这样大规模的投资,除了因为生成式AI已经成为全球科技发展的下一项关键技术,更重要的是,生成式AI烧钱速度已经不亚于半导体产业。
据此前国盛证券预测数据显示,GPT-3训练一次的成本约为140万美元,对于一些更大的LLM模型,训练成本介于200万美元至1200万美元之间。
面对如此烧钱的生成式AI,如何让这样的产品和项目适配市场,就成了推动这项技术早日完成商业闭环,推动市场成熟的关键。
11月16日(本周六),在即将召开的2024 AI创新者大会暨PEC·提示工程峰会上,我们邀请到了中关村智用人工智能研究院首席产业研究员、清研载物人工智能基金主管合伙人钱雨、北京凯利时科技有限公司董事长、CEO刘建宏、小水智能CEO孙雪峰、北电数智智算云负责人郭文、清控科创科招中心总监李雅几位AI领域投资人、创业者和产研专家。
由至顶科技战略生态总监孙封蕾与这几位专家进行一场深度对谈,一起聊一聊——创业还是创收,如何帮AI产品适配市场?

好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。