都在卷大模型底座，云計(jì)算一哥決定給底座造底座

明敏 豐色 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

由AIGC趨勢掀起的新一輪AI競賽，已經(jīng)到了白熱化階段。

就在人人爭相發(fā)大模型“秀肌肉”時(shí)，也有人不按套路出牌。

在亞馬遜云科技的最新發(fā)布上，雖然也首發(fā)了自研基礎(chǔ)大模型Titan，不過仔細(xì)琢磨就發(fā)現(xiàn)，這是“醉翁之意不在酒”，真正的主角是一個(gè)名叫Bedrock的AI平臺。

在這里可以直接通過API調(diào)用多個(gè)熱門生成式AI大模型，包括Stable Diffusion、Claude等。

有聲音評價(jià)說，這一波操作是把生成式AI上云了，并且為自家大模型“打開格局”。

這既讓人意外，但也不意外。

畢竟是全球云計(jì)算行業(yè)的“頭號玩家”，一定會在AIGC這波趨勢中留下名字。

但從實(shí)際動向來看，不是盲從趨勢，而是基于自身定位和特長，找到適合的身位。

由此不禁好奇，亞馬遜云科技究竟如何靠Bedrock殺入AIGC戰(zhàn)局？這背后有哪些趨勢？AIGC產(chǎn)業(yè)如今發(fā)展地到底怎樣了？

亞馬遜云科技的AIGC打開方式

想要理解巨頭最新發(fā)布背后的動因，還要先了解下發(fā)布的核心內(nèi)容。

簡單理解，Bedrock就是一個(gè)集成了多種生成式AI模型的平臺。

在這里可以通過API訪問的方式，快速調(diào)用業(yè)內(nèi)領(lǐng)先的大模型。如Stability AI、Anthropic、AI21 Labs和亞馬遜云科技自家的大模型。

即Stable Diffusion、Claude等，都是大家耳熟能詳?shù)纳墒紸I了。

除了這些“熟面孔”外，亞馬遜云科技首次推出了自研大語言模型Titan：

據(jù)介紹，目前Titan包括了兩個(gè)全新的大語言模型：

• Titan text：專注于生成式NLP任務(wù)，比如寫總結(jié)、創(chuàng)作博客、文字分類、對話和信息提取等；
• Titan Embeddings：用于搜索和個(gè)性化等，可將文本輸入翻譯成包含語義的嵌入編碼能夠讓搜索結(jié)果更相關(guān)和符合上下文語境，目前自家產(chǎn)品搜索中已經(jīng)用上了類似模型。

這些模型都會在Bedrock上托管，可以按需調(diào)用或進(jìn)行定制，無需管理任何基礎(chǔ)設(shè)施。

舉例來說，用戶可以將基礎(chǔ)模型與Amazon SageMaker機(jī)器學(xué)習(xí)功能集成，使用Experiments測試不同模型和使用Pipelines大規(guī)模管理基礎(chǔ)模型等。

其中定制化是Bedrock比較重要的一個(gè)功能，它支持少樣本定制和微調(diào)大模型，最少僅需20個(gè)示例即可。

而且亞馬遜云科技強(qiáng)調(diào)，在訓(xùn)練底層模型的過程中不會使用任何用戶數(shù)據(jù)。并對所有數(shù)據(jù)都進(jìn)行加密，不會離開用戶的虛擬私有網(wǎng)絡(luò)（VPC）。

平臺層向下，就是硬件基礎(chǔ)設(shè)施。

作為云廠商，自然洞察到了這波最新AI趨勢下，對算力的巨大需求。

由此亞馬遜云科技也一并宣布了兩款自研芯片實(shí)例正式可用，一款針對訓(xùn)練，一款針對推理。

首先是基于訓(xùn)練芯片Trainium的Amazon EC2 Trn1n。

與其他同類實(shí)例相比，此前的Trn1節(jié)省的訓(xùn)練成本已達(dá)50%。而通過在超大規(guī)模集群（UltraClusters）中進(jìn)行部署，還可以實(shí)現(xiàn)超過6 exaflops的計(jì)算能力，數(shù)據(jù)傳輸規(guī)模達(dá)到PB級。

這讓內(nèi)部搜索團(tuán)隊(duì)等用戶訓(xùn)練大模型的時(shí)間從從幾個(gè)月縮短到了幾周甚至幾天。

專為網(wǎng)絡(luò)密集型大模型設(shè)計(jì)的Trn1n實(shí)例，直接可提供高達(dá)1600Gbps的網(wǎng)絡(luò)帶寬，總體性能比Trn1還要高出20%。

其次是用于推理的Amazon EC2 Inf2實(shí)例。

亞馬遜云科技認(rèn)為，隨著基礎(chǔ)模型進(jìn)入大規(guī)模部署的階段，主要成本將轉(zhuǎn)移到模型微調(diào)和推理。

Inf2實(shí)例由自研的推理專用芯片Inferentia2提供支持，后者在亞馬遜云科技去年的開發(fā)者大會上首次亮相（Inferentia一代則問世于2018年）。

它專門針對千億參數(shù)的生成式大模型進(jìn)行了優(yōu)化：

與上一代相比，吞吐量提高了4倍，延遲降低了10倍，并可支持大規(guī)模分布式推理；與同類實(shí)例相比，每瓦性能比提高了50%。

除此之外，亞馬遜云科技還為普通開發(fā)者推出了完全免費(fèi)的輔助代碼編寫工具CodeWhisperer。

無論是面向行業(yè)用戶、還是C端用戶，亞馬遜云科技似乎都在想辦法讓最新的AI趨勢離大家更近一點(diǎn)。

實(shí)際上，這也是目前很多AI大廠、科技巨頭正在推進(jìn)的事，只不過各家的方法不盡相同。

那么，為什么需要搭建Bedrock這樣的AI平臺？它們會給行業(yè)帶來哪些影響？

為什么需要大模型底座？

由表及里，大概有兩層原因驅(qū)動。

首先是直接原因，行業(yè)需求。

生成式AI將會形成一個(gè)新市場，如今已是行業(yè)公認(rèn)的趨勢。

據(jù)Grand View Research估計(jì)，到2030年，生成式AI的市場規(guī)?？赡芙咏?strong>1100億美元。

這意味著在未來一段時(shí)間內(nèi)，全球?qū)写罅康男袠I(yè)和企業(yè)，尋求將生成式AI接入到自家業(yè)務(wù)中。并且速度要快，否則一不小心就會被彎道超車。

比如亞馬遜云科技就提到過，過去一段時(shí)間里他們的客戶來問得最多的問題便是：

我怎么能快速上車將它們用到自己的業(yè)務(wù)中，但又不用耗費(fèi)太多精力和money？

畢竟對于絕大部分企業(yè)來說，煉出一個(gè)自家大模型并不劃算，背后要投入的人力、物力、時(shí)間，都太多了；更何況開發(fā)難度也很高。

實(shí)際上，很多廠商已經(jīng)提供了API接口供行業(yè)用戶直接調(diào)用，但這種方法還是要求用戶自己管理基礎(chǔ)設(shè)施；如果想要構(gòu)建深入場景的定制化模型，也還是需要自己做開發(fā)，整個(gè)流程不夠高效便捷。

由此云服務(wù)就被推到了臺前。

這種基于互聯(lián)網(wǎng)給企業(yè)提供基礎(chǔ)架構(gòu)、平臺或軟件的服務(wù)，本身在靈活性、易用性和能力上都得到了行業(yè)驗(yàn)證，尤其大模型本身對云計(jì)算就有著天然的依賴性。

在生成式AI席卷而來時(shí)，不少聲音認(rèn)為這也會為整個(gè)云計(jì)算行業(yè)帶來根本性的改變，云計(jì)算的主流商業(yè)模式會從傳統(tǒng)的IaaS變成MaaS。

而近期，越來越多AIGC玩家也在順勢推出自己云服務(wù)，兜售大模型能力。

那么亞馬遜云科技的動作，則是給出了一種新范式，將多種大模型囊括在一起，放在一個(gè)大平臺底座上，讓用戶的可選擇性提升，同時(shí)發(fā)揮他們云廠商本身的優(yōu)勢，讓用戶的調(diào)用和定制化過程門檻更低、效率更高，并在安全性做出保障。

更深層次的原因在于，給大模型加底座，能夠更進(jìn)一步降本增效，這本身就符合市場和行業(yè)的發(fā)展要求。

參考數(shù)字化轉(zhuǎn)型浪潮的演進(jìn)過程，從最初的無紙化，到云計(jì)算的使用，本質(zhì)上都是降本增效的過程，讓企業(yè)可以在生產(chǎn)制造、推進(jìn)業(yè)務(wù)的過程中更高效利用資源，降低生產(chǎn)運(yùn)營成本。

最新一輪的生成式AI浪潮，亦會如此。

只是這一輪的主角不再是計(jì)算機(jī)、云計(jì)算，而是AI大模型。

未來一段時(shí)間內(nèi)，Bedrock這類AI平臺或許還會出現(xiàn)新玩家，并進(jìn)一步形成一個(gè)賽道、成為AIGC產(chǎn)業(yè)中的一層結(jié)構(gòu)。

亞馬遜云科技的做法，正是給大家示范了一下，科技巨頭在面對最新趨勢時(shí)，如何結(jié)合自身優(yōu)勢找到合適身位。

而除了大模型底座，在近期或許還會衍生出一大批“新興物種”。比如當(dāng)下軟件應(yīng)用在爭先恐后接入Chatbot，就有企業(yè)推出相應(yīng)服務(wù)幫軟件應(yīng)用接入大模型能力。

可見在當(dāng)下這個(gè)時(shí)刻，怎么把握機(jī)遇非常關(guān)鍵。

該怎么做？

AIGC玩家種類豐富，不一定都要“卷”大模型本身

前面提到，到2030年，全球生成式AI市場規(guī)?？赡芙咏?100億美元這一巨大數(shù)字。

此等規(guī)模下，自然會涌現(xiàn)種類空前豐富的玩家。

根據(jù)量子位智庫3月發(fā)布的《AIGC產(chǎn)業(yè)全景報(bào)告》，無論玩家屬于初創(chuàng)公司還是互聯(lián)網(wǎng)巨頭、專門的AI廠商/科研機(jī)構(gòu)還是生態(tài)鏈場景公司，我們都可按基礎(chǔ)設(shè)施層、模型層和應(yīng)用層將它們分為三大類。

具體而言，基礎(chǔ)設(shè)施層主要包含為行業(yè)提供數(shù)據(jù)、算力、計(jì)算平臺、模型開發(fā)訓(xùn)練平臺以及其他配套設(shè)施的企業(yè)。

其中，比如光數(shù)據(jù)這一環(huán)就分為數(shù)據(jù)提供商和數(shù)據(jù)服務(wù)商，光數(shù)據(jù)提供商就包括提供通用數(shù)據(jù)、垂直數(shù)據(jù)、特定業(yè)務(wù)下的標(biāo)注數(shù)據(jù)、符合法規(guī)的審核數(shù)據(jù)等等。

對于算力平臺來說，智算中心這類算力集群、云服務(wù)商和硬件領(lǐng)域的芯片商也都是不可或缺的角色。

模型層則主要分為專供底層通用大模型和中間層模型這兩類。

前者由于建設(shè)和提升迫切性最強(qiáng)，目前最受關(guān)注，吸引了一大批“火力”。

不過，它也相對最容易形成壁壘，因?yàn)槿瞬?、時(shí)間、數(shù)據(jù)和資金等多個(gè)方面都會形成制約。

值得注意的是，如Hugging Face、魔搭ModelScope這樣的模型站玩家，也可以歸于這一類。

至于中間層模型，則主打垂直化、行業(yè)化和細(xì)分化，可分為：

（1）中間集成商，主要組合多個(gè)接口，形成新的大模型；

（2）行業(yè)大模型商，由底層模型持有者進(jìn)行端到端提供；

（3）以及二次開發(fā)商，主要增加行業(yè)特色數(shù)據(jù)和行業(yè)認(rèn)知。

這類玩家比較適合具有特定行業(yè)積累以及技術(shù)積累的企業(yè)快速進(jìn)入。

最后，應(yīng)用層。如果按照底層邏輯來看，可以分為生產(chǎn)可直接消費(fèi)內(nèi)容、結(jié)合底層系統(tǒng)生產(chǎn)含有附加價(jià)值內(nèi)容、提供內(nèi)容生產(chǎn)輔助工具、用于提供打包內(nèi)容或解決方案這四類。

如果基于模態(tài)分，則包括文本生成、圖像生成、音頻/視頻/跨模態(tài)、策略生成等等，其中文本生成又包括應(yīng)用型、創(chuàng)作型、交互型和輔助生成。

這是創(chuàng)業(yè)最為友好的一層，當(dāng)然，關(guān)鍵卡口還是模型層玩家。

具體分類暫且不表。

重點(diǎn)是，從以上這些內(nèi)容我們可以看到，整個(gè)AIGC市場的玩家方向確實(shí)多如牛毛，而由于行業(yè)整體還處于培育摸索期，不管哪個(gè)位置都還遠(yuǎn)談不上飽和，可謂機(jī)會多多。

那么，如何找到合適的位置就成了關(guān)鍵。

如亞馬遜云科技，作為一家云廠商，偏就盯準(zhǔn)應(yīng)用層，提供打包內(nèi)容或解決方案，做上了各類大模型的接入和改造平臺。

這也傳遞了一個(gè)聲音，行業(yè)巨頭不一定非要都往大模型方向“卷”，根據(jù)市場需求和自身實(shí)力出發(fā)，即使入局較慢幾步，也能get恰到好處的落腳點(diǎn)。