开源模型还是商业模型?阿里云智能张翅提出金融企业选择大的6大挑战

“在有限算力与持续进化的算力需求之间的矛盾中,机构要如何根据业务场景选择合适的模型?开源模型与商业模型各有优劣,企业应该如何根据自身需求和资源选择合适的模型?”

5月24日,在2024阿里云金融创新峰会上,阿里云发布了业内首份金融大模型应用指南《百炼成金:大金融模型新篇章》,试图回答上述这些常困扰企业的问题,为大模型落地金融行业提供参考。

该报告由阿里云智能集团副总裁、新金融行业总经理张翅执笔,深入总结了金融企业拥抱大模型面临的挑战,揭示大模型背后的发展趋势,并描绘了如何构建金融级AI原生蓝图。

大模型是数字转型(DT)时代的产物,标志着人工智能技术的一次重大突破,尤其是在自然语言处理(NLP)、图像识别、推荐系统等领域。这些大模型,如OpenAI的GPT系列、Meta的Llama、Google的Gemini,基于Transformer架构,通过消化海量数据集进行预训练,获得了对人类语言、图像等数据的深入理解和处理能力。

在数字转型时代,大模型为企业提供了前所未有的机遇,使其能够通过高效的数据分析和决策,实现业务流程的智能化、优化客户体验和创新产品服务。从金融行业的智能投顾和欺诈监测,到医疗行业的智能诊断和药物发现,再到零售行业的个性化推荐,大模型的应用正深刻改变着传统行业的运作模式和价值链。

在《全域数据“观”》一书中,作者曾断言:“数据的下一站是智能,数据最终会走向与业务系统的数智融合”,数据消费正在由“人”变成“系统”。未来数据技术将与云原生和智能化全面融合,形成“云数智一体化”服务。云原生技术栈,为企业带来了资源弹性、异构算力、容器和微服务等技术手段,为业务创新和系统建设提供了高效、敏捷以及成本低、可扩展的解决方案;数据中台的兴起,让企业将数据库里“不会说话”的表格,转换成指标、标签、因子、特征等数据资产形态,并直接用于分析与业务决策。现如今,AI大模型正在以惊人的速度重构各行各业的业务流程与系统产品,一方面云原生为大模型训练与推理提供了资源保障,数据中台为大模型应用提供高质量语料和结构化知识;另一方面在大模型全面“智能涌现”能力的驱动下,将传统偏零散化的数据能力进一步体系化和智能化,加快BI+AI的融合,实现从“洞见”到“决策”,推动企业加速走向“云数智一体化”的终极形态,最终为客户带来更为全新的产品服务体验。

在信息技术领域,无疑地,云计算和人工智能(AI)大模型的快速发展正日益成为推动现代社会进步的两大驱动力。特别是在中国和美国,这两种技术不仅诞生并蓬勃发展,还持续引领着全球技术革命的浪潮。随着时间的推移,大模型与云计算的结合日益紧密,这种融合在推动着科技界走向新的里程碑。

首先,观察全球技术发展格局可以发现,中国和美国无疑是云技术和AI大模型诞生与创新的两大中心。这两个国家不仅拥有领先的技术研发实力,还具备广阔的市场应用场景和成熟的产业生态,促进了云计算和AI大模型技术的飞速发展,并在全球范围内形成了巨大的影响力。

进一步而言,大模型的迭代进化主要发生在云端。这是因为云计算提供了高度可扩展的计算资源,使得研究人员和开发者能够在无需自建庞大物理基础设施的情况下,进行模型的训练和部署。云平台上的弹性资源和高效管理工具为大模型的开发和优化提供了理想的环境,极大地加速了AI大模型的迭代周期,使得模型能够更快地进化和优化,更好地适应各种复杂的应用需求。

而且,大模型所遵循的scalinglaws(规模定律)正重塑着算力基础设施。随着模型规模的不断扩大,其对计算资源的需求也呈指数级增长,这一现象催生了对更高性能、更高效率算力基础设施的需求。云计算平台通过部署先进的硬件技术、优化计算资源分配和加强数据处理能力来应对这一需求,进而推动了算力基础设施的快速进化。这种进化不仅满足了当前大模型对算力的高需求,也为未来AI技术的持续创新和应用提供了坚实的支撑。

大模型与云计算的紧密结合,不仅体现在中国和美国这两个技术强国的快速发展上,更在于云端成为大模型迭代进化的主战场,以及大模型对算力基础设施的重新塑形。这种趋势预示着,未来科技的进步将在这样的融合与互动中继续加速,推动人类社会进入一个全新的智能时代。

趋势二:“AI Everywhere”大模型无处不在,成为企业数字化标配

在当今的数字化时代,大模型技术以其强大的数据处理能力和智能化水平,正逐步成为企业数字化转型的标配。其广泛的应用不仅仅局限于传统的计算中心,更是与小模型、新终端以及数据中台结合,共同构筑起一个多元化部署与互联互通的新生态,极大地深化了对数据资源的挖掘与运用能力。

首先,大模型与小模型的结合体现了模型部署的多元化。大模型因其强大的学习和预测能力,成为许多复杂任务的首选。然而,针对一些对实时性、资源消耗有严格要求的场景,小模型以其轻量级、高效率的特性,更为适合。通过将大模型预训练的强大认知能力与小模型的灵活部署结合,企业能够更高效、更经济地解决广泛的业务问题,实现智能决策和操作的优化。

接着,大模型与新终端的结合拓展了模型链接的多元化。随着物联网(IoT)的蓬勃发展,智能终端遍布生活的每一个角落。大模型不再局限于服务器端的运算,而是通过云计算和边缘计算下沉至各种智能终端,如智能手机、智能家居、自动驾驶车辆等。这种变化使得大模型的应用场景得到极大拓展,为用户带来更加丰富、便捷、个性化的智能服务。

最后,大模型与数据中台的紧密结合,促进了图像、音视频、文本等数据集的多元化。数据中台作为企业数据管理和运营的核心平台,为大模型提供了丰富、高质量的数据支持。通过有效地聚合和整合企业内外的各类数据资源,大模型可以在更加多元化的数据基础上进行训练和优化,能够处理和理解更加复杂多变的业务场景,如图像识别、语音视频处理、语言应用等,从而极大地提高了企业的业务处理能力和用户交互体验。

大模型正逐步渗透到企业数字化建设的各个层面,与小模型、新终端以及数据中台等多元化的元素相结合,进一步拓宽了其应用范围,提升了处理效率和智能水平。大模型无处不在,已经成为推动企业数字化转型的关键力量。

趋势三:“AI Native SaaS Rise”大模型企业级市场崛起,向深度化、产业化、垂直化方向发展

大模型技术的崛起已成为推动企业级市场向深度化、产业化、垂直化方向发展的关键动力。企业正越来越倾向于将这一技术作为核心驱动力,深入挖掘其在特定行业中的应用价值和潜力,进而实现智能化升级与业务创新。

首先,大模型在企业级市场中的深度化应用成为一种不可逆转的趋势。它们不仅被应用于优化传统的数据处理和分析流。

开源模型还是商业模型?阿里云智能张翅提出金融企业选择大的6大挑战

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

Scroll to top