市值610亿美元的Databricks联合创始人兼首席执行官阿里·高德思(Ali Ghodsi)参加了风险投资公司Redpoint举办的访谈节目,在与主持人洛根·巴特利特(Logan Bartlett)对话中,他详细分析了人工智能的炒作周期,并对未来做出了大胆预测,他还分享了将Databricks扩展为市场领导者过程中最大的运营经验,以及他人生旅途中的关键时刻。
高德思在访谈中提到,AI的发展速度和成本问题是一个复杂的话题。随着AI模型的不断进步,它们的成本也在不断上升,下一代模型的开发变得更加昂贵,这种成本的增加将会导致AI发展速度的放缓。如果未来的AI模型能够显著降低成本,比如GPT-5模型的成本大幅下降,那么将会看到AI技术的加速发展,但在当前的情况下,由于成本的上升和对模型的谨慎态度,AI的发展会比预期的要慢。
他还谈到了AI的炒作周期,目前正处于这个周期的顶部,未来我们将会看到越来越多的公司在AI领域表现不佳,这可能会导致一种观点的出现,即AI技术被过度宣传,实际上并没有达到预期的效果,这种观点将会引发公众对AI技术的质疑和失望。他认为,在这种质疑之后,我们可能会看到一些真正具有革命性的应用出现,这些应用将彻底改变人类的生活,他强调,目前可能面临挑战,但AI技术的潜力仍然巨大,未来的应用将更加专注于特定任务的优化,而不是追求通用的人工智能。未来AI的应用将会更加专业化和细分化,他预测,将会有越来越多的公司专注于构建特定领域的AI应用,这些应用将能够解决具体的业务问题,并为用户带来实际价值,这种趋势将会让AI技术在各个行业中的广泛应用,从而推动整个社会的技术进步。
高德思还提到了复合AI系统的概念,这是指将多个专门化的AI组件组合在一起,以解决更复杂的问题。这种系统能够针对特定的任务进行优化,并且可以通过迭代改进来不断提高性能,这种复合AI系统将是未来AI技术发展的一个重要方向。在这种系统中,每个组件都负责处理特定的数据或任务,而整个系统则通过协调这些组件来实现更高级的功能,这种方法可以对系统中的每个部分进行单独的优化和改进,从而使得整个系统的性能得到提升。
高德思对超级智能(Super AGI)的看法则更为谨慎。有些人对于实现Super AGI抱有很大的期望,但他个人对此持怀疑态度,高德思认为,要实现Super AGI,需要一种递归自改进的循环,但目前的AI模型开发成本高昂,需要大量的人力和资源,目前的发展趋势并非朝着快速迭代和自改进的方向发展,而是越来越专注于需要一整年时间精心构建的专用数据中心和模型。因此,他预测在未来很多年内,我们仍然需要人类参与到AI的决策过程中,以确保AI技术的发展方向是正确的,并且能够为人类的工作提供加速,而不是偏离正确的轨道。他认为,对于AI技术的发展,我们需要更多的专门化和可验证的系统,而不是寻求一个能够解决所有问题的通用解决方案。
AI的可解释性也是一个关键议题。随着AI模型变得越来越复杂,理解其决策过程和结果变得更加困难。高德思指出,为了建立用户对AI系统的信任,提高模型的透明度和可解释性也非常重要,这不仅有助于用户理解AI系统的工作原理,还能在出现问题时进行有效的调试和修正,比如在医疗和金融,可解释性尤其重要,因为这些决策可能对人们的生活产生重大影响。
在AI技术的商业化和货币化策略方面,高德思认为,AI不仅仅是一个技术概念,更是一个能够推动业务增长和创新的驱动力,企业需要理解AI技术如何与他们的业务目标相结合,以及如何利用这些技术来优化流程、提高效率和创造新的收入来源。AI的商业化不仅仅是关于开发一个产品或服务,而是要构建一个完整的生态系统,包括数据管理、模型训练和部署,以及持续的监控和优化,在这个生态系统中,企业可以利用AI来分析大量数据,从而获得深入的业务分析,这些分析可以转化为战略决策和行动计划。
好文章,需要你的鼓励
CIO们正面临众多复杂挑战,其多样性值得关注。除了企业安全和成本控制等传统问题,人工智能快速发展和地缘政治环境正在颠覆常规业务模式。主要挑战包括:AI技术快速演进、IT部门AI应用、AI网络攻击威胁、AIOps智能运维、快速实现价值、地缘政治影响、成本控制、人才短缺、安全风险管理以及未来准备等十个方面。
北航团队发布AnimaX技术,能够根据文字描述让静态3D模型自动生成动画。该系统支持人形角色、动物、家具等各类模型,仅需6分钟即可完成高质量动画生成,效率远超传统方法。通过多视角视频-姿态联合扩散模型,AnimaX有效结合了视频AI的运动理解能力与骨骼动画的精确控制,在16万动画序列数据集上训练后展现出卓越性能。
过去两年间,许多组织启动了大量AI概念验证项目,但失败率高且投资回报率令人失望。如今出现新趋势,组织开始重新评估AI实验的撒网策略。IT观察者发现,许多组织正在减少AI概念验证项目数量,IT领导转向商业AI工具,专注于有限的战略性目标用例。专家表示,组织正从大规模实验转向更专注、结果导向的AI部署,优先考虑能深度融入运营工作流程并产生可衡量结果的少数用例。
这项研究解决了AI图片描述中的两大难题:描述不平衡和内容虚构。通过创新的"侦探式追问"方法,让AI能生成更详细准确的图片描述,显著提升了多个AI系统的性能表现,为无障碍技术、教育、电商等领域带来实用价值。