未有的迅速。

今年1月，Menlo Ventures對于現(xiàn)代AI技術(shù)棧的定義還是一個簡潔的四層框架，從算力和基礎(chǔ)模型開始，到數(shù)據(jù)、模型部署，以及最頂層的模型可觀測性。

而短短幾個月后的5月底，這個框架就已經(jīng)迅速過時，取而代之的是Sapphire Ventures發(fā)布的包含200多個公司、多個領(lǐng)域交織在一起的復(fù)雜技術(shù)網(wǎng)絡(luò)。

而且，GenAI的發(fā)展路徑不是單純技術(shù)創(chuàng)新問題，商業(yè)戰(zhàn)略、金融、教育、政策等各方面的影響交織在一起。

數(shù)據(jù)隱私問題引起了越來越多立法者的關(guān)注，AI法規(guī)即將出臺的壓力揮之不去;AI行業(yè)高薪的背后是持續(xù)的人才短缺，迫使科技公司不得不在內(nèi)部開發(fā)和外包工作間取得平衡。

更為重要的是，控制成本、創(chuàng)造盈利的壓力，會與技術(shù)創(chuàng)新的各種原動力相違背。持續(xù)不斷的開源和閉源之爭就是最典型的例子。

相比傳統(tǒng)的軟件公司，推理和訓練的算力支出會耗費更多資金。然而，根據(jù)Emergence Capital的統(tǒng)計，只有58%的GenAI公司選擇通過產(chǎn)品營利，這就又疊加了一重商業(yè)風險。

「亂花漸欲迷人眼」，投資熱潮、一夜暴富的表象下，入局GenAI實質(zhì)是一場高風險的技術(shù)博弈。在這個瞬息萬變的場域中，今天最先進的解決方案，很可能在一夜之間就被新的技術(shù)突破取代。

要面對GenAI迷宮中的這一切，也許答案只有一個——適應(yīng)性。

無論是科研、技術(shù)領(lǐng)域的從業(yè)者，還是公司中的決策者，都需要不斷調(diào)整目標和愿景，與這個千變?nèi)f化的環(huán)境一同演進，才能創(chuàng)造出實際的價值。

數(shù)據(jù)的「量」和「質(zhì)」

如果一直上溯到深度學習方興未艾時的ImageNet，可以發(fā)現(xiàn)，數(shù)據(jù)始終是AI的核心問題之一。

隨著近年來GenAI和LLM的興起，數(shù)據(jù)也和算力一樣，成為AI基礎(chǔ)設(shè)施的一部分，也是需要盡力發(fā)掘的稀缺資源。

Epoch AI曾經(jīng)預(yù)言，LLM到2028年將耗盡互聯(lián)網(wǎng)上所有的高質(zhì)量文本數(shù)據(jù)，阻礙Scaling Law的「數(shù)據(jù)墻」似乎就在眼前。

面對數(shù)據(jù)短缺的挑戰(zhàn)，從GenAI自身給出的解決方案——合成數(shù)據(jù)，似乎是一條仍不明朗但頗有前景的道路。

早期研究曾指出，隨著合成數(shù)據(jù)比例的增加，迭代出的連續(xù)幾代模型的質(zhì)量和多樣性都會逐漸下降。

但另一方面，較少比例的合成數(shù)據(jù)和最新的現(xiàn)實數(shù)據(jù)混合后訓練的模型，如Google最近發(fā)布的Gemma2，卻能表現(xiàn)出顯著的性能提升。

Epoch AI的創(chuàng)始人也曾表示，雖然我們能看到「數(shù)據(jù)耗盡」的前景，但目前還沒有感到恐慌的理由。合成數(shù)據(jù)、

多模態(tài)和遷移學習等方法都有望突破「數(shù)據(jù)墻」。

除了數(shù)據(jù)量的焦慮，數(shù)據(jù)質(zhì)量和數(shù)據(jù)治理也已經(jīng)成為關(guān)注的焦點。

上個月HuggingFace發(fā)布15萬億token的FineWeb數(shù)據(jù)集，就著重強調(diào)了數(shù)據(jù)質(zhì)量的重要性。

微軟Phi-3小模型的技術(shù)報告中，也提及了一種「數(shù)據(jù)換參數(shù)」的策略。

對于企業(yè)和產(chǎn)品而言，數(shù)據(jù)質(zhì)量的重要維度也包括語義層和數(shù)據(jù)結(jié)構(gòu)（data fabrics），有望增強AI系統(tǒng)有效理解、使用企業(yè)數(shù)據(jù)的能力，從而帶來創(chuàng)新的功能和用例。

初創(chuàng)公司Illumex就開發(fā)了一種名為「語義數(shù)據(jù)結(jié)構(gòu)」（semantic data fabric）的技術(shù)，他們的CEO解釋道，「data fabric有一種自動創(chuàng)建出來的紋理，而非預(yù)先定義好的」，可以促進更加動態(tài)、上下文感知的數(shù)據(jù)交互。

此外，AI監(jiān)管和科技公司也把目光投向了數(shù)據(jù)治理領(lǐng)域——確保數(shù)據(jù)的使用符合倫理、安全并遵守法規(guī)。

DataBricks已經(jīng)將數(shù)據(jù)治理納入其平臺的核心，被描述為「一個連續(xù)的治理體系，從數(shù)據(jù)攝取一直到GenAI的提示和響應(yīng)」。

同時，Red Hat副總裁Steven Huels預(yù)測，我們會看到數(shù)據(jù)治理方面的大力推動，尤其是隨著AI系統(tǒng)越來越多地影響關(guān)鍵業(yè)務(wù)決策。

端到端vs.專用解決方案

GenAI這種新興事物顯得有些復(fù)雜，有些難以理解，因此許多企業(yè)都都傾向于采用全面的端到端解決方案，這反映了決策者們希望簡化AI基礎(chǔ)設(shè)施、精簡運營的愿望。

財務(wù)軟件公司Intuit決定在原有的龐大生態(tài)系統(tǒng)中整個GenAI時，他們面臨一個艱難抉擇——要讓數(shù)千名開發(fā)人員在現(xiàn)有平臺的基礎(chǔ)上構(gòu)建AI嗎?

最后，Intuit選擇了一條更有雄心的道路:從頭開始，創(chuàng)建一個全面的生成式AI操作系統(tǒng)GenOS。

公司首席數(shù)據(jù)官Ashok Srivastava這樣解釋這個決定:為了加速創(chuàng)新并保持一致性，「我們將額外構(gòu)建一層來抽象掉平臺的復(fù)雜性」。相比之下，讓各個團隊構(gòu)建定制解決方案，會導(dǎo)致「高復(fù)雜性、低速和技術(shù)債務(wù)」。

同樣，Databricks最近對平臺功能進行了擴展，新推出的Model Serving和Feature Serving工具，能簡化數(shù)據(jù)科學家部署模型的流程，代表了他們正在推進更集成的AI基礎(chǔ)設(shè)施，提供更全面的解決方案。

《Marvelous MLOps》一書的作者Maria Vechtomova指出，整個行業(yè)都需要這樣的簡化:「機器學習團隊應(yīng)該努力簡化架構(gòu)，并盡量減少使用的工具數(shù)量。」

推動端到端解決方案標志著GenAI領(lǐng)域的成熟。企業(yè)不再滿足于零散方法的拼接，而是希望高效地擴展其AI項目。

與此同時，我們還見證了一個有趣的現(xiàn)象——盡管端到端平臺正在崛起，但專用解決方案仍在不斷涌現(xiàn)，

通常來說，它們是對通用方案的補充，負責應(yīng)對可能被忽略的復(fù)雜挑戰(zhàn)，或者增強某些特定的功能。

專用解決方案的不斷涌現(xiàn)表明，在解決特定AI挑戰(zhàn)方面的創(chuàng)新仍然充滿活力。

即使市場正在圍繞少數(shù)幾個主要平臺進行整合，這一趨勢仍在持續(xù)。

對于IT決策者來說，任務(wù)很明確:仔細評估專用工具在某些方面是否能提供比更通用解決方案更顯著的優(yōu)勢。

開源和專有的平衡

在GenAI領(lǐng)域，開源和專有解決方案之間有非?；钴S的相互作用。

曾經(jīng)以開源Linux聞名的Red Hat公司最近宣布進入Gen AI領(lǐng)域，他們開發(fā)的產(chǎn)品Red Hat Enterprise Linux （RHEL） AI旨在讓更多人能夠使用LLM，并堅守自己對開源準則的承諾。

然而，開源解決方案通常需要公司內(nèi)部的大量專業(yè)人才，才能有效實施并維護。對于面臨人才短缺或希望快速行動的組織來說，這可能是一個挑戰(zhàn)。

另一方面，專有解決方案通常提供更集成和支持的體驗。比如Databricks在支持開源模型的同時，也專注于圍繞其專有平臺創(chuàng)建一個連貫的技術(shù)生態(tài)，能夠為客戶集成和管理各種AI模型。

理想的開源和專有解決方案平衡將取決于組織的具體需求、資源和風險承受能力。隨著AI領(lǐng)域的發(fā)展，有效集成和管理這兩種類型的解決方案，可能成為一個關(guān)鍵的競爭優(yōu)勢。

平衡好開源和專有方案的「潛力股」也許是最近崛起的AI新星Mistral。

Mistral推出的開源模型既在社區(qū)引起了廣泛影響，得到全球開發(fā)者的支持助力，同時也吸引到了潛在客戶，可供任何人檢查、定制的代碼加強了企業(yè)用戶對技術(shù)的信任。

創(chuàng)始人Arthur Mensch曾表示，「在構(gòu)建商業(yè)模式和堅持我們的開源價值觀之間找到一個平衡點是非常微妙的。我們希望創(chuàng)造新的事物、新的架構(gòu)，但是還想向我們的客戶提供一些額外的產(chǎn)品和服務(wù)?！?/p>

與現(xiàn)有系統(tǒng)的集成

在企業(yè)轉(zhuǎn)向GenAI的過程中，一個關(guān)鍵挑戰(zhàn)是如何將新功能集成到現(xiàn)有的業(yè)務(wù)流程與決策框架中，建立兩者之間的良好銜接和互動。

這是AI系統(tǒng)落地的最后一步，也直接決定著AI方面的投資能否轉(zhuǎn)化為實在的商業(yè)價值。

令人驚訝的是，與頂層的產(chǎn)品功能相比，成功的集成反而更依賴于底層系統(tǒng)。實時系統(tǒng)、流處理、批量處理，這些「骨架」是構(gòu)建AI能力不可忽視的基礎(chǔ)。

對于許多組織來說，數(shù)據(jù)方面也存在挑戰(zhàn)，難點在于AI系統(tǒng)需要連接多樣化的，且常常孤立存在的數(shù)據(jù)源。初創(chuàng)公司Illumex就開發(fā)了一種方案，允許企業(yè)利用現(xiàn)有的數(shù)據(jù)資產(chǎn)，而無需進行大規(guī)模的重組。

安全集成是另一個關(guān)鍵因素。由于AI系統(tǒng)通常處理敏感數(shù)據(jù)并做出重要決策，它們必須被納入現(xiàn)有的安全框架，并符合組織政策和監(jiān)管要求。

提示工程仍然是關(guān)鍵技能

精確且格式良好的提示，結(jié)合相關(guān)的上下文數(shù)據(jù)，能夠顯著影響模型輸出的質(zhì)量，這種效果常常令開發(fā)者和用戶感到驚訝。

盡管最初對提示的長期前景以及提示工程師這一新興職業(yè)存在懷疑，許多公司仍在積極尋找并高薪聘請具備提示工程技能的員工。

我們相信這一趨勢將持續(xù)，并將得到新興服務(wù)的進一步支持，這些服務(wù)可以幫助公司制作、存儲、測試、管理和更新提示。

智能體已來，但為時尚早

AI智能體可以使模型（或一系列模型）在用戶幾乎不干預(yù)的情況下完成一個或一系列動作。

智能體工作流程有望擴展模型的使用方式，并使開發(fā)者能夠單獨優(yōu)化每個步驟，從而可能帶來顯著的生產(chǎn)力提升。

雖然如今真正的自主智能體尚未成為現(xiàn)實，但我們觀察到越來越多的服務(wù)正在幫助用戶構(gòu)建輕量級的定制助手，比如微軟對C o p i l o t最近的更新。

這些助手能夠處理更復(fù)雜的工程工作流程（不僅限于代碼輔助）、從多個來源提取和總結(jié)信息、自動標記數(shù)據(jù)等任務(wù)。

生成式人工智能的激進未來

隨著GenAI快速發(fā)展，對技術(shù)棧的探索也愈發(fā)深入，從端到端解決方案到專用工具，從數(shù)據(jù)質(zhì)量到治理框架。

可以肯定的是，我們正在見證企業(yè)技術(shù)的變革時刻，但這還只是個開始。

最近，AI大牛Andrej Karpathy描繪了一幅更加激進的未來圖景。

他設(shè)想了一個「100%完全軟件2.0計算機」，其中單個神經(jīng)網(wǎng)絡(luò)取代了所有傳統(tǒng)軟件。

其中，設(shè)備輸入如音頻、視頻和觸摸將直接輸入到神經(jīng)網(wǎng)絡(luò)中，輸出則通過揚聲器和屏幕顯示為音頻和視頻。

這個概念遠超我們當前對操作系統(tǒng)、框架甚至不同類型軟件之間區(qū)別的理解——應(yīng)用程序之間的界限變得模糊，整個計算體驗將由一個統(tǒng)一的AI系統(tǒng)來調(diào)控。

雖然這樣的愿景可能顯得遙遠，但它強調(diào)了一點:GenAI不僅能重塑單個應(yīng)用程序或業(yè)務(wù)流程，還能改變計算的基本性質(zhì)。

今天在構(gòu)建AI基礎(chǔ)設(shè)施時做出的選擇將為未來的創(chuàng)新奠定基礎(chǔ)。靈活性、可擴展性和接受范式轉(zhuǎn)變的意愿將是關(guān)鍵。

不論我們談?wù)摰氖嵌说蕉似脚_，還是AI驅(qū)動的計算環(huán)境，成功的關(guān)鍵在于培養(yǎng)適應(yīng)性。

參考資料:

https://venturebeat.com/ai/ai-stack-attack-navigating-the-generative-tech-maze/

https://menlovc.com/perspective/the-modern-ai-stack-design-principles-for-the-future-of-enterprise-ai-architectures/

https://sapphireventures.com/blog/building-the-future-a-deep-dive-into-the-generative-ai-app-infrastructure-stack/#gallery-4

https://www.emcap.com/thoughts/beyond-benchmarks/

https://www.visualcapitalist.com/mapped-the-number-of-ai-startups-by-country/

以上就是關(guān)于【全球247億美元豪賭GenAI，瘋狂入局AI成高風險博弈？】的相關(guān)內(nèi)容，希望對大家有幫助！

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！