“戴爾科技集團也不例外，我們很快就找到了380個能夠用上生成式AI的項目?！?戴爾科技集團全球首席技術官John Roese表示。
短短一年之間，人們見證了AI技術及應用的火爆，以及由此導致的算力緊缺，還有雨后春筍一般推出的大模型。在生成式AI的裹脅和帶動之下，2024年，人類將自覺或不自覺地步入生成式AI的次年。
“ChatGPT和其他的生成式AI系統的崛起和出現，整個行業都在討論和理解GenAI，并逐漸轉向實踐。GenAI乃至AI將繼續主導2024年的話題?！痹谶@個關鍵的時間節點，John Roese 就明年技術走勢發布預測并進行展望，為IT、互聯網廠商以及更多的行業企業專業人士指引了技術路線和業務創新方向。他指出，與GenAI一道，零信任、邊緣計算以及量子計算，將共同成為明年四大趨勢。
趨勢詳解：挑戰與機遇并存
John Roese認為，生成式AI仍將成為2024年的重點話題。不過，雖然Google、OpenAI、阿里巴巴等眾多企業和機構陸續推出了生成式AI相關技術，但由于大語言模型的訓練成本高昂，垂直行業難以直接將其投入使用。2024年，市場會逐漸懂得如何讓這些AI系統進入業務應用階段，讓越來越多的企業借助大模型真正地產生生產力。
當然，要達到這一目標，企業正面對諸多的挑戰。
其一是推理的信息基礎架構及規模。也許需要數十萬臺服務器，以及難以預料的開發維護人員數量。大模型投入應用，意味著使用高科技的成本將從訓練的成本轉向運營成本。如何以有限的資源最大限度滿足疾速增長的最急迫的那些客戶需求？
其二，在多云環境下，云提供商大都是在數據中心來提供服務。在實際環境中，數據并非完全存儲在數據中心，而分散在工廠、在醫院、在運行的車上……這就要求云服務商以及服務堆棧為每一個應用來構建自己的邊緣，也意味著同一家用戶將有眾多的邊緣、眾多的數據孤島。推理過程應該部署在何處來完成——是數據中心，還是在邊緣？很明顯，必須在客戶最近的地方。那么，如何搭建一個統一的、共同的基礎架構，其上既有軟件又有硬件的編排，可以以軟件定義的方式來支撐業務？
其三，當今的網絡安全通常屬于被動的反應型，當發生安全問題后，用戶才會部署解決方案來應對，但悲劇往往已經造成。同理，當推理從數據中心走向邊緣端，貼近制造工廠、運輸網絡中心和客戶身邊，風險就越來越大，需要的安全保護措施的模式和等級逐漸提升。沒有任何人、任何企業是完全安全的，所有的人、app以及設備都需要進行識別和驗證，發現隱患即實時阻止。這就是零信任。如何部署零信任以確保推理基礎架構的最高度安全？
針對上述挑戰，John Roese表示，這些在戴爾科技集團的產品組合中已經提供了理想的答案：具有性價比優勢的服務器產品，已經能夠用于訓練和推理，系列創新型存儲系統，已經用于生產階段的AI；而在邊緣側，戴爾科技過去兩年來發布的幾乎所有產品都帶有AI加速器，通過和包括數據公司在內的生態開展大量密切的合作，可確保打造和交付正確的基礎架構來支持企業級生成式AI的應用。安全方面，戴爾科技已經在自己的邊緣產品解決方案中采取零信任政策?！?/p>
左手AI，右手量子計算
在John Roese看來，量子計算在明年就會發生，未來5年內還會顯著發展。為什么他如此堅信認為量子計算和GenAI將會密不可分？原因在于量子計算的獨特優勢。他舉例說，生成式AI是一個軟件系統，它能生成解答各種問題的答案，但這都屬于概率計算范疇。而量子計算具備無限處理數據的能力，在無限的回答中選擇最好的答案。
“借助量子計算對GenAI進行優化，你將會發現GenAI將更加高效、運行得更好。也許你突然發現，GenAI比現在你所看到的快100萬倍！” John Roese說，這一天不知什么時候會到來，但那時產生的影響和ChatGPT剛剛問世時給人們帶來的驚喜是一樣的！
需要指出的是，AI不僅與量子計算緊密融合，跟邊緣也一樣在彼此融合。
John Roese解釋說，大量的推理都是將交易數據納入到一個模型中，這在企業的生產環境中通常需要實時回應。但大量的數據往往來自邊緣端，經過處理后再返回到邊端，如果延遲過長，不僅影響業務運轉，還會造成不好的體驗。引入AI，不僅有效地化解效率難題，而且還能提升數據的安全性。
當越來越多的企業踏入大模型賽道，同質化、重復開發的現象日趨嚴重。大模型如何才能更健康更長久地發展？
John Roese很自豪地表示，當大部分的企業都沒有和大語言模型打交道的時候，戴爾科技集團就已經在這個領域展開了探索和研究，并且富于成果。
例如，基于生成式AI的大語言模型對絕大多數企業而言都是一個全新的工作負載，現有計算基礎架構很難支持。他建議，有需求的企業對現有IT基礎架構重新設計，不斷地調優。戴爾科技也因此推出了計算的新的類型——加速器計算，幫助實現數據集之間的連接。同時，針對業務需求對基礎設施進行對應的投資，既避免算力不足，也防止算力過剩、產生浪費。
大模型成功應用的核心基礎是數據的質量。一個好的數據生態系統是訓練GenAI的關鍵，企業必須重點關注自己的數據集，解決它在哪里，來自何方，如何采集，什么格式，有否偏見等等問題。John Roese建議，必要的時候可借助其他的大語言數據模型來檢測第一個大語言數據模型（LLM），在壞數據和好模型之間建立了一道防火墻，實現對混亂數據的有效清理。
John Roese強調，2024年將是AI大發展的第二年，而量子計算將進一步加速AI的落地。這一切，離不開更加先進的硬件，也需要把推理基礎架構部署到正確的位置，推理必須要緊貼數據，零信任的價值只有在新的環境中才能最大化。
“從2022年11月到如今，人類在AI領域的創新成果令人矚目?！盝ohn Roese感慨地說，“AI已經成為整個宇宙討論的中心，但我們也要注意到，2024年會有各種各樣的技術通過互聯互通、相輔相成來加速AI落到實地，第一批企業級的生成式AI的系統將投入生產和推理?！?
全面擁抱AI，或被AI拋棄；戴爾科技集團的預測為企業、機構和個人，指明了方向。值得一提的是，12月11日至12日在北京舉行的中央經濟工作會議提出，要加快推動人工智能發展，開辟量子、生命科學等未來產業新賽道，廣泛應用數智技術、綠色技術，加快傳統產業轉型升級。
聰明的你，一定能“嗅”出點什么來！
