科技云报道:从云计算到AI大模型,云巨头生态革命迈出关键一步

本文主要是介绍科技云报道:从云计算到AI大模型,云巨头生态革命迈出关键一步,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

科技云报道原创。

2024年注定是云计算发展的关键时间节点。

过去两年多时间里,云计算行业被讨论最多的话题就是“降价”,在市场增速放缓,甚至有企业高呼“下云”的背景下,云厂商纷纷打出了“价格牌”,导致整个行业陷入到了“低水平内卷”的境地。

如今,在大模型的促进下,千行万业的智能化转型愈演愈烈,而云化算力作为灵活高效、性价比极高的算力资源获取方式,正在成为各AI厂商新的算力底座。如果说芯片是智能时代的“石油”,那云化算力就是AI发展的“新能源”。

新旧业态的转变,对云计算的影响绝不仅仅是舆论层面,属于云计算的“黄金时代”或许才刚刚开始。

下一代云,正在变得智能
IDC《聚焦平台能力,支撑智能化业务发展》报告指出,2022-2027五年间中国公有云市场年复合增长率将达到26.9%,其中PaaS增速最快,为30.5%,SaaS(软件即服务)紧随其后为28.7%。当云计算的基础设施建设完成后,中国公有云市场正在从资源驱动型延伸至技术和业务驱动。

IDC《聚焦平台能力,支撑智能化业务发展》报告

生成式AI和大模型的快速发展,也在加速推动PaaS成为下一代智能云的核心能力——作为承上启下的中间层,PaaS层既要承担IaaS层快速规模化扩张带来的压力,又要承载SaaS层软件功能沉淀下来的可平台化能力,PaaS层将成为帮助企业全方位构建和应用AI原生力的关键环节。

企业用户对云的需求变化主要体现在三个方面:在云上获得应用AI的能力、在云上获得AI加持的工具、在云上实现以智能驱动的应用创新。

IDC认为,下一代云将是按需适配企业智能化发展的“智能云”,云是AI落地和发展的土壤,AI也会助推云平台发展。技术层面,企业需要借助智能架构和系统,加速智能设施应用落地;在业务层面,企业需要利用云平台的资源管理能力,提高工作流程的自动化水平,实现智能运营;在生态层面,企业需要依赖下一代云上的智能工具,提升产品开发效率和产业协同能力,实现智能创新。

显然在经历过去十多年的发展,当云计算遇到人工智能,尤其这一波的大模型,进化中的云计算正在变得更加智能。

云计算的“第二增长曲线”
生成式AI正在席卷千行万业,想要拿到通往新时代的船票,“上云”可以说是第一选择。生成式AI需要云计算,也为云计算提供了新的驱动力。直接的例子就是坐上OpenAI“副驾驶”的微软。

4月25日,微软发布了2024财年第三财季的财报,微软云业务的整体收入为351亿美元,同比增长23%;智能云业务部门收入达到267亿美元,同比增长21%,其中Azure和其他云服务的收入增长31%,AI对Azure的收入贡献提升至7%,高于2024财年第二财季的6%和第一财季的3%。

从苹果的AI战略来看,全场最大的亮点莫过于和ChatGPT的整合。用户可以呼唤Siri,以及在全系统的写作工具中调用ChatGPT,实现聊天机器人、图像生成等功能,且这些需求会上传到OpenAI的数据中心,在云端完成。也就意味着,AI推理将长期以“云端为主”,至少是三到五年中的常态。

事实上,国内市场也早有准备。比如华为云去年9月上线的昇腾云服务,除了满足基础的AI算力需求,还提供了高效长稳的大模型训练环境和完备的工具链,千亿参数行业模型的端到端开发,从过去的5个月缩短到了1个月。

同样做出选择的还有大模型厂商。有别于2023年初疯狂囤芯片的景象,越来越多的大模型厂商开始在云上训练和推理。比如MiniMax,没有购买任何GPU,而是以相对便宜的价格租赁云算力。

不只是云厂商和大模型厂商,更多传统产业领域的大中型企业,也已经将AI和云作为战略方向。以汽车产业为例,预计未来5年智能网联汽车将超过90%的渗透率,将累计上万PB的数据量。

汽车行业的数据价值挖掘不充分,因此AI推动智能网联汽车的数据应用是必然之路,基于云服务的自动驾驶数据闭环平台,围绕算力、算法、数据构建了端到端的AI底座。

如果将资源上云、应用上云看作是云计算的“第一增长曲线”,急剧增长的生成式AI需求,将为云计算带来“第二增长曲线”,在基础资源需求逐渐饱和时,为云计算行业开辟了新的增量市场。

云巨头发力大模型生态
从去年开始,国内云巨头All in AI毋庸置疑。

从IaaS+PaaS市场来看,今年上半年创下近三年来同比增速新低。因此,大模型也就自然成为了云厂商的增长新抓手。其中,AI生态则是其重要组成部分。

实际上,早在2022年底,阿里云就提出了MaaS模型理念,而这个时间点也正是海外ChatGPT刚刚火热之时。在2023年的云栖大会上,阿里云CTO周靖人表示,截至目前,百川智能、智谱AI、零一万物、昆仑万维、vivo、复旦大学等中国一半的大模型公司,都跑在阿里云上。

在具体服务方式上,阿里云的开源社区魔搭一共提供两种服务:一是开发者可以直接调用阿里云的算力和大模型训练及推理平台,后者是阿里云为生态伙伴提供一站式的服务;二是模型的二次开发,这种服务模式则是提供模型训练和数据训练,另外还会针对具体的业务场景进行调优。

简单来看,一种是直接提供API接口,一种则是通过提供模型训练能力,帮助企业对模型进行二次开发。

腾讯云进度同样迅速。在今年年初的的腾讯云生态大会上,腾讯云公布了最新成绩单,“过去两年,腾讯云被集成收入同比增长200%”。而且发布了大模型后,腾讯云更是在被集成业务中,将80%-90%的业务收入分配给合作伙伴。

另外,腾讯云这两年一直在加速“被集成”业务。实际上,从腾讯云提出“被集成”开始,便退出了“总集成商”这个角色,再到今天的MaaS模型,腾讯云的生态模式已然发生了巨大的转变。从某种程度上讲,腾讯云的MaaS也更有助于其自身沉淀垂直领域的行业Know-How。

在过去一年中,随着这种模式的不断深入,腾讯云已经在医疗、金融、文旅、传媒、政务、教育等十个行业积累了大量的资源。

而这些垂直领域大模型大部分都是有生态伙伴配合完成的。在垂直模型的建设中,各方的角色分配十分清晰。腾讯云的工作是提供PaaS层的能力,垂直领域的大型企业来提供数据和需求,最后再由专业的垂直模型建设团队完成行业的私有化部署。

有迅速行动的还有华为云。在大模型生态方面,华为云采取面向软件伙伴、服务伙伴、咨询与系统集成伙伴三类伙伴的合作路径。

其不仅支持盘古大模型的调用,也有各类开源模型和三方商业模型的搭建,从大模型开发到定制的过程,华为云还提供数据工程、模型开发和应用开发等多种工程化套件,帮助用户构建独立的数据集,并升级基础模型。

从某种层面来看,不论是阿里云、腾讯云,还是华为云,其基于MaaS层面的生态建设相较之前态度更为开放兼容,同时也更果决,不论是算力层面还是数据层面,都有足够强的空间给到生态伙伴。

截至目前,各家的MaaS生态模型基本已成型,其以算力为底座,上层的大模型收集、标注、预训练等环节为抓手,作为生态武器,加速自身的生态构建,以为自身的大模型落地提供更强的配套支撑。

大模型时代 云厂商的“公有云”进化
实际上,从IaaS+PaaS+SaaS,到IaaS+PaaS+MaaS,这也正在云厂商在大模型时代的新盈利方式。而从亲自做SaaS到开始探索MaaS,也意味着云厂商会将“被集成”的生态模式进行到底。

而这种生态模型对应的一个必然趋势也恰是“公有云+AI”。客观来看,这种模式正在成为各家的公开选项。

从市场需求来看,一方面由于GPU算力短缺,公有云则可以极大地降低AI模型的成本。另一方面,公有云的AI大模型模式也确实能在一定程度上拉动云厂商的增长。

从目前云厂商的商业模式来看,一种是API调用,按token字数收费;另一种则是为大型企业提供二次开发的服务,前者比拼的是云厂商自身的算力积累,后者则是依托于领域伙伴。

无论是阿里云、腾讯云,抑或是华为云,在过去一段时间里除了算力侧的多重信号,最常见的便是垂直领域大模型的构建,即不论是基于本地部署还是公有云模型,先和部分垂直赛道头部企业合作进行领域数据的训练表达,最终训练出面向专有赛道的领域模型。

同时基于双方的协商,将其部分能力释放到公有云的能力模型中,进一步加持基座模型的底层能力,并且将这种能力加持到自身的产品中,比如百度文库,腾讯的腾讯会议,阿里的钉钉等等。

实际上,在大模型生态模式的探索方面,海外云厂商已经提供了一个例证。微软Azure在ChatGPT被炒得火热之时,并没有选择自研大模型,而是通过深度绑定的方式,直接基于GPT对外提供服务。

仔细观察微软的产品即可发现,其Windows、Office、Bing等软件都开发了AI Copilot助手。这样一来,微软也就形成了由云-AI-软件的商业闭环。

就现阶段而言,云计算的增长引擎已经从价格渠道逐步向需求驱动、价值驱动转变,势必会倒逼云厂商改变市场策略,将资源投入到核心领域,继而从低水平内卷重回理性增长的轨道。

如果把视角再放长远一些,AI对云计算的颠覆才露出冰山一角,过去的云服务是以功能为中心的,未来将是以场景为中心,基于大模型的能力,打破功能的边界,深入场景解决问题。彼时,云计算将渐渐剥离资源属性,成为智能世界的底层系统。

新的大幕刚刚打开,新的能量也正在整合注入,新的浪潮已经开始汹涌起来。

【关于科技云报到】

企业级IT领域Top10新媒体,又名科技云报道。聚焦云计算、人工智能、大模型、网络安全、大数据、区块链等企业级科技领域。原创文章和视频获工信部权威认可,是世界人工智能大会、数博会、国家网安周、可信云大会与全球云计算等大型活动的官方指定传播媒体之一。

这篇关于科技云报道:从云计算到AI大模型,云巨头生态革命迈出关键一步的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1109657

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

AI绘图怎么变现?想做点副业的小白必看!

在科技飞速发展的今天,AI绘图作为一种新兴技术,不仅改变了艺术创作的方式,也为创作者提供了多种变现途径。本文将详细探讨几种常见的AI绘图变现方式,帮助创作者更好地利用这一技术实现经济收益。 更多实操教程和AI绘画工具,可以扫描下方,免费获取 定制服务:个性化的创意商机 个性化定制 AI绘图技术能够根据用户需求生成个性化的头像、壁纸、插画等作品。例如,姓氏头像在电商平台上非常受欢迎,

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

从去中心化到智能化:Web3如何与AI共同塑造数字生态

在数字时代的演进中,Web3和人工智能(AI)正成为塑造未来互联网的两大核心力量。Web3的去中心化理念与AI的智能化技术,正相互交织,共同推动数字生态的变革。本文将探讨Web3与AI的融合如何改变数字世界,并展望这一新兴组合如何重塑我们的在线体验。 Web3的去中心化愿景 Web3代表了互联网的第三代发展,它基于去中心化的区块链技术,旨在创建一个开放、透明且用户主导的数字生态。不同于传统

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

读书摘录《控糖革命》

又到了每周推荐时间,这周末给大家推荐一本书《控糖革命》。身体是革命的本钱,只有保持健康的身体,才能保证持久的生产力,希望我的读者都可以身体健康,青春永驻。 推荐前,首先申明在《控糖革命》一书中,作者提出了一些颇具争议的观点,这些观点并没有经过系统的科学论证,但这并不妨碍我们从中获取一些有益的控糖建议。作者通过分享作者的个人经验和研究,为我们提供了一种全新的饮食理念,帮助我们更好地控制血糖峰值

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}