当前位置：前瞻产业研究院 » 经济学人 » 观察家专栏

打造生成式AI应用，什么才是关键？

分享到：

科技云报到 • 2023-10-30 17:13:13 　来源：科技云报到　E3691G0

图源：摄图网

作者|科技云报道来源|科技云报到(ID：ITCloud-BD)

生成式AI作为当前人工智能的前沿领域，全球多家科技企业都在加大生成式AI的研发投入力度。

随着技术、产品及应用等方面不断推出重要成果，如今有更多的行业用户在思考该如何将生成式AI应用落地。

但开发生成式AI应用是一个充满挑战的系统工程，并不是单纯的产品和服务拼接，涉及基础设施领域一系列的挑战。

亚马逊云科技大中华区产品部总经理陈晓建表示，当我们谈论生成式AI时，大多数人都在谈论基础模型，而整个生成式AI应用就像是浮在海面的冰山，露在海面上方能被大多数人看到的冰山一角就像是基础模型，而在冰川的底部，同样需要大量的基础模型以外的服务来支撑，如加速芯片、数据库、数据分析、数据安全服务等等。

那么，想要构建一个成功的生成式AI应用，需要哪些基础设施助力？业界是否有一些最佳实践可以参考呢？

生成式AI应用构建的关键

高性价比的基础设施

都说算力、算法和数据是人工智能发展的三要素，想要让这些要素更好地与生成式AI应用匹配，高性价比的基础设施必不可少。

人工智能的发展从深度学习时代进入到大模型时代，大规模预训练模型的参数量呈现指数级上升，需要高性能算力的支撑。

目前，大规模预训练模型训练算力是以往的10到100倍，当前主流生成式AI模型的训练广泛使用到英伟达Tensor Core GPU芯片，如微软斥资数亿美元购买数万颗英伟达A100芯片以帮助Open AI打造ChatGPT。

AI计算集群能够提供大规模算力、持续提高算力资源利用率、提升数据存储和处理能力，进一步降低模型训练门槛和成本，推动生成式AI模型的落地进程。

当前较为典型的AI计算集群，例如基于英伟达最新GPU芯片H100 Tensor Core的Amazon EC2 P5实例，与上一代相比速度快6倍，训练成本节省40%；

基于亚马逊云科技自研的机器学习推理芯片Amazon Inferentia2推出的Amazon EC2 Inf2实例，与其他类似的EC2实例相比性价比高40%；

基于自研机器学习训练芯片Amazon Trainium推出的Amazon EC2 Trn1实例，与同类实例相比训练成本节省高达50%。

这也是为什么有越来越多的客户，比如Airbnb、OPPO、Sprinklr 和 Autodesk等，会选择使用亚马逊云科技的自研芯片来承载他们的生成式AI应用。

生成式AI的核心是利用机器学习领域的基础模型驱动的，从RNN、CNN到VAE、GAN，每种模型都有其独特的优点和应用领域，这些模型在很大程度上决定了AI系统的表现。

然而，基础模型的发展和迭代速度正超越以外任何一项技术，基本以月甚至天为单位持续迭代。

在众多的基础模型中，应该如何便捷安全的选择最适合自己业务场景的基础模型，是每一家企业在构建生成式AI应用时面临的挑战。

事实上，借助专门构建的生成式AI工具和基础设施，可以帮助企业快速构建高性价比的生成式AI应用。

例如，亚马逊云科技Amazon Bedrock是一项无服务器服务，提供了广泛的模型选择、数据隐私，并且能够自定义模型，无需管理任何基础设施。

该服务提供的基础模型来自Meta, Anthropic, Stability AI, AI21 Labs, Cohere等第三方领先提供商以及自身的Amazon Titan模型等，近期还加入了Meta的下一代开源大模型Llama2以及Anthropic的Claude2等热门基础模型。

同时，Amazon Bedrock与Amazon SageMaker Jumpstart结合，用户可以从Amazon SageMaker Jumpstart中选择开源的基础模型，然后根据自身需求可以选择全量微调，轻量微调等不同方式，进一步确定微调框架，利用分布式训练实现微调，从而更好的评估微调效果。

人工智能预训练模型的开发对于云服务有较大需求，AI云服务可以提供人工智能开发模块，通过多元化的服务模式，降低开发者的开发成本和产品开发周期，为模型开发提供AI赋能。

尤其是借助云原生服务，可以加速AI应用构建，助力业务敏捷创新。

比如，以微服务化和事件驱动架构为核心的设计框架，松耦合的去处理每个功能模块之间的互相依赖；Serverless First能够简化运维、提升效率；在DevOps、基础设施即服务、自动化等现代应用治理理念持续投入，可以促进企业内部的应用资产与实践的分享，构建高效敏捷的构建者文化等等。

数据作为生成式AI的关键，也将推动生成式AI的广泛应用，对于所有的组织企业来说都十分重要。

首先，面向生成式AI构建强大的数据“基座”，需要一套全面的服务，以便能够存储用于构建和微调模型的各种类型的数据；

其次，还需要服务间的集成，以打破数据孤岛，确保能够随时访问所有数据；

最后，还需要在构建生成式AI应用程序的整个生命周期中，确保数据安全并对其进行管理。

以亚马逊云科技为例，针对生成式AI领域的用户个人信息、会话信息管理、私域知识库等应用场景都提供了专门构建的数据库。

在数据集成方面，亚马逊云科技已经在Amazon S3、Amazon Aurora、Amazon Redshift、Amazon SageMaker、Amazon EMR、Amazon Athena、Amazon Kinesis等各项服务之间，实现了深度的数据集成，帮助企业执行分析和机器学习，且无需移动数据。

在数据治理方面，亚马逊云科技Amazon DataZone让客户能够跨组织边界发现、访问、共享和治理大规模数据，并减少企业内部成员访问数据和使用分析工具时繁重的工作量。

构建生成式AI

应用的行业实践

目前，由生成式AI引导的企业变革序幕全面展开，以多元应用不断创新AI应用范式，并将实践成果逐步延伸至智慧教育、智能制造、医疗等领域，真正成为人们生产生活的得力助手。

其中，在行业类应用场景中，AI助手类应用得到了广泛运用，比如在协同办公赛道就掀起了新风口：

钉钉接入千问大模型，用户可以唤起10余项AI能力如：自动整理群聊要点、生成待办、预约日程、写文案、生成海报、一键生成讨论要点等。

飞书宣布推出智能助手“My AI”，功能包括汇总会议纪要、创建报告、优化和续写文字内容等功能。

金山办公推出“WPS AI”，支持内容生成、公式生成、制作PPT、扫描识别并分析文件等功能。

而在金融、医疗、工业等领域，最具前景的应用则来自于数据挖掘和知识洞察（Insight）类工具。

但无论是哪种形式的生成式AI的应用落地，背后都离不开强大的基础设施作为支撑。

金山办公软件股份有限公司的 AI 研发总监刘强表示，今年起WPS开始将大语言模型的能力全面引入产品，致力于开发新一代办公软件。

而在构建生成式AI应用的过程中，基础模型性能有限，数据隐私与安全难以保障，高额管理成本等现实情况成为了摆在金山办公面前的重重障碍。