金磊 發自 凹非寺
量子位 | 公眾號 QbitAI
現在的AI實力,迅猛,著實是有些迅猛。
誰能想到,只需要給AI 幾秒鐘時間,它就能把 全球天氣給預測完畢。
如果非要給這個預測一個期限,AI會說:
未來 7天的量,小菜一碟~
而且這種AI的打開方式,還是快準狠的那種——
比傳統預測方法在速度上提升1000倍的同時,精度還能提高20%。
同樣的,若是把“百萬人基因組計劃”這事兒交給AI,結果也是一個大寫的“萬萬沒想到”:
單日可以分析的數據量超過1PB。
啥概念?
相當于1024個1TB硬盤數據擺在你面前,且,需要在一天時間內處理掉。
不僅如此,這跟以往采用的HPC (高性能計算)相比,不僅速度上提高了10倍,成本還降低了30%!
……
肯定有很多好奇的友友們就要問了,“到底是啥AI這么強啊?”、“夠靠譜嗎?”……
不墨跡,直接揭曉謎底——
如此AI power,正是來自 華為云。
華為云的這般速度,是怎么做到的?
剛才提到的兩個案例,是華為云CEO張平安最新發布的兩大利器——
華為云盤古氣象大模型和 華為云AI基因平臺。
但要究其為何能有如此power,還需從華為云技術的路線上一點點剖析。
首先,從最底層來看,華為云有三大 根技術做強力支撐。
它們分別是:
知識計算
盤古大模型
天籌AI求解器
知識計算,顧名思義,就是從海量數據或生產流程中提煉出知識,進而轉化加工,讓“機器”對其進行計算。
而在此之前,各行各業在“把知識用起來”這件事上,都面臨著散、慢、難的痛點。
散,意味著數據非常零碎,知識也是分散在不同的業務里,工作人員學習起來既耗時又費力。
慢,是指很多專業知識大多在專家們的腦袋里,沒法快速地“復制”給團隊其他人員。
難,則是不能通過智能推理挖掘數據之間的隱藏關系,無法通過計算讓數據產生新的價值。
通過上述技術便可以獲取數據中的知識,而后進入知識建模階段,具體包括圖嵌入、知識融合、本體設計、知識更新等。
基于此,便可再進入到知識管理階段,主要內容有質量管理、知識補全和生命周期管理。
除了知識計算之外,華為云在根技術上第二大法寶,便是 盤古大模型。
華為云盤古大模型發布于2021年4月,它的初次登場,所涵蓋的內容主要包括當時熱門的四大領域:
自然語言處理 (NLP)大模型、計算機視覺 (CV)大模型、多模態大模型和科學計算大模型。
其主要解決的痛點則是AI規模化復制以及AI行業落地難的問題,以煤礦場景為例,華為云最新推出的盤古礦山大模型支持一個大模型覆蓋煤礦的采、掘、機、運、通等業務流程下的1000多個細分場景。
開發者無需針對每一個場景重復開發AI模型。簡而言之,預訓練大模型開啟了新的開發范式,就是從“作坊模式”轉變為 “工廠模式”。
具體來說,就是“預訓練+下游微調”,擁有極強的泛化能力,可以做到舉一反三。
而經過一年的時間,在基礎大模型上,華為云又增添了一位猛將“Graph大模型”。
不僅如此,衍生到行業大模型,除了剛才提到的氣象大模型、礦山大模型之外,還包括OCR大模型、藥物分子大模型、焦化大模型和水泥大模型等。
在此之上,具體到更多場景,華為云盤古大模型還有眾多細分內容。
根技術上的第三大法寶,便是 天籌AI求解器。
天籌AI求解器是業界首個將AI和數學規劃結合的商用AI求解器,它在行業中的作用可謂是至關重要。
因為在過去的決策優化工作中,往往會遇到先將業務語言轉換成數學模型,再轉換成變成語言的過程。
這就需要既要懂業務、又要懂運籌學、還要懂編程的專家,應用門檻極高;加上市場環境變化越來越快,導致決策的時效性變得越來越重要,而傳統求解器模型難以快速迭代。
在華為全聯接大會2022上,華為云全新發布天籌AI求解器智能建模工具,不僅可以快速解決決策優化問題,而且可以將整個建模過程和模型維護過程智能化,求解器建模速度提高了30倍。
三大根技術是有了,但怎么用起來,又是一個問題。
對此,華為云提出的解法是AI開發生產線—— ModelArts。
它的作用簡單來說就是從訓練數據到模型落地一站式打通,包括數據標注和處理、模型訓練和評估、應用生成和評估,還有推理部署、服務檢測等等。
不難看出,華為云在“把AI用好”這件事上,每個細節、環節都是下足了功夫。
此舉的目的,張平安直言不諱地道出了緣由:
加速千行百業智能化, 應用需要現代化。
而要做到應用現代化,單靠華為云的根技術來做到服務創新是遠遠不夠的。
為此,華為云還發布了 Astro低代碼平臺和 DevCloud開發云。
推出華為云Astro低代碼平臺的目的,就是讓人人都能夠成為開發者。
因為應用在現實中面臨的一個痛點是,開發人員很懂技術,但使用者卻并非如此。
所以華為云的解法,就是讓使用者也成為開發人員。
不同于當前低代碼平臺所面臨的的場景單一、無法支持跨場景的數據互通和資產復用等問題。
華為云Astro低代碼平臺,覆蓋輕應用、IOC大屏、工作流、智能助手、復雜應用等多種開發場景,可以沉淀可復用資產,加速應用構建。
舉一個比較實際的例子,長安汽車在用了華為云Astro低代碼平臺后,應用開發周期,直接從3個月降到了9天!
而應用現代化還要解決的一個老大難問題,就是協同開發。
畢竟隨著數字化進程的不斷加快,數據、模型和數字內容在應用開發中的相互調用可以說是越發常見。
為此,華為云融合了華為云多種生產線能力,推出DevCloud開發云。
它可以支持數據、AI模型和數字內容的協同開發、按需編排,能夠讓應用開發者、數據工程師、AI科學家們在同一平臺上工作。
如此一來,他們便可以共享研發能力和資產,提升多團隊的協同效率,更快地構建現代化應用。
在這么一套應用現代化打法之下,華為云便讓影視渲染這事,變得極其高效——推出 華為云MetaEngine云原生智能渲染引擎。
原本需要耗時6個月才能完成渲染的90分鐘3D電影,在MetaEngine加持之下,只需要7天!
而現在已經上映的《獵海日志》、《少年歌行》等,所用到的技術正是它。
這便是華為云應用現代化的AI power了。
但如果再往背后深究一層,可以發現應用現代化,只是華為云下得一盤大棋中的一步。
華為云,讓算力無處不在
華為云的這盤大棋,名曰 “一切皆服務”。
而加速應用現代化,只是三步中的一步。
向下來看,在“基礎設施即服務”層面上,華為云要做的構建全球存算網—— KooVerse。
若是把KooVerse拆分來看,它包括CloudOcean、CloudSea和CloudLake三層架構,可以打造30ms的時延覆蓋圈,滿足不同企業業務的時延要求。
而縱觀來看,低時延、安全、易用是KooVerse的三大特色,目前華為云在全球29個地理區域運營了75個可用區,服務覆蓋了170多個國家和地區。
至于為什么要這么做這么一張大網,是因為在華為云看來,算力應當是無處不在的。
就好比是農業時代的水力 、工業時代的電力,算力應當是數字時代下的核心生產力。
而再向上看,在加速應用現代化的上層,還有讓產業上云。
其目的就是讓傳統企業加速數字化轉型,快速上云。為此,華為云最新發布了電力aPaaS和公路aPaaS。
以公路aPaaS為例,華為云目前沉淀了300多個交通行業API,覆蓋了公路的建、管、養、運、服全生命周期。
寧波交投集團便已經用上了這項服務,利用它事故快速發現和交通態勢智能預測能力,可以準確發現十多種類型交通事故并提供疏導策略。
由此,華為云的這盤大棋已經非常清晰明了了:
讓算力遍布全球唾手可得,讓應用更具現代化,讓產業加速上云。
一言蔽之,就是上云和AI,成為一種基礎設施、行業的底座。
如何評價華為云下的這盤棋?
若是用一句話來概括,或許就是“大勢所趨”了。
縱觀華為云這次的種種發布,以及這盤棋的整套打法,貫穿一切的核心因素,便是 AI技術。
這也是與外界給予“技術暴力輸出機”的評價相吻合了。
但若是橫向來看這事,這套打法背后的緣由就會更加清晰。
據Gartner預測,人工智能在行業中的滲透率將在2026年達到20%。
而若是把時間線稍微向前播,在2018年人工智能的行業滲透率僅為4%;到了2021年,這個數字已經達到了7%。
不難看出,這個滲透率的增幅也是在提速過程當中。
不僅如此,Gartner還預測道:
到2027年,超過50%的企業將使用行業云平臺來加速他們的業務項目。
而從現階段的成效上來看,亦是如此:
AI+制造:工業質檢率提升14%
AI+法務:卷宗審核降低人工成本50倍
AI+藥物研發:研發周期縮短10倍
AI+金融:企業異常財務檢測率提升20%
……
再從國家政策層面上來看,近年來國家也在陸續出臺多項政策,鼓勵人工智能行業發展與創新。
如此看來,就不難理解為何華為云會如此執著地發力于AI和云了。
以及,張平安此次提出的“一切皆服務”,其本意是指各種XaaS。
這是對云服務的進一步高度提純,云本身就是云計算即服務,現在則在AI加持下,可以提供一切服務。
有點意思。
— 完—
來源:量子位
IT時代網(關注微信公眾號ITtime2000,定時推送,互動有福利驚喜)所有原創文章版權所有,未經授權,轉載必究。
創客100創投基金成立于2015年,直通硅谷,專注于TMT領域早期項目投資。LP均來自政府、互聯網IT、傳媒知名企業和個人。創客100創投基金對IT、通信、互聯網、IP等有著自己獨特眼光和豐富的資源。決策快、投資快是創客100基金最顯著的特點。
小何
小何
小何
小何