做网站要学c语言,网站域名为个人的公司能备案,6种常见的网页布局类型,wordpress获取当前目录父目录idAIGC Artificial Intelligence Generated Content#xff0c; 或者Generative Artificial Intelligence#xff0c;它能够生成新的数据、图像、语音、视频、音乐等内容#xff0c;从而扩展人工智能系统的应用范围。
生成式人工智能有可能给全球经济带来彻底的变化。根据高盛…AIGC Artificial Intelligence Generated Content 或者Generative Artificial Intelligence它能够生成新的数据、图像、语音、视频、音乐等内容从而扩展人工智能系统的应用范围。
生成式人工智能有可能给全球经济带来彻底的变化。根据高盛Goldman Sachs的数据未来10年生成式人工智能可以推动全球GDP增长7%或近7万亿美元并在10年内将生产率增长1.5个百分点。
这场AIGC的火热最早是由ChatGPT带来的相信很多朋友已经尝试过目前GPT4已经开放使用相比3.5又有了长足的进步国内互联网公司也都在竞相快速跟进百度最早发布了文心一言华为云最近也发布了盘古大模型3.0阿里云推出了通义千问和通义万相前者针对问答场景后者面向的是绘画创作也就是文生图场景。腾讯云推出了VectorDB 向量数据库作为知识库构建问答场景的一个工具。我有一个朋友也算是资深的业内专家他评价国内厂商在LLM大语言模型方面的水平大概到年底能接近或追到GPT3.0的水平那时候估计GPT5.0已经发布了所以大致可以认为国内的大语言模型和OpenAI有两代的差距还需要继续努力。由于中美之间大家都明白的关系OpenAI不给国内商用虽然有一些套壳的平台但大规模2B的应用很难落地从这个角度实际给了国内厂商一个机会谁能把基础做扎实真正达到降本增效提升生产力国内的庞大市场诸多行业及客户还是有很大想象空间的。正因如此国内厂商都不愿意错过无论是对于股市、估值、融资还是对于存量业务下滑的恐惧GenAI都是不得不押的赛道。如今的「百模大战」让人想到了百团大战共享单车大战谁能笑到最后远未可知。 说到AIGC大模型不得不提的还有底层算力非常烧钱为了训练GPT-3.5模型 OpenAI使用了大约10,000个英伟达的 GPU它被认为是用于大型模型训练的门票GPT-3训练一次的成本约为140万美元GPT3.5 共有1750亿参数量训练一次成本1200万美金。10亿美元的硬件开销对于许多厂商来说都是一道难以逾越的鸿沟。
目前英伟达的GPUA100,H100一卡难求限制了对中国的出口最近又有消息传出美国政府不排除对中国公司使用云上的GPU做出限制这就很令人难受了目前不少国内公司是使用美国三大云厂商来训练和部署自己的AIGC模型的一旦做出这种限制估计很多公司需要在海外注册公司来绕开限制继续使用GPU机型对国内的人才储备、创新环境又是一个打击。
生成式AI虽然如火如荼但还在发展的很早期阶段真正在2B领域落地的案例很少或者说都还在早期摸索和尝试中。我们总结AIGC主要的创造商业价值的方向有以下四个方向一个是新体验在客户和员工互动方面比如客服、问答系统能够用AIGC打造更吸引人的创新方式第二是效率工具比如生成文章、总结段落大意生成代码微软有copilot亚马逊发布了codewhisperer这些可以使一些文案创意工作者软件工程师的生产效率提高给企业带来价值第三见解、洞察 从海量企业信息中提取见解和洞察作为决策支持的工具基于互联网海量信息的大模型结合行业知识库企业知识库相信能在很多问题的回答中给出有别于员工、管理层认知的一些深层次洞察这些内容不乏能够帮助企业做决策的信息第四创造力工具包括生成故事、图像、视频、音乐AI能够在围棋方面战胜人类说明机器在围棋可能性方面的计算能力已经超越人类换句话说就是机器比人毕其一生看到的棋局可能性已经多了很多个数量级那么在GC方面也可以认为机器可以比人类有更多的创新空间不排除可以创造出我们没有见过的甚至没有想过的音乐图像视频这些都将大大拓展人类的思维空间。
目前已经小规模应用的领域比如广告、媒体行业图片、视频的生成影视作品配乐游戏社交电商行业 营销文案配图生成logo图标生成头像生成等等。主要使用开源的模型做个性化构建应用最广泛的就是Stable DiffusionStable Diffusion 2.0 训练花费 200,000 A100 小时成本不菲所以目前有人说大模型的PK实际目前格局已定只有一些一线大厂可以玩的起和当年的云计算类似如今剩下来的也就是几个巨头连美团、360这样的公司最后都放弃了云计算方向相信现在下场玩大模型的厂商也会逐渐收敛到头部大模型也有赢者通吃效应做的越好投入越大生态越完备行业、企业应用越多推动厂商更多的投入最终形成一个闭环的增长飞轮迫使一些排名靠后的厂商放弃开发和维护最终一定是这个结果。目前除了Top3的巨头公司其他公司更应该聚焦行业和企业看看如何将AIGC和行业企业做更好的结合把大模型到最终2B用户的最后一公里做好这方面应该能养活很多公司就如同做SAP/Oracle咨询和实施做AWS/Azure解决方案的无数生态合作伙伴一样。
对于希望在AIGC方向有所发力的IT公司除了开源解决方案的搭建和调优也不妨去看看各大云厂商的相关服务比如微软Azure的openAI servicecopilot, amazon推出的bedrock语言大模型titan当然也需要关注头部GenAI厂商的开源模型如meta开源的LLama2Anthropic的ClaudeStable AI的Stable diffusion这些模型区别于chatGPT的中心化模式更接近企业的私有化部署和数据隐私需要百度阿里华为发布的产品也值得关注不管是从中美目前大家都心知肚明的科技现状考虑还是从国内数据隐私、自主可控角度考虑国内厂商的大模型大概率是国内企业应用落地的不二选择研究研究如何集成到现有产品里或者如何包装成产品给最终用户带来价值在这个角度来看大模型更像是一个基础设施功能当年利用手机的定位功能可以开发出打车、外卖、导航等一系列应用颠覆了用户交互方式大模型也一定不会仅仅是用户问答这一个缺乏想象力的场景如何在其之上结合用户场景去改进交互方式开发出具体应用未来将是关键点。
对于企业界管理层也应该高度关注一边学习和跟进AIGC的技术发展一边和头部厂商保持沟通还要一边留意竞争对手的尝试和动作对于上规模的企业来说提升哪怕1%的效率也都是不少的钱关键是生产机制如果变了极有可能甩掉竞争对手几条街大概相当于机枪对手枪的关系在任何有可能被AIGC改造的场景上都应该保持关注和警惕。
对于工程师来说保持学习能把这些工具用起来对自身也是生产率提高增强了竞争优势这些工具就像游戏里的装备一样装备越好战斗力越强。
据说已经有prompt engineer提示词专家能够月入十万了各种先入坑的大佬也拉了很多社群做了各种培训赚得盆满钵满各种历史的风口无不是如此金矿边上卖铲子沙漠里卖水都是一本万利的生意虚拟币挖矿时期的矿机如今的英伟达都是类似。
总体来看AIGC比这些年局部大热的AR/VR区块链虚拟币看起来更有普遍价值潜在的对2C2B的渗透率都要高不少基于AIGC的想象空间更大技术的早期发展到成熟一般会经历大火爬高和随之而来的低谷最终进入成熟阶段被业界广泛采纳AIGC大概率也是这个曲线。至于现在到底是爬高冲顶还是已经回落正在进入低谷的冷静期并无公论需要更长时间的观察。
