近日,谷歌召开了年度大会 Google Cloud Next,开场幻灯片已经表明了今年的核心信息:“旧的方式已经过时,要用新的方法使用AI。”
构建新方式,这是Google Cloud今年在美国旧金山发布一系列重大公告的焦点,在此次活动上,Google Cloud发布了一系列以AI为核心的平台增强功能,包括用于BigQuery Studio和Duet AI的新工具、虚拟机、用于构建机器学习模型和自定义分析的Vertex云服务群。
Google及其母公司Alphabet的首席执行官Sundar Pichai在大会简短的主题演讲中表示:“作为一家公司,我们已经为这一刻做好了准备,AI将是我们一生中看到的最深刻的转变之一。”
与Nvidia的合作
近几个月来,一个值得注意的趋势是,当大型企业计算公司发布任何与AI相关的公告时,Nvidia都会参与其中。前不久刚刚在美国拉斯维加斯露面讨论Nvidia和VMware的合作之后,Nvidia首席执行官黄仁勋出现在旧金山,与Google Cloud首席执行官Thomas Kurian一起宣布,用于构建大型语言模型的Google PaxML将让开发人员能够使用Nvidia的硬件,现在Nvidia的H100和A100 Tensor Core GPU将帮助驱动Google的PaxML。
Google和Nvidia的联合声明强调了这家云提供商有兴趣继续加强自己的合作伙伴生态系统,并扩大对关键群体的吸引力,同时利用企业行业对生成式AI的兴趣。
Kurian表示:“我们正在与广泛的合作伙伴生态系统展开合作,让客户能够轻松采用生成式AI和云平台。我们正在构建新的云方式。”
Google Cloud对利用其合作伙伴生态系统的兴趣可以从主题演讲舞台之外的其他例子中看出来。近日Google Cloud宣布,将把基于SAP Datasphere的集成开放数据云与Vertex AI结合起来,为SAP客户提供新的生成式AI功能。此外,AI21 Labs公司宣布开展合作,通过在Google BigQuery引擎之上提供生成式AI功能来加速模型训练和推理。
AI21 Labs公司首席执行官Ori Goshen表示:“我们认为这将为那些已经使用BigQuery的客户带来大量机会。这是一段漫长的旅程,但从某种意义上说,这只是一个开始。”
了解模型
Google在大会期间向媒体介绍其客户时,还就企业用户如何应对人们对于生成式AI的兴趣热潮提供了新的视角。德国德意志银行一直在深思熟虑地采用这项技术,确保他们能够始终参与其中,并专注于证明其构建的模型是有效的并且可以向监管机构提供解释。
德意志银行技术、数据和创新首席战略官Christoph Rabenseifner表示:“任何技术都没有免费通行证。我们必须对我们的员工进行培训,让他们了解这些模型是如何运作的,这是最重要的部分。”
生成式AI涉及到人的那一部分正在发挥重要作用。对隐私问题以及如何使用大量数据来训练AI模型的担忧,是Google Cloud此次大会上致力于解决的一个问题。
Duet AI是Google Cloud具有对话功能的嵌入式生成式AI助手,旨在筛选、组织和准备数据,以便搭配AI模型使用以满足业务需求。考虑到如何使用多个客户数据集生成模型的敏感性,一位Google Cloud高管明确表示,Duet AI将能够保护好数据隐私。
Google副总裁、Workspace总经理Aparna Pappu在主题演讲中表示:“有了Duet AI,你的数据就是你的数据,你的任何数据都不会用于训练我们的模型。”
Google的Duet AI也被定位为支持企业安全计划。Google Cloud推出了Mandiant Hunt for Chronicle Security Operations托管威胁搜寻服务,该解决方案将把Mandiant的威胁情报引入Chronicle云服务中,用于分析安全和网络遥测。
Google Cloud还集成了Duet AI across Chronicle和Mandiant Threat Intelligence,用于减少分析师在运行和优化搜索或者对复杂案例进行分类上花费的时间。
Mandiant首席执行官Kevin Mandia在主题演讲中表示:“我们利用在一线学到的知识来推动产品的发展。我们才刚刚开始利用生成式AI来确保安全,AI将为我们所有人改变游戏规则。”
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。