麦肯锡公司合伙人Bhargs Srivathsan近日在新加坡召开的会议上表示,只要运用得当,生成式AI技术有望将云迁移工作量减少30%到50%。
Srivathsan认为,“目前的进度只能说才刚刚迈出第一步。随着大语言模型(LLM)的发展成熟,将工作负载迁移至公有云的时间表将不断缩短、迁移过程效率也能随之提升。”
她建议组织先使用大语言模型对系统内的基础设施进行摸底,解析其中的短板与优势,再在工作负载转移完成后继续应用AI工具查看迁移是否切实有效。
另外,还可以利用大语言模型完成更多相关工作,例如编写架构审查委员会指南等说明材料。
这位合伙人表示,尽管不少企业才刚刚开始考虑采用AI技术,但麦肯锡所投资的企业中已经有40%在更新其IT投入。
Srivathsan认为,生成式AI与云之间属于“共生”关系。
“必须承认,如果没有公有云的普及、就不可能把生成式AI真正带入生活。而与之对应,生成式AI也能切实加快公有云迁移、并帮助用户从原有公有云中解锁脱离。”
在Srivathsan看来,生成式AI的四大核心用例分别是内容生成、客户参与、创建合成数据、以及编写代码。当然,这里的编写代码并非从零开始完成软件开发。生成式AI的编码能力主要体现在接手员工离职后无人熟悉的遗留代码,或者是将原有代码转换为新的语言形式。
她还强调,之所以说公有云比尝试内部自建模型更加靠谱,是因为企业用户往往不具备充足的GPU储备。而且市面上现成商用模型的成本也比自行训练更加低廉。
Srivathsan指出,对于身处受监管行业、掌握大量专有数据或者担心知识产权遭到侵犯的用户,还可以设置相应的护栏。
在她看来,大语言模型在未来五、六年时间内将主要运行在超大规模基础设施环境当中,直到模型发展成熟。而且跟很多人想象中不同,其实生成式AI的实现并不一定压根那么夸张的算力储备,毕竟很少有用例会对延迟提出如此严苛的要求。
也就是说,除非是特斯拉上运行的自动驾驶功能、或者负责指挥制造车间实时运行的软件,否则确实没必要把硬件堆得太满。
另外,多数情况下也没必要使用定制或大规模模型。
这位麦肯锡合伙人评论称,“很多企业都以为自己需要买辆超级跑车来送披萨。当然用不着喽,真正符合需求的模型往往没那么复杂、也没那么大。举例来说,生成客服支持脚本肯定没必要动用650亿参数的大体量模型。”
但她同时给出建议,如果开发人员正在访问自己本不该接触到的非专有模型或数据,则务必要在组织内外之间添加API网关来建立起“实时警报”机制。
好文章,需要你的鼓励
OpenAI在最新博客中首次承认,其AI安全防护在长时间对话中可能失效。该公司指出,相比短对话,长对话中的安全训练机制可能会退化,用户更容易通过改变措辞或分散话题来绕过检测。这一问题不仅影响OpenAI,也是所有大语言模型面临的技术挑战。目前OpenAI正在研究加强长对话中的安全防护措施。
北航团队推出VoxHammer技术,实现3D模型的精确局部编辑,如同3D版Photoshop。该方法直接在3D空间操作,通过逆向追踪和特征替换确保编辑精度,在保持未修改区域完全一致的同时实现高质量局部修改。研究还创建了Edit3D-Bench评估数据集,为3D编辑领域建立新标准,展现出在游戏开发、影视制作等领域的巨大应用潜力。
谷歌宣布计划到2026年底在弗吉尼亚州投资90亿美元,重点发展云计算和AI基础设施。投资包括在里士满南部切斯特菲尔德县建设新数据中心,扩建现有设施,并为当地居民提供教育和职业发展项目。弗吉尼亚州长表示这项投资是对该州AI经济领导地位的有力认可。此次投资是谷歌北美扩张战略的一部分。
宾夕法尼亚大学研究团队开发出PIXIE系统,这是首个能够仅通过视觉就快速准确预测三维物体完整物理属性的AI系统。该技术将传统需要数小时的物理参数预测缩短至2秒,准确率提升高达4.39倍,并能零样本泛化到真实场景。研究团队还构建了包含1624个标注物体的PIXIEVERSE数据集,为相关技术发展奠定了重要基础,在游戏开发、机器人控制等领域具有广阔应用前景。