AI industri juga akan menyambut "detik ChatGPT"

Kemunculan ChatGPT mungkin menunjukkan bahawa industri AI, yang secara beransur-ansur dianggap telah mencapai kesesakan perindustrian dalam beberapa tahun kebelakangan ini, masih merupakan tanah subur yang paling inovatif dan mengandungi peluang besar.

Akibat "gempa bumi" ChatGPT berdasarkan GPT-3 mod tunggal masih belum reda, dan "tsunami" GPT-4 berbilang modal melanda kalangan rakan dalam sekelip mata.

"Ini mengingatkan kita bahawa ramalan tentang kecerdasan buatan adalah sangat sukar." Ternyata dia betul. Kemerosotan sistem pakar berdasarkan simbolisme membuatkan orang pernah berfikir bahawa kecerdasan buatan telah berakhir pada tahun 2012 mencetuskan harapan lagi, dan kini ia menguasai bidang AI. Apabila sistem menjadi lebih besar, masa latihan dan kos modal terus meningkat. Hanya apabila semua orang bimbang bahawa menambah parameter pada model mencapai faedah marginal yang semakin berkurangan, GPT-3 dan GPT-4 berturut-turut memberitahu dunia bahawa sistem pembelajaran mendalam yang lebih besar dan lebih kompleks sememangnya boleh mengeluarkan lebih banyak keupayaan yang menakjubkan, dan kelahiran ChatGPT , dan lebih-lebih lagi, orang ramai boleh melihat hasil aplikasi "mengganggu" (berita palsu malah mendakwa bahawa bilangan parameter GPT4 ialah 100 trilion).

Kemunculan ChatGPT mungkin menunjukkan bahawa industri AI, yang secara beransur-ansur dianggap telah mencapai kesesakan perindustrian dalam beberapa tahun kebelakangan ini, masih merupakan yang paling tanah subur yang inovatif, mengandungi peluang besar . Apabila produktiviti baharu mula terbentuk, industri yang diwakili oleh pembuatan perindustrian mungkin membawa kepada perubahan AI yang lebih mendalam dan membawa kepada "detik ChatGPT" industri Dalam proses ini, syarikat teknologi yang selaras dengan aliran teknologi juga dijangka menjadi mula-mula keluar dari bulatan.

1. Kemenangan kesejagatan

Setakat ini, model yang menguasai bidang AI masih khusus tugas. Model yang dibangunkan oleh syarikat AI menunjukkan prestasi yang baik dalam julat tertentu, tetapi jurutera mendapati bahawa keupayaan generalisasi mereka tidak mencukupi untuk menyokong penggunaan kepada pelbagai senario yang lebih luas. Kata orang dalam industri, banyak model telah dilatih, tetapi banyak lagi model masih diperlukan.

Sesak ini hampir dibesarkan sebanyak N kali ganda dalam bidang pembuatan industri yang sangat berpecah-belah. Oleh kerana terdapat banyak bidang terbahagi dalam pembuatan perindustrian, setiap bidang mempunyai perbezaan besar dalam proses pengeluaran, teknik, konfigurasi barisan pengeluaran, bahan mentah dan jenis produk. Pengeluaran bateri litium boleh dibahagikan kepada lebih daripada sedozen proses, dengan beribu-ribu titik proses, dan barisan pengeluaran mempunyai sekurang-kurangnya 2,500 titik kawalan kualiti utama pengeluaran panel LCD melibatkan beratus-ratus proses, dan terdapat sebanyak 120 jenis panel kecacatan yang mungkin berlaku semasa proses pengeluaran Terdapat beratus-ratus bahagian untuk telefon bimbit, melibatkan ratusan pembekal, dan setiap bahagian mungkin mempunyai berpuluh-puluh kecacatan untuk diuji.

Model pembelajaran mendalam sedia ada mempunyai tahap generalisasi yang rendah, malah dalam industri yang sama, nisbah kebolehgunaan semula model adalah agak rendah. Contohnya, jika anda ingin menyampaikan keseluruhan barisan pengeluaran pintar jenama telefon mudah alih terkemuka dunia, anda mungkin perlu mencipta ratusan ribu model algoritma (tidak termasuk peningkatan berulang perisian dan perkakasan).

Kini, masalah berduri ini telah menjadi senario tipikal untuk model asas (model besar) yang diwakili di belakang ChatGPT.

Pada tahun 2022, kertas penyelidikan [1] daripada institusi seperti Google, Stanford University, University of North Carolina di Chapel Hill dan DeepMind memperkenalkan "Keupayaan Muncul" model besar, iaitu, Beberapa fenomena adalah tidak terdapat dalam model yang lebih kecil tetapi terdapat dalam model yang lebih besar, dan mereka berpendapat bahawa keupayaan model ini muncul. Walaupun keupayaan ini pada masa ini dicerminkan terutamanya dalam model bahasa, ia juga memberi inspirasi kepada penyelidikan masa depan tentang model visual dan model berbilang modal.

Menurut Pusat Penyelidikan Model Asas (CRFM) di Pusat Kecerdasan Buatan Berpusatkan Manusia (HAI) di Universiti Stanford, “Ia (model besar) mewakili paradigma baharu dan berjaya untuk membina sistem AI dilatih pada sejumlah besar data model dan menyesuaikannya dengan pelbagai aplikasi” [2].

Keupayaan umum ini adalah apa yang diperlukan oleh pembuatan industri. Pembuatan perindustrian menghadapi pelbagai senario Bagaimana untuk mencipta keupayaan teknikal sejagat di tengah-tengah permintaan yang sangat berpecah-belah melalui sistem teknikal yang stabil telah menjadi cabaran terbesar bagi mana-mana syarikat teknologi yang cuba menunjukkan bakatnya di sini.

Jia Jiaya, pengasas Simou Technology, menyebut konsep AI 2.0 pada awal penubuhan syarikat Salah satu perkara teras yang membezakannya daripada syarikat AI semasa yang menggunakan AI 1.0 secara meluas ialah penekanan. pada serba boleh. "Kami mahu membina seni bina sistem AI generasi baharu, menggunakan seni bina bersatu untuk menyelesaikan perkara yang pernah dilakukan oleh orang lain dalam satu senario sebelum ini, dan menjadikannya universal dalam senario yang berbeza," kata Jia Jiaya, "Membina sistem AI yang lebih pintar dari bawah ke atas. Algoritma menggunakan cara piawai untuk menyelesaikan senario perindustrian terdesentralisasi dan mengatasi isu utama seperti kebolehulangan dan penyeragaman 》

SMore ViMo Industrial Platform, produk paling popular bagi Teknologi Siou, adalah contoh tipikal sejagat. pemikiran reka bentuk Sebagai contoh, ia adalah platform pusat merentas industri pertama yang dibina untuk senario industri dan mempunyai pelbagai senario serba boleh. Ia bukan sahaja memenuhi keperluan lebih daripada 1,000 senario aplikasi yang dipecah bahagi dalam pelbagai industri seperti tenaga baharu, semikonduktor, kereta dan elektronik pengguna, tetapi juga secara fleksibel menyokong keperluan reka bentuk pelbagai penyelesaian penglihatan industri yang sukar, seperti penjejakan bahan, lokasi kecacatan, dan pengiraan bahan kerja dalam barisan pengeluaran, pengesanan kecacatan rupa, dsb.

Seni bina sistem platform industri pintar SMore ViMo.

Ciri penting laluan ini ialah keseimbangan yang agak baik antara ketangkasan, pemperibadian dan kos marginal yang rendah. Dengan bantuan platform SMore ViMo, SMore Technology sudah boleh menyokong ratusan projek dalam industri yang berbeza dalam industri pada masa yang sama, ia dijangka berkembang sepuluh kali ganda untuk menyokong beribu-ribu projek pada masa yang sama, membawa kecekapan penemuan kepada aplikasi industri AI.

Selepas menjadi yang pertama menggunakan teknologi Transformer dalam senario perindustrian berskala besar untuk meningkatkan kecekapan pembuatan pintar, Simou sekali lagi menerima model besar buat kali pertama. Pasukan Simou ialah pasukan pertama yang menjalankan penyelidikan dan perindustrian Keupayaan Muncul model besar dalam bidang industri Model besar perindustriannya menggunakan sejumlah kecil sampel kecacatan untuk pembelajaran dalam konteks, supaya model asas dapat menyesuaikan diri dengan cepat. senario industri tertentu dan menyelesaikan tugas khusus.

Pada pendapat beberapa orang dalam industri, kejayaan ChatGPT dan teknologi yang lebih serba boleh di belakangnya akan mendorong aplikasi AI ke peringkat baharu. Di antara semua lapisan masyarakat yang diwakili oleh pembuatan perindustrian, syarikat yang telah bertapak dalam industri pada masa lalu, menerima aliran ini, dan menyelesaikan pelaksanaan gelung tertutup data dan teknologi mempunyai lebih banyak kelebihan dan akan lebih digemari pada ledakan masa depan aplikasi.

2. Mempercepatkan pembangunan inklusif AI

Dalam bidang pembuatan industri, terdapat juga jurang yang mendalam antara "bahasa" yang berbeza. Orang dalam industri berkata bahawa industri pembuatan industri telah mengumpul banyak data, tetapi jurutera pembuatan (seperti jurutera mekanikal dan jurutera bahan) masih jarang menulis program untuk menggunakan data ini, dan pembangun AI juga menghadapi cabaran untuk memahami masalah perindustrian menyekat pelaksanaan teknologi pada tahap yang besar.

Jurutera algoritma dari Simou Technology berkata bahawa teknologi di sebalik ChatGPT, seperti RLHF (Pembelajaran Pengukuhan daripada Maklum Balas Manusia, pembelajaran pengukuhan berdasarkan maklum balas manusia), membolehkan mereka melihat bahawa mereka boleh meneruskan kerja sedia ada.

RLHF ialah lanjutan pembelajaran pengukuhan yang menggabungkan maklum balas manusia ke dalam proses melatih model besar, menyediakan proses pembelajaran interaktif semula jadi dan berperikemanusiaan untuk mesin, sama seperti manusia belajar daripada profesional lain Cara yang sama anda mempelajari pengetahuan profesional . Dengan membina jambatan antara AI dan manusia, RLHF membolehkan AI menguasai pengalaman manusia dengan cepat.

Mereka berkata bahawa AI industri boleh melahirkan platform AIaaS (AI As a Service, Artificial Intelligence as a Service) pembelajaran aktif pada masa hadapan Melalui kerjasama jurutera algoritma dan pakar anotasi, teknologi RLHF boleh digunakan untuk melatih model besar dan Pengetahuan manusia membolehkan AI memahami masalah industri dan memenuhi keperluan tugas industri tertentu, membenarkan pakar industri yang tidak dapat memprogramkan untuk melatih model AI.

Pada masa ini, Simou Technology sudah pun menerokai senario aplikasi yang menggabungkan RLHF dengan industri.

Selain itu, model interaksi mudah ChatGPT juga hampir sama dengan strategi melaksanakan AI dalam pembuatan industri. Senario dalam bidang perindustrian adalah kompleks, dan produk yang baik mestilah ringkas dan mudah digunakan Contohnya, melalui interaksi ringkas dan penyelesaian penggunaan satu klik, kos latihan dan beban pembelajaran semasa proses penghantaran dapat dikurangkan.

Ramai pengaturcara mengatakan bahawa ChatGPT adalah setara dengan membina semula Menara Babel yang mengagumkan dengan komputer bukan lagi simpanan eksklusif pengaturcara. Tetapi sekarang, kita dapat menjangka bahawa dalam masa terdekat, pengamal dalam bidang pembuatan juga boleh melaksanakan pengaturcaraan sendiri pada platform AI dan membangunkan model berdasarkan keperluan barisan pengeluaran. Ini juga boleh membantu menyelesaikan kekurangan bakat AI dalam industri pembuatan.

"Hanya apabila sistem komputer boleh memecahkan beberapa masalah utama dalam pelaksanaan perindustrian dan merealisasikan gabungan dan penggunaan algoritma automatik, dan manusia hanya perlu mengambil bahagian dalam sejumlah kecil reka bentuk algoritma tersuai, bolehkah domain silang besar- perindustrian skala AI dapat direalisasikan?" Jia Jiaya pernah berkata.

Malah, Simou Technology telah membayangkan membina platform pembangunan yang boleh mencapai lelaran teknologi pantas sejak awal-awal lagi, hanya muat naik imej, kecacatan boleh ditanda secara automatik, dan model peringkat produk atau SDK boleh diperoleh melalui. ujian satu klik. Kurangkan kos algoritma yang banyak dilaburkan dalam projek.

Dengan lelaran projek, Simou Technology secara beransur-ansur menyepadukan penyelesaian industri yang lebih matang dan pengalaman praktikal ke dalam produknya, dan kemudian melancarkan jenis produk yang lengkap, membolehkan pelanggan melakukannya sendiri tanpa bantuan pekerja Simou Technology. Pengalaman dan penggunaan, dengan itu membentuk aplikasi komersial terawal produk.

Dengan kemajuan teknologi, sama ada untuk pengguna atau industri seperti pembuatan industri, kami telah melihat lebih banyak aplikasi teknologi yang inklusif, yang membawa peluang besar.

3. ChatGPT hanyalah titik permulaan

Dalam sepuluh tahun yang lalu, pengkomersialan teknologi AI telah mengalami banyak keraguan. Kali ini, penemuan teknologi di sebalik ChatGTP menandakan ketibaan revolusi, dan AI mungkin benar-benar menjadi infrastruktur produktiviti sejagat.

"GPT (transformer pra-latihan generatif) juga boleh menjadi singkatan kepada teknologi tujuan umum (general purpose technology)", sebuah artikel dalam "The Economist" menulis, "Inovasi terobosan boleh menjadi seperti Seperti enjin wap , elektrik, dan komputer, produktiviti telah bertambah baik dalam semua bidang kehidupan” [3].

Revolusi komputer peribadi, yang bermula pada 1980-an, mula benar-benar meningkatkan produktiviti pada akhir 1990-an apabila mesin ini menjadi lebih murah, lebih berkuasa dan disambungkan ke Internet. Titik perubahan pembelajaran mendalam berlaku pada tahun 2012, apabila rangkaian saraf AlexNet memenangi kejuaraan dalam pertandingan ImageNet Sejak itu, sejumlah besar penyelidikan mula dijalankan, memberi inspirasi kepada orang ramai untuk menerapkannya dalam pelbagai bidang. Dalam lebih daripada sepuluh tahun, teknologi pembelajaran mendalam melintasi ambang industri pemboleh berskala besar.

Mengimbas kembali sejarah pembangunan pembuatan industri pintar, sentiasa ada cabaran seperti ketidakupayaan keupayaan teknikal dan algoritma untuk memenuhi keperluan aplikasi sebenar, kebolehulangan yang lemah dan kesukaran dalam melaksanakan penyelesaian, dan kos komunikasi yang tinggi antara syarikat teknologi baharu dan syarikat pembuatan. Model asas semasa (model besar) menunjukkan keupayaan umum untuk berbilang domain dan berbilang tugas Ia memecahkan "halangan" industri ini dan "menyapu" aplikasi industri dengan toleransi kesalahan yang sangat rendah dan sensitif kos dalam keadaan rendah. -cara kos dan inklusif.

Menggunakan AI untuk menyelesaikan masalah perindustrian mengandungi peluang ChatGPT ialah titik permulaan Dengan pendalaman berterusan beberapa syarikat teknologi yang berakar umbi dalam industri, semakin banyak industri memulakan "detik ChatGPT" aplikasi AI.

Atas ialah kandungan terperinci AI industri juga akan menyambut "detik ChatGPT". Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!