蔣深
2024-12-28 
AI大模型眼花繚亂，企業到底應該怎么選｜品牌新事
文 / 蔣深
隨著人工智能技術的突破和算力的不斷提升，大模型的應用也變得越來越廣泛。用不用AI已經不是一個選擇題，而變成了一個必答題。
這幾年來，人工智能在多個領域的應用不斷擴展，尤其是在自然語言處理（NLP）、計算機視覺、自動駕駛、醫療健康等領域，深度學習和生成模型的突破為各行業帶來了變革，也帶來了新的想象空間。
但真正的考驗，其實才剛剛開始。
對很多企業來說，問題在于：面對幾千款大模型，到底應該選哪個？選了一款大模型，可不懂行業怎么辦？大模型算力成本高昂，企業如何負擔？
一面是企業級的AI需求開始大量涌現，另一面則是選擇困難，這成為很多企業數字化決策部門頭疼的一件事。
選擇大模型，到底難在哪兒？
作為企業，選擇使用AI大模型與否，牽一發而動全身。一旦選擇錯了，不僅意味著巨大投入打了水漂，而且還可能意味著在同業競爭中落了下風。
實際上，很多企業之所以選擇困難，最大的痛點在于，大模型能否與行業的know-how相結合。
每個行業的業務邏輯、術語和流程具有極高的專業性。AI模型雖然能生成通用答案，但如何深度嵌入行業，形成定制化解決方案，對很多AI公司來講都是一塊難啃的“硬骨頭”。
比如在金融行業中，AI需要理解復雜的風險評估指標；而在醫療領域，準確診斷要求模型深入學習疾病特征和治療路徑。當前，企業多通過數據標注、微調模型等方式彌補這一差距，但這些方法代價高且見效慢。
哪怕生成式AI的產品迭代速度極快，但面對企業級的需求，想要在成本、功能上找到完美契合自身用例的模型依然十分困難。不同的行業都有獨特的流程和規則，而這些往往不是通過簡單的通用算法優化或數據處理就能掌握的。
更何況，企業自己組建團隊來開發和調整，且不提專業門檻，所需付出的成本是非常高的，這一點就可能把大量中小企業排除在AI應用的門外。
在這些問題上，許多企業都在探索有效的解決方案。那么，有沒有一種解決方案，既可以讓企業輕松上手直接使用大模型，又能根據企業自身需求方便地進行調整？現如今，一家全球知名的云廠商，給企業帶來了一個堪稱“0選擇成本”的解決方案。
在近期舉行的re:Invent 2024大會上，亞馬遜云科技帶來了可謂滿滿一貨架的AI產品：其中涵蓋了從最底層的AI算力芯片、模型訓練和推理，到中間層的上百個世界頂流基礎模型，再到最上層的開箱即用的生成式AI應用，技術棧涉及各個領域。
換句話說，亞馬遜云科技直接發布了一個AI完整版解決方案：對于亞馬遜云科技的企業用戶來說，在這里可以一站式集齊企業所需要的全部人工智能產品類型。
其中間層的“大模型超市”，就像山姆超市一樣，通過嚴格甄選、大量采購、專業管理等優勢，提升了產品質量，提高了選擇效率，成本卻可以降低很多，做到了“閉著眼睛買就可以”。亞馬遜云科技的“大模型超市”，就起到了類似作用。
“選擇很重要（Choice Matters）”，正是這次大會的關鍵詞。可見作為全球領先的云廠商，亞馬遜云科技對于客戶的需求和痛點也有深刻洞察。
在大會上，亞馬遜云科技新任CEO馬特·加曼（Matt Garman）在他的主題演講中就談到，“我們發現，并非所有客戶都希望使用單一模型。他們更傾向于根據需求選擇多種不同的模型。有些客戶偏好使用開源模型，比如Llama或Mistral，這使他們能夠自行進行微調；有些客戶的應用程序需要圖像處理模型，例如Stability或Titan提供的模型；還有許多客戶尤其鐘愛最新的Anthropic模型，因為不少人認為這些模型在通用智能和推理能力方面的表現堪稱市場最佳”。
由此可見，企業的模型選擇困難，很大原因不在于市面上的模型太多，而是因為能夠精準匹配的模型太少，或者說無法更好地滿足企業的AI需求。而亞馬遜云科技提供的一站式模型超市，針對企業使用大模型的難點和痛點進行專業研發和平臺搭建，如此便可以在很大程度上緩解企業的大模型焦慮與選擇困難。
實現“大模型自由”，到底要靠什么
解決了使用什么大模型，只是企業“上AI”第一步。必須記住，企業為什么要使用大模型？并非盲目追求技術潮流或無端增加技術投入成本，而是為了切實提升企業自身的核心競爭力，借助這一技術創新來優化業務流程、提高生產效率、增強決策能力，從而帶來實質性的價值增長和競爭優勢。
今天來看，“用AI”和“上云”的進程十分類似。在云技術推廣之初，很多企業對這項技術都有過疑慮，或者怕花錢，或者怕麻煩，甚至怕添亂。還有一些原因，許多人可能想都想不到。
舉個例子，在亞馬遜云科技創業初期，由于合規性、審計、監管、安全、加密等考量，大部分的銀行客戶表示愿意采用云計算，但稱可能永遠不會上云。不過，亞馬遜云科技沒有放棄這些金融客戶，而是花了十年時間來解決銀行客戶清單上的每一個問題。
在大會上，馬特·加曼也說道：“今天，我很自豪地說，許多大型金融公司都是我們的客戶。因此，當你在創新時，重要的是要記住，你真的要從客戶開始。你要問他們什么對他們重要，但你不僅僅是交付客戶要求的東西。你要為他們發明。”
事情本來就該如此。AI企業級應用的目標，是為行業賦能，而不是增加復雜性。從這點來看，亞馬遜云科技的“大模型超市”的優勢就很明顯了。
從發布自研大模型Amazon Nova，到宣布與擅長視頻生成模型的Luma AI以及擅長代碼生成的poolside等大模型開發商達成合作，再到耗費重金投資Anthropic這樣的頂尖大模型開發商，便可看到，亞馬遜云科技整體策略是，在自主研發的基礎上，不斷為開發者提供一個多樣化的大模型選擇平臺，用以構建AI應用，以滿足企業用戶的各種不同需求。
相比上線單一的大模型，上線一個隨去隨用的“大模型超市”，當然更方便企業用戶解決各自的業務痛點，從而為企業賦能。
換句話說，在亞馬遜云科技的“大模型超市”里，企業用戶幾乎可以實現“大模型自由”，或者說，“免于大模型的恐懼”。他們可以按照企業不同部門的需求來調用不同的模型，并根據所在行業的特點形成個性化解決方案。
上大模型，如何降本增效？
對企業來說，是否采用大模型，還有一個很重要的考量，即投入產出比。也就是說，能幫助企業降本增效的AI，才是有實際商業價值的。
企業首先會考慮，哪些業務環節可以通過AI來優化。這要求對現有流程有深入的理解，并能夠準確評估引入AI可能帶來的變化。
比如在醫療領域，AI可以幫助進行影像診斷，但前提是必須了解醫學圖像的專業標準以及醫生的工作方式。在金融行業，AI可以用于風險評估，但這需要理解復雜的金融市場動態和監管要求。
此外，不同行業的數據結構和質量差異很大，有些行業如制造業可能擁有大量歷史數據，但數據格式老舊、分散；而新興行業如社交媒體則可能面臨數據量龐大但噪聲高的問題。因此，AI模型不僅需要具備強大的學習能力，還需要能夠靈活應對各種數據環境。
對于上述種種問題，企業上大模型之后，是否能夠在進一步降低成本的同時高效地解決？
面對這些集成了巨大復雜性的“投入產出比”問題，亞馬遜云科技在今年的大會上，直接劇透了下一代算力芯片Trainium 3。該芯片將采用3nm先進制程工藝，提供兩倍于Trainium 2的算力，以及40%的單位能效提升。
除了更高性價比的算力供給之外，亞馬遜云科技還在致力于利用工具和架構層面的優化，降低企業開發的AI應用在調用大模型的過程中消耗的算力資源。
而從市場數據來看，目前也已經佐證了亞馬遜云科技“大模型超市”的價值：根據Menlo Ventures的報告，采用亞馬遜云科技模式的Anthropic在AI模型市場的份額翻倍至24%，而OpenAI的份額從50%下降到34%。
現在，在亞馬遜的“大模型超市”貨架上，不僅上架了“亞馬遜云科技自營”的Nova系列，同時還上線了亞馬遜云科技投資的Anthropic的Claude系列。此外，Amazon Bedrock還提供了Meta的Llama、AI21 Labs的Jurassic、Mistral AI、Technology Innovation Institute的Falcon RW 1B和英偉達NIM微服務等100多種業內一流的大模型。
在“自營”和“大店”之外，亞馬遜云科技的“大模型超市”上還有第三方中小賣家，它們足夠懂得行業的需求，也能最大程度地避免幻覺的出現。比如金融領域的Palmyra-Fin，翻譯明星Solar Pro，多模態方向的Stable Diffusion、音頻生成方向的Camb.ai，生物學方向的ESM3生成式生物學模型，也全部在Amazon Bedrock上架。
在降本的同時，也最大程度地提升了效率。
更安全、更穩定的大模型，如何實現？
還有非常重要卻往往容易被忽略的一點，就是企業級的大模型應用和消費級的人工智能應用，有一個非常重大的區別，那就是企業級需求第一位的是安全和穩定。
你可以想象，一個用戶對于AI給出的答案出現明顯錯誤時，可能一笑置之，或者重新進行提問，但當這種問題屢屢發生在企業級大模型身上，毫無疑問會釀成嚴重的后果，既有可能企業因此失去寶貴的客戶資源，也有可能使企業運營陷入重大困境。總之，這幾乎是不可原諒的錯誤。
當模型生成的內容與事實不符、虛構或不準確，這就是所謂大模型的幻覺。對于商用企業來說，大模型的幻覺將直接影響企業的具體經營業務。所以，企業使用大模型，普遍會把更安全、更穩定作為一個選擇標準。
但也必須承認，到目前為止大模型的幻覺問題并未得到完全解決，大模型在具體的行業應用上還是可能存在不專業的概率。
企業對安全性與穩定性的高要求，也是亞馬遜云科技汲汲以求的目標。從目前來看，此前介紹的亞馬遜云科技的“大模型超市”其實就為企業客戶提供了一個穩定選擇——在Amazon Bedrock Marketplace中，提供了超過 100個來自全球供應商的基礎模型產品，用戶可以在Amazon Bedrock上選擇并且對這些新模型進行測試，并結合Bedrock上的知識庫、Guardrails等一系列功能，再將其部署到企業的AI應用當中。
亞馬遜云科技這些產品矩陣的存在，能夠確保企業獲得最為專業和精準的服務。
這還不夠，亞馬遜云科技還專門針對大模型的幻覺問題上了“雙重保險”。
在今年的re:Invent大會上，亞馬遜云科技專門推出了自動推理檢查功能（Automated Reasoning checks），它能夠防止因模型幻覺而導致的事實性錯誤。當你啟用這些自動化推理檢查功能時，Amazon Bedrock可以對模型所做出的事實陳述進行準確性檢查，這一切都是基于可靠的數學驗證，并且還會展示得出結論的依據。
全球專業服務公司普華永道也正在使用自動推理檢查功能來創建高度準確、可信且有用的AI助手和智能體，并將其納入到為金融服務、醫療保健和生命科學領域客戶提供的特定行業解決方案中，包括驗證AI生成的合規內容是否符合美國食品藥品管理局（FDA）和其他監管標準的應用程序。
復盤AI近幾年來的進展，到今天為止，生成式人工智能已經從實驗室走向了普及化，越來越多的企業都開始感受到人工智能所帶來的改變。但是面對門檻極高的AI技術和各種各樣的AI模型，企業到底應該如何選擇？
一定程度上，選擇即戰略。正如本次大會的關鍵詞一樣——選擇非常重要（Choice Matters），能否做好選擇，將關系著所有企業在AI時代的未來。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
