Omdia：2024年值得關注的主要人工智能趨勢

今年是人工智能的關鍵一年，因為生成式人工智能正在改變?nèi)撕蜋C器的溝通方式。本文給大家分享下2024年值得關注的主要人工智能趨勢。

1.綜合數(shù)據(jù)驅動創(chuàng)新

合成數(shù)據(jù)已經(jīng)在推動大量創(chuàng)新，我們看到這些創(chuàng)新來自生成型人工智能領域本身，其中有很多較小的模型，它們的能力與OpenAI的GPT等前沿模型相媲美，令人們驚嘆不已。他們之所以這樣做，是因為他們正在接受由更大模型生成的合成數(shù)據(jù)的訓練。

在醫(yī)療保健領域，有一種使用合成數(shù)據(jù)生成患者隊列的想法，我們已經(jīng)看到一些組織根據(jù)潛在的真實患者數(shù)據(jù)生成關于患者群體的合成數(shù)據(jù)。這有助于解決有關隱私的問題，我們可以將這些問題用于特定的臨床試驗。在醫(yī)學成像領域也有一些關于合成數(shù)據(jù)生成的有趣用例。

2.企業(yè)更多的人工智能模型訓練和開發(fā)

這一年，該企業(yè)建立了人工智能訓練能力。我們應該期望看到更多的模型訓練和開發(fā)，因為基礎設施已經(jīng)就緒。另一方面，這顯然不能永遠持續(xù)下去，因為訓練AI模型的唯一目的就是對它進行推理。我們將看到，在2025年的某個時候，推理變得更加重要。

盡管人們正在推理更大的模型，但開發(fā)的前沿已經(jīng)從OpenAI或DeepMind等大型實驗室轉向開源項目。這導致了令人興奮的、較小的、通常是針對特定領域的項目的激增，大量的工作是在微調和部分訓練技術上。QLoRA將被證明是2023年甚至更長時間內(nèi)最重要的人工智能論文。因此，我們將看到發(fā)展更加民主化。

在今年的最后幾個月里，我們看到了人們對手頭任務的正確調整模型規(guī)模的重視，像微軟這樣投資于大型前沿模型的企業(yè)正在構建小型模型，例如Phi，它在推理方面的內(nèi)存占用非常小。

我們還看到IBM等硬件企業(yè)開始在數(shù)據(jù)中心和芯片中構建架構，專注于調整模型規(guī)模，以處理通常需要大量時間和內(nèi)存的事務的更小、更低分辨率。

3.“圖形數(shù)據(jù)庫之年”

將LLM和所有企業(yè)分析工作推向新水平的是將圖形功能與矢量搜索功能和矢量化相結合。我們已經(jīng)可以看到這一點開始浮出水面。在MicrosoftIgnite上，他們談論了很多關于MicrosoftGraph在支持大型語言模型方面的價值，他們希望每個人都能建立自己的副駕駛。他們之所以認為這是可行的，是因為它結合了給定企業(yè)中給定用戶在給定日期的給定工作流的知識圖譜，再加上像RAG這樣的用例來幫助模型理解給定查詢的上下文。

4.PC中更多的AI芯片

我們將看到越來越多的個人電腦內(nèi)置人工智能芯片。英特爾和蘋果基本上已經(jīng)為其他所有人決定了這一點?，F(xiàn)在AMD有一個選擇，英特爾有一個選擇，而高通則對此大肆宣傳。我們會看到很多人開發(fā)有趣的東西來在本地人工智能方面運行，我認為這尤其是因為有Mac生態(tài)系統(tǒng)，它就是一個可以開始的市場?？纯催@對加速器有何影響將會很有趣。我可以看到一類人工智能開發(fā)人員工作站PC的出現(xiàn)，或者現(xiàn)有工作站類別的加速。

5.GPU短缺問題得到緩解

不會再次出現(xiàn)芯片短缺；如果有的話，風險就在另一邊。今年在尋找各種事物的第二來源方面做了很多工作。獲得GPU的最大障礙是臺積電的片上片上基板封裝工藝，即cocos。如果你再往前看，臺積電既在擴大產(chǎn)能，也在外包部分組裝和測試工作。例如，臺積電(TSMC)和英偉達(Nvidia)與臺灣的聯(lián)華電子(UMC)簽訂了生產(chǎn)中間體的合同。三星也打算明年開放3D包裝工藝。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。