Кейс McKinsey Lilli є ключовою ідеєю розвитку для корпоративного ринку штучного інтелекту: потенційна ринкова можливість периферійних обчислень + невеликих моделей. Асистент зі штучним інтелектом, який об'єднує 100 000 внутрішніх документів, не тільки має 70% прийняття співробітниками, але й використовується в середньому 17 разів на тиждень – липкість продукту, яку рідко можна побачити в корпоративних інструментах. Ось що я думаю:
Безпека даних підприємства є болючою точкою: основні знання, накопичені McKinsey протягом 100 років, а також специфічні дані, накопичені деякими малими та середніми підприємствами, мають високу чутливість. Вони не повинні оброблятися на публічному хмарному сервісі. Як знайти баланс "дані не виходять за межі локального, можливості ШІ без знижок" є реальним попитом на ринку. Передові обчислення є напрямком для дослідження;
Професійні маломоделі замінять універсальні великі моделі: підприємствам потрібні не "сотні мільярдів параметрів, універсальні" моделі, а професійні помічники, які можуть точно відповідати на питання в конкретних галузях. У порівнянні з цим, між універсальністю великих моделей і професійною глибиною існує природний конфлікт, в підприємницьких сценаріях часто більше цінуються маломоделі;
3）Баланс витрат на власну інфраструктуру AI та виклики API: незважаючи на те, що комбінація передових обчислень і малих моделей має значні початкові витрати, довгострокові витрати на експлуатацію значно зменшуються. Уявіть, що якщо 45000 співробітників часто використовують великий AI-модель, яка викликається через API, то ця залежність, збільшення масштабу використання та коментарів зроблять створення власної інфраструктури AI раціональним вибором для середніх і великих підприємств;
Нові можливості на ринку краєвих апаратних засобів: для навчання великих моделей потрібні висококласні GPU, але вимоги до апаратного забезпечення для краєвого висновку зовсім інші. Виробники чіпів, такі як Qualcomm і MediaTek, оптимізують процесори для краєвого AI, і це відкриває нові можливості на ринку. Коли кожна компанія прагне створити свій "Lilli", спеціально розроблені для низького споживання енергії та високої ефективності краєві AI чіпи стануть необхідною інфраструктурою;
5）Децентралізований web3 AI ринок також посилюється: як тільки потреби підприємств у обчислювальних потужностях, налаштуванні малих моделей, алгоритмах тощо почнуть зростати, питання балансування розподілу ресурсів стане актуальним. Традиційне централізоване управління ресурсами стане проблемою, що безпосередньо призведе до великого попиту на децентралізовані мережі налаштування малих моделей web3AI, децентралізовані платформи обчислювальних послуг тощо.
Коли ринок ще обговорює межі загальних можливостей AGI, приємно бачити, що багато підприємств вже займаються використанням практичної цінності AI. Очевидно, що, у порівнянні з минулими стрибками в ресурсній монополії, зосередженими на обчислювальній потужності та алгоритмах, коли ринок фокусується на Передових обчисленнях + малих моделях, це принесе більшу ринкову активність.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Короткий аналіз Lilli від McKinsey: які ідеї розвитку вона пропонує для ринку AI в бізнесі?
Кейс McKinsey Lilli є ключовою ідеєю розвитку для корпоративного ринку штучного інтелекту: потенційна ринкова можливість периферійних обчислень + невеликих моделей. Асистент зі штучним інтелектом, який об'єднує 100 000 внутрішніх документів, не тільки має 70% прийняття співробітниками, але й використовується в середньому 17 разів на тиждень – липкість продукту, яку рідко можна побачити в корпоративних інструментах. Ось що я думаю:
Безпека даних підприємства є болючою точкою: основні знання, накопичені McKinsey протягом 100 років, а також специфічні дані, накопичені деякими малими та середніми підприємствами, мають високу чутливість. Вони не повинні оброблятися на публічному хмарному сервісі. Як знайти баланс "дані не виходять за межі локального, можливості ШІ без знижок" є реальним попитом на ринку. Передові обчислення є напрямком для дослідження;
Професійні маломоделі замінять універсальні великі моделі: підприємствам потрібні не "сотні мільярдів параметрів, універсальні" моделі, а професійні помічники, які можуть точно відповідати на питання в конкретних галузях. У порівнянні з цим, між універсальністю великих моделей і професійною глибиною існує природний конфлікт, в підприємницьких сценаріях часто більше цінуються маломоделі;
3）Баланс витрат на власну інфраструктуру AI та виклики API: незважаючи на те, що комбінація передових обчислень і малих моделей має значні початкові витрати, довгострокові витрати на експлуатацію значно зменшуються. Уявіть, що якщо 45000 співробітників часто використовують великий AI-модель, яка викликається через API, то ця залежність, збільшення масштабу використання та коментарів зроблять створення власної інфраструктури AI раціональним вибором для середніх і великих підприємств;
5）Децентралізований web3 AI ринок також посилюється: як тільки потреби підприємств у обчислювальних потужностях, налаштуванні малих моделей, алгоритмах тощо почнуть зростати, питання балансування розподілу ресурсів стане актуальним. Традиційне централізоване управління ресурсами стане проблемою, що безпосередньо призведе до великого попиту на децентралізовані мережі налаштування малих моделей web3AI, децентралізовані платформи обчислювальних послуг тощо.
Коли ринок ще обговорює межі загальних можливостей AGI, приємно бачити, що багато підприємств вже займаються використанням практичної цінності AI. Очевидно, що, у порівнянні з минулими стрибками в ресурсній монополії, зосередженими на обчислювальній потужності та алгоритмах, коли ринок фокусується на Передових обчисленнях + малих моделях, це принесе більшу ринкову активність.