作者 | 金旺
來源 | 科技行者
在今年9月的外灘大會上,螞蟻數(shù)科對外解讀了當下的“ABC”業(yè)務架構(AI服務、區(qū)塊鏈服務、云服務),這之中,行業(yè)關注度最高的是AI。
尤其是在支小寶、螞小財、AI健康管家發(fā)布后,大家對于螞蟻數(shù)科如何就AI技術進行深入布局也更加關注。
在近日螞蟻數(shù)科的戰(zhàn)略升級發(fā)布會上,螞蟻數(shù)科副總裁余濱指出,“AI不是一次革命,更多是一次全面升級,是一次革新。”
同樣是在這次發(fā)布會上,螞蟻數(shù)科對外官宣了以AI全面升級云服務產品矩陣,并推出新算力、新應用、新交互、新經營“四新”戰(zhàn)略。
那么,在產品升級中、“四新”戰(zhàn)略下,螞蟻數(shù)科有怎樣的AI解題思路?
如何做好“Cloud+”?
螞蟻金融云2015年面世,最初是將源于螞蟻自身沉淀的技術經驗從服務螞蟻自身的支付寶業(yè)務,轉向服務于行業(yè)。
先在螞蟻集團內部使用,再對外開放服務于行業(yè)客戶,這也是螞蟻集團雙輪驅動戰(zhàn)略的由來。
對于螞蟻云技術團隊而言,這樣對內對外進行云基礎設施服務的經驗,更重要是價值是為他們隨后做“Cloud+”轉型奠定了堅實的基礎。
作為曾經的支付寶數(shù)字行業(yè)事業(yè)部總經理和如今的C+業(yè)務負責人,余濱將螞蟻云服務業(yè)務發(fā)展分為兩個階段:
在2019年之前,螞蟻云服務團隊從云計算基礎設施起步,不斷強化螞蟻金融云的服務能力,直到讓螞蟻金融云成為金融行業(yè)的標準產品;
在2019年之后,螞蟻云產品更加強調“云金融”、“Cloud+”理念,螞蟻如今的拳頭云產品SOFAStack正是更貼近螞蟻內部實際需要和外部客戶需求,通過云計算、隱私計算等技術將“+”做到極致的一款產品。
余濱告訴我們,“如今走出云基礎設施圈層的螞蟻數(shù)科,不再囿于云資源,從本質上摒棄了賣更多云資源或產品給客戶的基因,而是從技術服務層面考慮如何讓客戶通過更少的資源投入做好云服務,讓維護更簡單,也更兼顧當下的異構環(huán)境。”
螞蟻正是在這樣的內部組織和業(yè)務調整中,不斷思考如何將“Cloud+”中的“+”做到極致,來一步步掃清企業(yè)數(shù)字化轉型過程中的重重阻礙。
經過這些年的發(fā)展,螞蟻數(shù)科的云產品已經從金融行業(yè)的標準產品,逐漸進入到能源電力、制造、交通等更多行業(yè),在進入到更多行業(yè)、服務更多客戶過程中,余濱將螞蟻數(shù)科“Cloud+”中的“+”總結為三大核心能力:
第一,端云協(xié)同,為了幫助企業(yè)構建一個高效的IT基礎設施,企業(yè)可以基于這樣的基礎設施構建APP、小程序等各種端并在這些端上開展業(yè)務,螞蟻數(shù)科研發(fā)了SOFAStack、mPaaS等產品,幫助客戶實現(xiàn)端云協(xié)同;
第二,多云多芯,當下企業(yè)不僅面臨多云異構環(huán)境,也面臨著多芯片算力的異構環(huán)境,螞蟻數(shù)科這些年在多云多芯上投入了大量資源做適配工作;
第三,全域增長,當企業(yè)完成IT基礎設施構建并開始開展業(yè)務后,面臨的另一個難題是,如何基于此獲得用戶增長,螞蟻數(shù)科希望將過去多年在互聯(lián)網(wǎng)業(yè)務上的用戶增長經驗產品化,并基于此對外提供服務能力。
端云協(xié)同、多云多芯、全域增長已經成為如今螞蟻數(shù)科“Cloud+”三大核心能力,基于這樣的核心能力,螞蟻數(shù)科開始服務更多行業(yè)。
與此同時,面對人工智能浪潮來襲,他們也開始思考另一個問題:
在人工智能時代,客戶真正需要的是什么,螞蟻數(shù)科到底能做些什么?
企業(yè)數(shù)智化四大難題
大模型時代的到來,讓IT基礎設施開始面臨新的挑戰(zhàn),而IT基礎設施的重構,也為軟件產業(yè)帶來了新的變革。
本就在行業(yè)中的螞蟻數(shù)科自然也感受到了這樣的變化,基于過去9年服務客戶的經驗,余濱看到了當下企業(yè)面臨著四個典型需求:
第一,基礎資源需求大,大模型帶來的靈活、彈性、高效的云上算力需求,讓越來越多企業(yè)開始構建自己的算力中心,這樣的算力需求已經遠遠大于傳統(tǒng)IT基礎設施時代的需求,與此同時,異構算力也開始成為很多企業(yè)共同面臨的一個問題。
第二,構建應用門檻高,越來越多企業(yè)意識到人工智能技術的重要性,但如何將人工智能技術在企業(yè)中落地應用卻成了一個難題,以應用構建為例,以往傳統(tǒng)應用構建邏輯已經不再完全適合,未來傳統(tǒng)意義上的應用甚至會逐漸消亡,而AI原生應用的構建門檻現(xiàn)在依然很高。
第三,上線運營難度大,隨著交互形式多樣化和終端形態(tài)碎片化,以往基于統(tǒng)一平臺的運營模式開始走向分布式網(wǎng)狀運營模式,在這一模式下,運營效率和用戶體驗的提升難度會越來越大。
第四,增長成效不顯著,也是在終端、渠道和市場碎片化的趨勢下,如何通過數(shù)字化、智能化系統(tǒng)為企業(yè)帶來真正的用戶增長變得至關重要。
面對這樣的需求,螞蟻數(shù)科在10月17日的戰(zhàn)略升級發(fā)布會上正式官宣發(fā)布全新的AI PaaS平臺,基于新算力、新交互、新應用、新經營四大戰(zhàn)略,推動全行業(yè)數(shù)字化、智能化、開放化。
余濱告訴我們,“從產品維度來看,AI不是一次革命,更多是一次全面升級,是一次革新。”
實際上,對于大部分企業(yè)而言,在成長過程中依然需要考慮如何將以往成果延續(xù)下來,基于以往業(yè)務進行AI升級,這是螞蟻數(shù)科看到的行業(yè)需求,也是此次面向人工智能領域進行AI升級的原因。
從云到端的AI原生
在人工智能快速席卷全球后,AI原生開始成為一個新趨勢。
也是在數(shù)據(jù)成為企業(yè)新型生產要素,企業(yè)面向數(shù)字化、智能化轉型時,AI PaaS變得越來越重要。
螞蟻數(shù)科云原生事業(yè)部總經理王磊稱,“在企業(yè)數(shù)字化、智能化轉型時,背后是在線業(yè)務從原來封閉信息系統(tǒng)架構向開放式互聯(lián)網(wǎng)分布式架構和智能化架構轉變的過程,螞蟻數(shù)科的AI PaaS平臺不是為了智能化而智能化,而是為了應對企業(yè)在線業(yè)務和在線系統(tǒng)智能化需求。”
而在螞蟻數(shù)科全新的AI PaaS平臺之下,螞蟻數(shù)科分別針對端智能、平臺智能、經營智能三方面,對螞蟻mPaaS、SOFAStack、螞蟻摩斯三大產品進行了智能化升級。
余濱告訴我們,“在螞蟻數(shù)科內部,我們會很直接地通過mPaaS+AI、SOFAStack+AI、Morse+AI來構建新產品線。”
就mPaaS而言,螞蟻數(shù)科是從交互智能化、端運營智能化、全終端智能化三個方面來實現(xiàn)mPaaS+AI。
以全終端智能化為例,隨著物聯(lián)網(wǎng)技術的發(fā)展,APP、小程序、數(shù)字人等軟件形式的出現(xiàn),以及智能傳感器、智能手表等硬件形式的豐富,如何通過一次應用開發(fā),實現(xiàn)多終端適配應用就成了未來在應用開發(fā)層面亟需解決的問題,這正是mPaaS+AI要解決的問題。
就SOFAStack而言,螞蟻數(shù)科正在推動SOFAStack從云原生過渡到AI原生,具體會通過智能研發(fā)、智能應用、智能運維三方面,分別從提升研發(fā)效率、降低風險防控難度、提供智能助手來實現(xiàn)SOFAStack+AI。
就Morse而言,面對未來分布式網(wǎng)狀化運營趨勢和公域、私域混合運營趨勢,螞蟻數(shù)科利用隱私計算技術、智能化能力和互聯(lián)網(wǎng)運營能力構建了全新的摩斯營銷科技平臺,幫助客戶做好用戶和業(yè)務增長。
在余濱看來,“如果將螞蟻數(shù)科全新升級的AI PaaS平臺比作人體,SOFAStack就是人體的骨骼,它可以讓我們幫助企業(yè)提高自身的科技能力;mPaaS是人體的皮膚,它可以讓我們對外提供的客戶服務交互形式更親切;Morse則是人體的血液經絡,我們可以借助隱私計算和智能化技術,讓企業(yè)內部數(shù)據(jù)和多方異構來源的用戶更好地流通、高效計算,從而全方位提高用戶增長和業(yè)務增長的效率。”
這樣的AI PaaS平臺升級,這樣的AI產品重塑,也正是螞蟻數(shù)科“C+”的AI解題思路。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。
關注智造、硬件、機器人。