您的企业将依赖数百个人工智能模型。这就是为什么

我们正在采用一种人工智能的“集成”方法，该方法对每个输出同时使用多个模型。然而，IT 经理担心容量和成本。

正如大多数组织更喜欢适合各种用途的多云选项和多个数据库一样，每个用途都有一个人工智能 (AI) 模型。对 1,000 多名 IT 决策者的调查发现，最先进的人工智能采用者正在同时利用数百个模型。

我们现在正处于“多模型人工智能”时代。根据标准普尔全球市场情报 (S&P Global Market Intelligence) 并由 Vultr 承销的调查显示，目前运行的不同人工智能模型的平均数量为 158 个，预计明年这一数字将增至 176 个。

最高级用户报告平均使用 175 个型号，预计年内将增长 14% 至 200 个型号。人工智能成熟度第二高的受访者预计模型数量同比增长 18%。接受调查的管理者中有三分之二 (66%) 正在构建或开发自己的模型或使用开源模型。

跨不同用例部署多个模型有实际原因。例如，麻省理工学院的一份报告研究了一个系统的示例，该系统使用三个经过语言、视觉和动作数据训练的模型来帮助机器人制定和执行家庭、建筑和制造任务的计划。麻省理工学院的研究人员表示：“所采用的每个基础模型都捕获了决策过程的不同部分，然后在做出决策时协同工作。”

正如 Erica Dingman 在 MovableInk 的一篇文章中所描述的那样，正在出现的是一种人工智能的“整体”方法，涉及在每个输出中同时运行的多个模型。 “单个模型和合奏模型方法之间的区别类似于单个小提琴与整个管弦乐队的区别，”她说。

“虽然每种工具都能带来价值，但几种工具的共同作用会创造出真正神奇的东西。”此外，采用不同的数据集和“不断更新和训练的模型集合”可以帮助减少或消除人工智能输出中的偏差。

支持人工智能模型或由人工智能模型提供支持的系统的广泛分布和多样性也支持了模型的扩散。例如，标准普尔和 Vultr 的调查显示，人工智能正日益走向边缘。

该调查的作者表示：“分布式人工智能架构，其中边缘是跨越组织基础设施的应用程序的关键组成部分，似乎有可能成为新的规范。”接受调查的绝大多数 (85%) IT 决策者表示，这种转变很可能或极有可能在他们的环境中发生，其中 32% 的人认为这种变化“极有可能”。

该研究的作者梳理了他们所定义的人工智能领导者组织——那些拥有“变革性人工智能实践”的组织。这些变压器中有一半的性能与行业同行相比，比运营水平的变压器“明显更好”。几乎所有变压器都表示，他们在 2022 年至 2023 年的客户满意度 (90%)、收入 (91%)、成本降低/利润扩张 (88%)、风险 (87%)、营销 (89%) 方面的业绩同比有所提高）和市场份额（89%）。

调查显示，在所有接受调查的组织中，人工智能支出预计将超过一般 IT 支出。近十分之九的企业 (88%) 打算在 2025 年增加人工智能支出，其中 49% 的企业预计会出现适度至大幅增长。

然而，数字飙升的背后是与现有 IT 基础设施需求相关的挑战。调查作者表示：“在考虑实时推理等高需求人工智能活动时，受访者表示担心现有基础设施无法胜任这项任务。”最受关注的三个问题是 CPU 或 GPU 资源不足（65%）、数据局部性问题（53%）和存储性能问题（50%）。

作者表示：“我们在定性数据中看到了这一点，受访者对公共云中更高容量 GPU 实例的调度延迟以及对数据可用性的潜在影响表示担忧。”

“我们还注意到人们越来越担心基础设施成本的影响。一旦项目投入生产，成本往往会成为更紧迫的问题。从历史上看，组织有效预测成本的能力有限。”