AI领域持续快速发展,特别是自DeepSeek及其追随者推出以来。许多人得出结论,企业并不真正需要OpenAI、Meta和谷歌推广的大型昂贵AI模型,而是专注于更小的模型,如拥有24亿参数的DeepSeek V2-Lite,或拥有170亿参数的Llama 4 Scout和Maverick,这些模型能够以更低的成本提供不错的准确性。然而,对于程序员来说情况并非如此,或者更准确地说,对于那些能够并将会取代许多程序员的模型来说并非如此。"越小越好"的理念也不适用于推理或智能体AI——下一个重大发展方向。
AI代码生成器需要能够处理更大上下文窗口的大型模型,能够容纳大约10万行代码。支持智能体和推理AI的专家混合(MOE)模型也很庞大。但这些大型模型通常相当昂贵,在现代GPU上每百万输出Token的成本约为10到15美元。这为新型AI架构侵蚀GPU领域提供了机会。
Cerebras Systems推出搭载Qwen3-235B的大型AI
Cerebras Systems(寒武纪AI研究的客户)宣布支持大型Qwen3-235B,支持131K上下文长度(约200-300页文本),是之前可用长度的四倍。在巴黎的RAISE峰会上,Cerebras推广了阿里巴巴的Qwen3-235B,该模型使用高效的专家混合架构来提供出色的计算效率。但真正的新闻是,Cerebras能够以每百万输入Token和每百万输出Token仅0.60美元的价格运行该模型——不到同类闭源模型成本的十分之一。虽然许多人认为Cerebras晶圆级引擎价格昂贵,但这一数据颠覆了这种看法。
我经常被问到的一个问题是,如果Cerebras如此快速,为什么他们没有更多客户?一个原因是他们之前不支持大上下文窗口和更大的模型。例如,那些寻求开发代码的人不想将问题分解成更小的片段来适应32KB的上下文。现在,这个销售障碍已经消失。
"我们看到开发者对具有长上下文的前沿模型有巨大需求,特别是用于代码生成,"Cerebras Systems首席执行官兼创始人Andrew Feldman说。"Cerebras上的Qwen3-235B是我们第一个能与Claude 4和DeepSeek R1等前沿模型相提并论的模型。凭借完整的131K上下文,开发者现在可以在生产级编码应用中使用Cerebras,并在不到一秒钟内获得答案,而不是在GPU上等待数分钟。"
Cerebras将其上下文长度支持从32K增加到131K Token——这是Qwen3-235B支持的最大值,增长了四倍。这种扩展直接影响了模型在大型代码库和复杂文档上的推理能力。虽然32K上下文足以应对简单的代码生成用例,但131K上下文使模型能够同时处理数十个文件和数万行代码,支持生产级应用开发。
Qwen3-235B在需要深度逻辑推理、高级数学和代码生成的任务中表现出色,这得益于其在"思考模式"(用于高复杂度任务)和"非思考模式"(用于高效的通用对话)之间切换的能力。131K上下文长度允许模型摄取和推理大型代码库(数万行),支持代码重构、文档编写和错误检测等任务。
Cerebras还宣布进一步扩展其生态系统,获得了DataRobot、Docker、Cline和Notion的支持。
发展方向如何?
大型AI一直在被缩小和优化,在性能、模型大小和价格方面实现了数量级的提升和降低。这一趋势无疑会继续,但会被能力、准确性、智能水平的提升以及跨模态的全新功能不断抵消。因此,如果你想要去年的AI,你的处境很好,因为它会继续变得更便宜。
但如果你想要最新的特性和功能,你将需要最大的模型和最长的输入上下文长度。
这就是AI的阴阳两面。
好文章,需要你的鼓励
第二届欧洲健康大会汇聚了全球健康领域领导者、初创企业、投资者和开发者,对当前医疗创新现状及未来发展进行年中评估。在经济不确定性和监管优先级变化的背景下,制药、健康科技和医疗服务领域都在竞相证明价值并扩大创新规模。会议涵盖了GLP-1药物兴起、真正的患者中心化、AI的潜力与陷阱,以及为大胆创新想法提供资金的途径等热点话题。
华盛顿大学研究团队开发出世界首个主动式耳机AI助手LLAMAPIE,能够在用户对话中主动提供简短关键词提醒,无需用户主动询问。该系统采用双模型架构,在真人测试中将问答准确率从37%提升至87%,同时保持对话自然流畅。这项技术为人机交互带来新突破,在教育、商务和辅助医疗等领域具有广阔应用前景。
全球风险投资资金在今年第二季度表现强劲,总资金从去年同期的820亿美元增长至910亿美元。AI公司获得400亿美元投资,占季度全球总额的45%。其中Scale AI单笔融资143亿美元创纪录。美国初创企业获得600亿美元,占全球风投资金的三分之二。2025年上半年全球风投总额达2050亿美元,同比增长32%,显示投资环境日益偏向大规模融资。
这项由Kaggle团队主导的重要研究揭示了生成式AI评估面临的严重危机。传统的测试方法在面对训练于海量互联网数据的AI模型时失效,数据泄露问题普遍存在。研究团队提出AI竞赛平台作为解决方案,其并行评估结构和成熟的防作弊机制为GenAI评估提供了可靠途径,对整个AI领域的发展方向具有重要指导意义。