AI-Native的路要怎么走？一群技術“老炮兒”指明了方向
上世紀70年代，沃茲尼亞克、喬布斯、費爾森斯坦、比爾·蓋茨、約翰·德雷珀等人成立了名為Homebrew Computer Club的組織，他們在聚會中展示創(chuàng)意、交換想法，希望開創(chuàng)一個每個人都有電腦的世界。
后來的故事大家都很熟悉，沃茲尼亞克和喬布斯在Homebrew Computer Club的會議上展示了Apple I，并在第二年成立了蘋果公司。同時推動了開源文化的興起、個人電腦的普及，成了科技史上最具影響力的技術社群之一。
當世界進入到智能化時代，創(chuàng)新的種子在全球遍地開花，類似Homebrew Computer Club的社群也開始在更大范圍內(nèi)萌芽。
其中就有2020年12月30日成立的創(chuàng)原會，由CNCF執(zhí)行董事Priyanka Sharma、中國信通院云大所副所長栗蔚和華為云CTO張宇昕作為創(chuàng)始會員構建的全球技術創(chuàng)新交流平臺，希望通過探索前沿的云原生、AI等技術，共享產(chǎn)業(yè)落地實踐經(jīng)驗的方式，共創(chuàng)技術與業(yè)務融合的無限可能。
經(jīng)過四年時間的發(fā)展，創(chuàng)原會已經(jīng)吸納了來自學術研究、汽車出行、能源制造、互聯(lián)網(wǎng)、金融投資、貨運物流等行業(yè)的三百多位技術骨干，不乏銜遠科技創(chuàng)始人周伯文、面壁智能CEO李大海、吉利汽車數(shù)字中心主任鄭金偉、小紅書云原生基礎平臺負責人黃玉奇等懂行的技術“老炮兒”。
正是在這樣的背景下，每年一次的創(chuàng)原會年度技術峰會，作為會員們年度相聚、思想碰撞、互動交流的“舞臺”，已成為洞察行業(yè)創(chuàng)新趨勢、落地實踐經(jīng)驗的風向標。
比如剛剛結束的2024創(chuàng)原會年度技術峰會，達成了“全面擁抱AI-Native”的共識，并為AI-Native的落地指明了方向。
01 走向AI-Native，先要解決算力資源的挑戰(zhàn)
根據(jù)咨詢機構Gartner的預測，2026年將有超過80%的企業(yè)在生產(chǎn)環(huán)境中落地大模型或調(diào)用API，并部署啟用生成式AI應用。
比研究報告更加直觀的，是創(chuàng)原會年度技術峰會上的熱烈討論：技術“老炮兒”談論的不再是“怎么使用AI”，而是怎么將AI作為業(yè)務和生產(chǎn)的核心支撐，用AI重塑流程與創(chuàng)新產(chǎn)品，實現(xiàn)更高效與智能的運作。
創(chuàng)原會的會員們一致認為，算力挑戰(zhàn)是普遍現(xiàn)象。
大模型的訓練和推理，都需要強大的算力資源，而國內(nèi)的很多企業(yè)無力承擔龐大的硬件采購成本。即使有了算力，由于大規(guī)模分布式計算、彈性擴展和模型調(diào)優(yōu)等技術的要求較高，常常出現(xiàn)算力浪費或利用率不足的問題。
圖：華為云CTO、創(chuàng)原會榮譽理事長張宇昕
華為云CTO、創(chuàng)原會榮譽理事長張宇昕在演講中表示：“我們期望每個企業(yè)都能實時按需獲取AI算力，構建彈性、高效、多元算力的AI-Native基礎設施是關鍵?！?/p>
傳統(tǒng)的數(shù)據(jù)中心是CPU為中心的主從架構，所有資源的交互和信息傳遞都以CPU調(diào)度為主，CPU性能提升和網(wǎng)絡帶寬等都成為瓶頸。比如在AI訓練推理的場景中，CPU為中心的架構無法完全滿足業(yè)務所需的超大網(wǎng)絡總線帶寬、內(nèi)存帶寬和顯存容量，直接限制了訓練推理效率，并導致NPU算力和其它資源的閑置。
華為云的解題思路是將數(shù)據(jù)中心演進到多元算力對等全互聯(lián)的架構，通過高速互聯(lián)網(wǎng)絡協(xié)議，將CPU、NPU、內(nèi)存等算力資源全部互聯(lián)，實現(xiàn)資源全池化、全對等互連、資源按需組合，從單體算力進化到矩陣算力。
張宇昕舉了一個真實的例子：在使用萬億參數(shù)的盤古S模型運行訓練任務時，采用多元算力對等架構的華為云CloudMatrix，計算效率比傳統(tǒng)架構提升了68%；千億參數(shù)的盤古U模型的推理效率提升了30%。
解決算力瓶頸只是第一步，存儲也是制約AI發(fā)展的關鍵要素：32GB的顯存僅能裝下70億參數(shù)的模型，且隨著模型參數(shù)規(guī)格的增長，推理的顯存需求并發(fā)變大。
針對AI落地應用過程中遇到的存儲、數(shù)據(jù)等問題，華為云早已給出了一整套成熟的解決方案：
通過用池化架構來擴展顯存的方式，解決了推理過程中的內(nèi)存墻限制；通過將KV計算任務卸載到虛擬顯存和CPU上，讓單卡的并發(fā)數(shù)大幅提升；通過數(shù)據(jù)庫領域大模型+場景小模型的多模型協(xié)同，打造了智能的數(shù)據(jù)庫引擎，并利用智能開發(fā)助手和智能運維助手，全面提升開發(fā)和運維效率；以及在安全合規(guī)、隱私保護、可靠可控等方面的全盤布局。
走向AI-Native的過程，也是重新定義基礎設施的過程。就像打開水龍頭時，我們不需要知道水是從哪條河里來的；當我們調(diào)用AI算力的時候，不需要知道算力是怎么來的，背后的技術和運維有多復雜。
02 AI原生應用開發(fā)，有了“流水線”般的新范式
回答了算力資源的問題后，AI-Native就不再是一道選擇題，而是千行萬業(yè)數(shù)智化轉型升級的必答題。
華為云副總裁、戰(zhàn)略與產(chǎn)業(yè)發(fā)展部總裁黃瑾講述了自己的判斷：
相對歷史上所有重大技術變革和創(chuàng)新，不管是云計算、移動互聯(lián)網(wǎng)時代，其商業(yè)生態(tài)鏈都呈倒金字塔結構——應用和內(nèi)容為王。同時坦言AI正在重塑IT的方方面面，包括重新定義基礎設施、重塑軟件開發(fā)過程、重塑軟件交互體驗，甚至在重塑軟件生態(tài)。
圖：華為云副總裁、戰(zhàn)略與產(chǎn)業(yè)發(fā)展部總裁黃瑾
新的時代序幕已經(jīng)拉開，身在局中的創(chuàng)原會會員們感同身受，他們的態(tài)度體現(xiàn)在討論的議題上：《根據(jù)企業(yè)自身業(yè)務需求，如何識別和選擇AI在開發(fā)領域的價值場景？》《如何選擇智能化研發(fā)相關的關鍵技術？》《AI時代下的效能雙引擎聯(lián)動，如何實現(xiàn)確定性增長？》
面對如何高效打造AI原生應用的疑問，張宇昕結合華為云將大模型落地到30多個行業(yè)的400多個場景的經(jīng)驗，給出了三個建議：
第一，企業(yè)應用要基于AI-Native的云服務來開發(fā)和構建。
每個企業(yè)都需要持續(xù)思考如何把AI能力融入到自己的產(chǎn)品和應用中去，通過用以知識為中心的數(shù)據(jù)湖來構筑數(shù)據(jù)底座，用自主智能的工具鏈來開發(fā)應用，用AIGC+CG融合的數(shù)字內(nèi)容生產(chǎn)線來創(chuàng)作內(nèi)容等等。這樣的產(chǎn)品和應用將具備自主學習、持續(xù)迭代、適應變化的能力。
第二，用基礎大模型+工具鏈+企業(yè)經(jīng)驗，構建企業(yè)自己的專屬模型。
大模型落地應用的過程中，也產(chǎn)生了“不可能三角”問題——需要在專業(yè)性、泛化性、經(jīng)濟性三者中做好權衡：通用大模型缺乏行業(yè)Know-how，在專業(yè)性上無法勝任企業(yè)的業(yè)務需要；訓練大量專業(yè)數(shù)據(jù)，又會引發(fā)大模型的泛化能力下降；模型參數(shù)規(guī)模越大，性能和精度效果越好，但是訓練成本會很高。
張宇昕的答案是：“模型不是越大越好，也不是一個大模型可以打遍天下，企業(yè)要結合自身經(jīng)驗和行業(yè)Know-how來打造自己專屬的模型?！?/p>
比如將不同行業(yè)專屬的高質(zhì)量數(shù)據(jù)，結合行業(yè)Know-how訓練通用大模型，并針對不同行業(yè)對模型能力的偏好進行通用數(shù)據(jù)增強，打造行業(yè)場景的大模型。各個企業(yè)在行業(yè)大模型的基礎上，增訓自己的私有數(shù)據(jù)、企業(yè)Know-how，調(diào)度企業(yè)專用工具和插件，構建出企業(yè)自己的專屬模型。
第三，用大模型系統(tǒng)構建AI原生應用，實現(xiàn)企業(yè)智能升級。
大模型的訓練不應該重復造輪子，大模型的落地也不應該一次次從0到1，而是將模型與工程化能力相結合，實現(xiàn)模型接入與對外接口標準化，開發(fā)者可以按照相應的規(guī)則調(diào)用，直接創(chuàng)建AI原生應用。
相對應的正是華為云的大模型系統(tǒng)，包含行業(yè)數(shù)據(jù)和知識組成的知識中心，企業(yè)專屬大模型、開源大模型以及傳統(tǒng)小模型構成的模型中心，搜索引擎、代碼執(zhí)行器整合而成的組件中心等等。
開發(fā)者可以通過大模型系統(tǒng)的增強插件，譬如安全護欄保障模型的安全性、RAG檢索增強來消除大模型幻覺，利用標準的API接口，協(xié)同配合多種模型，以取長補短的方式快速實現(xiàn)企業(yè)的智能化升級。
打一個比方的話：如果說傳統(tǒng)的應用開發(fā)是“手工作坊”，有了完善的工具鏈、大模型系統(tǒng)和獨立處理復雜任務的AI Agent，AI原生應用的開發(fā)已經(jīng)進入到了“流水線生產(chǎn)”的模式，為數(shù)智化轉型按下了“加速鍵”。
03 大模型平民化，在場景中看見新質(zhì)生產(chǎn)力
當AI-Native的路徑被跑通，大模型不再是少數(shù)頭部企業(yè)的“特權”，AI將和千行萬業(yè)的真實場景碰撞出什么樣的火花？
就歷史經(jīng)驗來看，相較于數(shù)據(jù)上的宏觀論述，可以觸摸的落地案例更有說服力。2024創(chuàng)原會年度技術峰會上有一個特別的環(huán)節(jié)，評選出了“2024年度AI-Native十大先鋒實踐”，也為外界提供了窺探落地現(xiàn)狀的窗口。
圖：“AI-Native十大先鋒實踐”案例
我們篩選出了三個有代表性的例子。
一是借助AIGC優(yōu)化內(nèi)容生產(chǎn)流程的喜馬拉雅。
作為國內(nèi)規(guī)模領先的在線音頻分享平臺，喜馬拉雅在2023年專門成立了“珠峰實驗室”，著手研發(fā)了“珠峰音頻AI模型”。
為了解決大模型訓練和推理的算力需求，喜馬拉雅構建了自建AI基礎設施與公有云AI資源池的混合架構，讓資源利用效率提升了20%、資源成本降低了10%。目前“珠峰音頻AI模型”已經(jīng)生產(chǎn)了數(shù)萬本有聲書，包括模仿單田芳聲音的AI合成音頻專輯，極大降低了平臺的成本投入。
內(nèi)容生產(chǎn)的流程被重塑后，喜馬拉雅進一步研發(fā)了AI智能推送系統(tǒng)、國內(nèi)首個全內(nèi)容智能AI音箱小雅等產(chǎn)品，不僅提升了內(nèi)容推送精準度和效率，也為聽眾帶來了更加沉浸式、定制化的音頻體驗。
二是用AI大模型打造零售智能體的美宜佳。
深耕零售行業(yè)近30年的美宜佳，開啟了創(chuàng)辦以來“最具創(chuàng)新”的一次轉型，聯(lián)合華為云盤古大模型打造了AI+IoT+美宜佳業(yè)務平臺的零售智能體，并將其落地到3.7萬家門店，探索零售行業(yè)的新業(yè)態(tài)。
數(shù)字店員可以隨場隨身解答顧客的問題，播放音樂緩解顧客的壓力，像一座智慧化的“城市燈塔”，點亮了深夜歸家的路。
值得一提的是，美宜佳的智能化探索，不僅為品牌商、門店店主、消費者提供了服務成本更低、效率更高、體驗更好的集成生態(tài)服務，沉淀下來的經(jīng)驗和能力還將外溢到整個行業(yè)，驅動零售行業(yè)服務升級。
三是北京市政一卡通的人工智能創(chuàng)新實踐。
基于華為云的AI原生基礎設施，北京市政一卡通依托AI技術完成了一卡通支付的智能化改造，有效支撐了一卡通公司在公共交通、商業(yè)消費、政府管理、創(chuàng)新應用4大領域28個行業(yè)的廣泛落地。
目前北京市政一卡通已經(jīng)覆蓋國內(nèi)330多個城市，每天為數(shù)千萬用戶提供持續(xù)、穩(wěn)定、高效、安全的支付服務。同時人工智能還在用卡安全等方面發(fā)揮了重要作用，為公共服務與社會治理提供了創(chuàng)新示范，連續(xù)多年被列入北京市政府“為市民辦實事工程”。
正如張宇昕所說：“中國的AI產(chǎn)業(yè)有著巨大的機遇，我們可以充分發(fā)揮在行業(yè)場景和行業(yè)數(shù)據(jù)領域的優(yōu)勢，讓AI深入到企業(yè)核心生產(chǎn)系統(tǒng)，真正發(fā)揮產(chǎn)業(yè)價值和商業(yè)價值，推動產(chǎn)業(yè)升級和轉型。”
三個跨越互聯(lián)網(wǎng)、零售、政企的例子，僅僅是AI原生應用圖景的一隅，卻用事實印證了張宇昕的判斷，讓外界看到了實實在在的新質(zhì)生產(chǎn)力，看到了行業(yè)生產(chǎn)力的躍遷。
04 寫在最后
Homebrew Computer Club在50年前點燃了個人計算機革命，為人類的生活和工作方式產(chǎn)生了顛覆性改變。
承襲了這種精神的創(chuàng)原會，為技術先鋒和產(chǎn)業(yè)創(chuàng)新者搭建了溝通的橋梁，正在將創(chuàng)新的力量擴散到更多的行業(yè)和場景中。
也許多年后再來審視2024創(chuàng)原會年度技術峰會，人們會驚訝地發(fā)現(xiàn)：解答了AI原生的算力困境、疏通了原生應用的開發(fā)路徑，照亮了一個個創(chuàng)新案例后，AI-Native的“星星之火”從此刻開始燎原。
轉載請在文章開頭和結尾顯眼處標注：作者、出處和鏈接。不按規(guī)范轉載侵權必究。
未經(jīng)授權嚴禁轉載，授權事宜請聯(lián)系作者本人，侵權必究。
本文禁止轉載，侵權必究。
授權事宜請至數(shù)英微信公眾號(ID: digitaling) 后臺授權，侵權必究。
評論
評論
推薦評論
暫無評論哦，快來評論一下吧！
全部評論（0條）