o1的核心还是要证明“规模效应”(scaling law)的存在——模型的规模越大，模型越聪明。 GPT-3的数据集约为1亿，而GPT-4的数据集达到了1-2万亿。 理论上，o1模型证明，只要愿意投入更多的成本，增加算力和数据的投入，模型的“聪明程度”依然能够继续叠加。 我们看到，o1模型的表现已经不亚于博士生水平，特别是在一些挑战性任务中。 例如，在国际数学奥林匹克（IMO）考试中，GPT-4o的正确率仅为13%，而o1的正确率高达83%。 在代码能力上，o1模型也排在前89%，达到了非常优异的一个水平。 与此同时，全球范围内的开源模型进展也非常迅速。 海外Meta推出的Llama 3，还有国内的开源模型，如通义千问和智普，都是同等代际的开源模型。 开源模型的发展，会为应用未来的落地提供非常好的基础。 个性化方案 生成成本会大幅降低 最近，智能体（Agent）这一概念受到了广泛关注。 举个例子，相比于过去的模型是一个“人”，Agent更多是一个团队或者说小组的概念。 Agent是要有一个分析问题、理解问题，最后去解决问题的总揽能力，根据任务来准确地生成业务的执行流，然后再分工给不同的专家模型。 专家模型可能各有所长， 有的擅长解决数学问题，有的擅长解决代码问题，有的擅长解决图像问题等等，最终形成一个协作的智能群体。 这个时候，个性化方案的生成成本会大幅降低，模型与模型之间的摩擦成本也会大幅降低。 我们反推回来，这在人类的历史中也是很相似的。 比如说在医疗行业，现在多学科的会诊，随着现代医疗越来越细分，也变得很常见。 另外比如说在金融服务中，怎么提供个性化的金融服务方案？ 在教育里，怎么提供个性化的教育？ 这都会带来耳目一新的产品。 像微软在365 里面，集成了全新的 AI agent。 国内算力 最大机会还是在国产化 回过头来看，我们展望 2025 年，国内算力最大的机会，还是在国产化这条线上。 首先，我们简单分析需求， scaling law的核心就是，不管是基于训练的需求，还是推理的需求，模型越大，效果就越好。 所以从这点上来讲，主流大厂应该还是会不断去卷模型的效果。 这个背后，算力支撑的规模，就会变得非常重要。 我们现在看下来，如果想要在大模型的训练端有所建树，至少是要万卡，甚至未来是 10 万卡的
=*=*=*=*=*=
当前为第3/6页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页