Кейс Lilli от McKinsey предоставляет ключевые идеи для развития корпоративного AI-рынка: Передовые вычисления + потенциальные рыночные возможности для малых моделей. Этот AI-помощник, интегрировавший 100 000 внутренних документов, не только достиг 70% уровня принятия среди сотрудников, но и использовался в среднем 17 раз в неделю, что является редким показателем для корпоративных инструментов. Далее я хотел бы поделиться своими мыслями:
Безопасность данных предприятий является проблемой: основные знания, накопленные McKinsey за 100 лет, а также некоторые специфические данные малых и средних предприятий обладают высокой чувствительностью данных и не должны обрабатываться в публичных облаках. Поиск баланса между "данными, не покидающими локальную сеть, и возможностями ИИ, не уступающими в качестве" — это реальная потребность рынка. Передовые вычисления являются направлением для исследований;
Профессиональные малые модели заменят универсальные большие модели: корпоративным пользователям не нужны "модели на сотни миллиардов параметров и универсального типа", а профессиональные помощники, которые могут точно отвечать на вопросы в определенных областях. В этом отношении существует естественное противоречие между универсальностью больших моделей и глубиной их специализации, в корпоративных сценариях чаще всего больше ценятся малые модели;
Баланс затрат на собственную AI инфраструктуру и вызовы API: несмотря на то, что сочетание передовых вычислений и малых моделей требует больших первоначальных вложений, долгосрочные эксплуатационные расходы значительно снижаются. Представьте себе, если AI большая модель, которая часто используется 45000 сотрудниками, будет доступна через вызовы API, то возникающая зависимость, увеличение масштаба использования и комментариев сделают создание собственной AI инфраструктуры разумным выбором для крупных и средних предприятий;
Новые возможности на рынке периферийного оборудования: для обучения больших моделей требуются высококлассные GPU, но требования к аппаратному обеспечению для периферийного вывода совершенно иные. Чиппроизводители, такие как Qualcomm и MediaTek, оптимизируют процессоры для периферийного ИИ и сталкиваются с хорошими рыночными возможностями. Когда каждая компания хочет создать свой "Lilli", специализированные периферийные ИИ чипы с низким энергопотреблением и высокой эффективностью станут необходимой инфраструктурой;
Децентрализованный рынок искусственного интеллекта web3 также растет: как только спрос на вычислительные мощности, тонкую настройку и алгоритмы на небольших моделях будет сформирован, как сбалансировать планирование ресурсов станет проблемой, а традиционное централизованное планирование ресурсов станет проблемой, что напрямую вызовет большой рыночный спрос на децентрализованную сеть тонкой настройки малых моделей web3AI, децентрализованную платформу вычислительных услуг и т. д.;
Когда рынок всё ещё обсуждает границы универсальных возможностей AGI, приятно видеть, что многие корпоративные пользователи уже извлекают практическую ценность из ИИ. Очевидно, что по сравнению с прошлым, когда основное внимание уделялось монопольному скачку ресурсов вычислительной мощности и алгоритмов, смещение фокуса рынка на Передовые вычисления + малые модели приведёт к большей рыночной активности.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Краткий анализ Lilli от McKinsey: какие идеи для развития предоставлены для рынка AI для бизнеса?
Кейс Lilli от McKinsey предоставляет ключевые идеи для развития корпоративного AI-рынка: Передовые вычисления + потенциальные рыночные возможности для малых моделей. Этот AI-помощник, интегрировавший 100 000 внутренних документов, не только достиг 70% уровня принятия среди сотрудников, но и использовался в среднем 17 раз в неделю, что является редким показателем для корпоративных инструментов. Далее я хотел бы поделиться своими мыслями:
Безопасность данных предприятий является проблемой: основные знания, накопленные McKinsey за 100 лет, а также некоторые специфические данные малых и средних предприятий обладают высокой чувствительностью данных и не должны обрабатываться в публичных облаках. Поиск баланса между "данными, не покидающими локальную сеть, и возможностями ИИ, не уступающими в качестве" — это реальная потребность рынка. Передовые вычисления являются направлением для исследований;
Профессиональные малые модели заменят универсальные большие модели: корпоративным пользователям не нужны "модели на сотни миллиардов параметров и универсального типа", а профессиональные помощники, которые могут точно отвечать на вопросы в определенных областях. В этом отношении существует естественное противоречие между универсальностью больших моделей и глубиной их специализации, в корпоративных сценариях чаще всего больше ценятся малые модели;
Баланс затрат на собственную AI инфраструктуру и вызовы API: несмотря на то, что сочетание передовых вычислений и малых моделей требует больших первоначальных вложений, долгосрочные эксплуатационные расходы значительно снижаются. Представьте себе, если AI большая модель, которая часто используется 45000 сотрудниками, будет доступна через вызовы API, то возникающая зависимость, увеличение масштаба использования и комментариев сделают создание собственной AI инфраструктуры разумным выбором для крупных и средних предприятий;
Новые возможности на рынке периферийного оборудования: для обучения больших моделей требуются высококлассные GPU, но требования к аппаратному обеспечению для периферийного вывода совершенно иные. Чиппроизводители, такие как Qualcomm и MediaTek, оптимизируют процессоры для периферийного ИИ и сталкиваются с хорошими рыночными возможностями. Когда каждая компания хочет создать свой "Lilli", специализированные периферийные ИИ чипы с низким энергопотреблением и высокой эффективностью станут необходимой инфраструктурой;
Децентрализованный рынок искусственного интеллекта web3 также растет: как только спрос на вычислительные мощности, тонкую настройку и алгоритмы на небольших моделях будет сформирован, как сбалансировать планирование ресурсов станет проблемой, а традиционное централизованное планирование ресурсов станет проблемой, что напрямую вызовет большой рыночный спрос на децентрализованную сеть тонкой настройки малых моделей web3AI, децентрализованную платформу вычислительных услуг и т. д.;
Когда рынок всё ещё обсуждает границы универсальных возможностей AGI, приятно видеть, что многие корпоративные пользователи уже извлекают практическую ценность из ИИ. Очевидно, что по сравнению с прошлым, когда основное внимание уделялось монопольному скачку ресурсов вычислительной мощности и алгоритмов, смещение фокуса рынка на Передовые вычисления + малые модели приведёт к большей рыночной активности.