Кейс Lilli от McKinsey предоставляет ключевые идеи для развития корпоративного AI рынка: Передовые вычисления + потенциальные рыночные возможности маломасштабных моделей. Этот AI помощник, объединяющий 100 000 внутренних документов, не только достиг 70% уровня усвоения среди сотрудников, но и используется в среднем 17 раз в неделю, что является редким уровнем привязанности для корпоративных инструментов. Ниже я поделюсь своими мыслями:
Безопасность данных предприятий является проблемой: основные знания и активы, накопленные McKinsey за 100 лет, а также специфические данные, накопленные некоторыми малыми и средними предприятиями, имеют высокую чувствительность к данным и не подходят для обработки в публичном облаке. Как исследовать баланс, при котором "данные не покидают локальную сеть, а возможности ИИ не ухудшаются", является реальной рыночной необходимостью. Передовые вычисления - это направление для исследования;
Профессиональные малые модели заменят универсальные большие модели: корпоративным пользователям не нужны "модели с миллиардами параметров и универсальные функции", а профессиональные помощники, способные точно отвечать на вопросы в определенных областях. В этом отношении существует естественное противоречие между универсальностью больших моделей и их профессиональной глубиной, в корпоративных сценариях чаще всего больше ценятся малые модели;
3）Баланс затрат на собственную AI инфраструктуру и вызовы API: хотя комбинация передовых вычислений и небольших моделей требует значительных первоначальных вложений, долгосрочные операционные расходы значительно снижаются. Представьте себе, если AI большая модель, часто используемая 45000 сотрудниками, поступает через вызовы API, то возникающая зависимость, рост масштабов использования и увеличение комментариев сделают создание собственной AI инфраструктуры разумным выбором для средних и крупных компаний;
Новые возможности на рынке периферийного оборудования: обучение больших моделей невозможно без высококлассных GPU, но требования к оборудованию для периферийного вывода совершенно иные. Чипмейкеры, такие как Qualcomm и MediaTek, ориентированные на оптимизацию процессоров для периферийного ИИ, получают хорошие рыночные возможности. Когда каждая компания стремится создать свой "Lilli", разработанные специально для низкого энергопотребления и высокой эффективности периферийные ИИ-чипы станут необходимой инфраструктурой;
Децентрализованный рынок web3 AI также усиливается: как только потребности предприятий в вычислительной мощности, дообучении, алгоритмах и т.д. на малых моделях будут активированы, вопрос сбалансированности распределения ресурсов станет актуальным. Традиционное централизованное распределение ресурсов станет проблемой, что непосредственно создаст большой рыночный спрос для децентрализованной сети дообучения малых моделей web3AI, платформы децентрализованных вычислительных услуг и т.д.;
Когда рынок все еще обсуждает границы универсальных возможностей AGI, радует видеть, что многие корпоративные пользователи уже извлекают практическую ценность из ИИ. Очевидно, что по сравнению с прежними монопольными скачками в вычислительной мощи и алгоритмах, когда рынок сосредоточен на Передовых вычислениях + небольших моделях, это приведет к большей рыночной активности.
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Анализ Lilli от McKinsey: какие идеи для развития предоставляет она рынку ИИ для бизнеса?
Кейс Lilli от McKinsey предоставляет ключевые идеи для развития корпоративного AI рынка: Передовые вычисления + потенциальные рыночные возможности маломасштабных моделей. Этот AI помощник, объединяющий 100 000 внутренних документов, не только достиг 70% уровня усвоения среди сотрудников, но и используется в среднем 17 раз в неделю, что является редким уровнем привязанности для корпоративных инструментов. Ниже я поделюсь своими мыслями:
Безопасность данных предприятий является проблемой: основные знания и активы, накопленные McKinsey за 100 лет, а также специфические данные, накопленные некоторыми малыми и средними предприятиями, имеют высокую чувствительность к данным и не подходят для обработки в публичном облаке. Как исследовать баланс, при котором "данные не покидают локальную сеть, а возможности ИИ не ухудшаются", является реальной рыночной необходимостью. Передовые вычисления - это направление для исследования;
Профессиональные малые модели заменят универсальные большие модели: корпоративным пользователям не нужны "модели с миллиардами параметров и универсальные функции", а профессиональные помощники, способные точно отвечать на вопросы в определенных областях. В этом отношении существует естественное противоречие между универсальностью больших моделей и их профессиональной глубиной, в корпоративных сценариях чаще всего больше ценятся малые модели;
3）Баланс затрат на собственную AI инфраструктуру и вызовы API: хотя комбинация передовых вычислений и небольших моделей требует значительных первоначальных вложений, долгосрочные операционные расходы значительно снижаются. Представьте себе, если AI большая модель, часто используемая 45000 сотрудниками, поступает через вызовы API, то возникающая зависимость, рост масштабов использования и увеличение комментариев сделают создание собственной AI инфраструктуры разумным выбором для средних и крупных компаний;
Новые возможности на рынке периферийного оборудования: обучение больших моделей невозможно без высококлассных GPU, но требования к оборудованию для периферийного вывода совершенно иные. Чипмейкеры, такие как Qualcomm и MediaTek, ориентированные на оптимизацию процессоров для периферийного ИИ, получают хорошие рыночные возможности. Когда каждая компания стремится создать свой "Lilli", разработанные специально для низкого энергопотребления и высокой эффективности периферийные ИИ-чипы станут необходимой инфраструктурой;
Децентрализованный рынок web3 AI также усиливается: как только потребности предприятий в вычислительной мощности, дообучении, алгоритмах и т.д. на малых моделях будут активированы, вопрос сбалансированности распределения ресурсов станет актуальным. Традиционное централизованное распределение ресурсов станет проблемой, что непосредственно создаст большой рыночный спрос для децентрализованной сети дообучения малых моделей web3AI, платформы децентрализованных вычислительных услуг и т.д.;
Когда рынок все еще обсуждает границы универсальных возможностей AGI, радует видеть, что многие корпоративные пользователи уже извлекают практическую ценность из ИИ. Очевидно, что по сравнению с прежними монопольными скачками в вычислительной мощи и алгоритмах, когда рынок сосредоточен на Передовых вычислениях + небольших моделях, это приведет к большей рыночной активности.