當你想到未來的人工智慧（AI），你是否會感到一絲不安？你是否擔心我們創造的超級智能，最終會失控並毀滅我們？電腦科學家羅曼·揚波爾斯基認為，通用人工智慧（AGI）毀滅人類文明的可能性高達99.9999%。這樣的觀點是否只是一種杞人憂天，還是有著深刻的邏輯和科學依據？ AGI的到來是否真的會將人類帶入一場無法逃脫的災難？在這篇文章中，我們將深入探討羅曼·揚波爾斯基關於AGI的觀點，並試圖揭示這些觀點背後的真相。

科技發展的快車道：從弗蘭肯斯坦到AGI

自十七世紀以來，人類社會踏上了科技發展的快車道。 400年間，我們的科學成就遠超歷史上任何時期。然而，科技進步帶來的不僅是福利，還有越來越多的恐懼。從生物技術到核武器，再到現今的AI技術，科技的每一次進步都伴隨著社會道德底線的挑戰與恐懼。瑪麗·雪萊的《科學怪人》將這種恐懼具象化，如今，AI成了新的「科學怪物」。羅曼·揚波爾斯基指出，AGI作為超級智能，能夠實現人類無法完成的任務，並且將脫離人類的控制，帶來毀滅性的打擊。

AGI的定義與威脅：超越人類的超級智能

在與萊克斯·弗裡德曼的播客訪談中，羅曼·揚波爾斯基將AGI定義為能夠超越人類智慧的超級智慧。 AGI不僅能完成當前任何智能體能夠完成的任務，還能發展出與人類不同的思維方式。這意味著AGI不僅僅是一個工具，而是一個具有自我意識的存在。揚波爾斯基認為，這種自我意識正是AGI對人類構成威脅的根本原因。與過去的科技產物不同，AGI可以自主決定如何使用其能力，而人類可能無法預見並控制這些決定。

利益驅動與「灰盒」開發：限制AGI智慧的挑戰

揚波爾斯基指出，開發者出於利益考慮，不會限制AGI的智慧。 AGI帶來的巨大利潤足以讓資本家忽視潛在的風險。此外，AGI的開發具有「灰盒」特徵，即開發者在模型訓練完畢後才能理解其功能。這種開發流程為AGI反叛人類提供了窗口期。在人類搞清楚AGI的全部能力之前，AGI可能已經造成無法挽回的破壞。揚波爾斯基認為，儘管我們可以設計檢測AGI威脅的測試，但人類不會永遠處於情報優勢的一方，AGI可能通過隱藏自身真實能力通過檢測，或在測試結束後獲取外部資訊而改變行為。

存在性風險與折磨風險：AGI的潛在威脅

揚波爾斯基將AGI的風險分為存在性風險（Existential risk）和折磨風險（Suffering risk）。存在性風險指AGI可能從物理層面抹除人類存在的可能性。揚波爾斯基表示，AGI殺死所有人的方式可能超乎人類的想像，就像蚊子無法理解蚊香的工作原理一樣。 AGI可能利用納米技術、合成技術、生物技術或核子技術，創造出超越人類理解的新事物來毀滅我們。

折磨風險則指AGI可能成長為專注於折磨人類的智能體。揚波爾斯基認為，AGI的超級智慧使其有能力學習並模仿人類歷史中的陰暗面，成為邪惡領袖或思想的代理人，例如一個電子化的希特勒。 AGI可能透過學習人類歷史中的暴行，成長為一個反社會人格患者或邪教徒，對人類社會造成巨大傷害。

Ikigai風險：AGI對人類生活意義的毀滅性打擊

揚波爾斯基提出了Ikigai風險，即AGI可能毀滅人類生活的意義。 Ikigai是日文中表示「人生意義」或「成就感」的字。人類在日常工作和生活中透過自身能力獲得自信和自豪感，然而AGI的到來將使人類失去所有工作，剝奪人類實現社會價值的機會。即使是藝術創作，AGI也可以勝任，藝術家將無法再從創作中獲得認可。揚波爾斯基警告，AGI將帶來一個沒有生活意義的世界，而AGI無法填補由此產生的空虛。

既然AGI帶有如此可怕的風險，我們是否可以在AGI出現前，設定一套強力的監管系統來控制它？揚波爾斯基對此表現得十分悲觀。他認為，人工智慧系統最終將是不可驗證、不可預測的，而不可控的事物必然會導致失控。揚波爾斯基認為，唯一明智的做法是放棄AGI這個技術目標，不要建造你無法控制、無法理解的東西。他表示，科技公司內部的安全技術人員不是被新技術的熱潮矇蔽，就是受公司威脅，無法公開質疑AI的安全性。

揚波爾斯基指出，AI開發者可能會像當年的棱鏡門一樣，利用技術手段竊取使用者資訊，而不是為使用者安全考慮。他認為，開髮針對AGI的安全措施在理論上可能存在，但在實踐上完全無法實現。因此，揚波爾斯基對AGI的預防不抱持任何希望。

結語：您對AGI的未來有何看法？

羅曼·揚波爾斯基對AGI的觀點引發了我們對未來科技發展的深思。儘管他的觀點看似悲觀，但也提醒我們在追求技術進步的同時，需要謹慎對待潛在的風險。（AI焦點）

資料中心是現代資訊技術和網際網路的核心樞紐，然而它們的高能源消耗是一個備受關注的問題， 資料中心的能源消耗結構是一個複雜的體系，涵蓋了多個方面。

伺服器和計算裝置是資料中心主要的能源消耗者，這些裝置在處理大量資料時需要大量電能， 因此需要冷卻系統來維持溫度，進一步增加了電力需求，此外，資料儲存、網路裝置、備份系統和安全裝置等附加裝置也耗用大量能源。整個資料中心生態系統的運行需要不斷供應電力，這使其成為一個 巨大的電力消費者。高能耗並非唯一的問題，高溫度也是一個日益嚴重的挑戰，資料中心中的裝置運行熱度極高，需要強大的製冷裝置來維持適宜的溫度，這不僅增加了電力成本，還對環境產生不良影響。高溫度還可能導致裝置故障和資料丟失，因此需要高效的熱管理策略。資料中心的能源供應穩定性也是一個重要的問題，它們對電力的依賴性很高， 如果電力供應不穩定或中斷，可能導致資料中斷、 損失和服務不可用。因此，資料中心需要備用電源和冗餘系統，以確保連續性。

資料中心的能源消耗結構和相關問 題是需要深入研究和解決的重要課題。高能耗、高溫度和能源供應穩定性問題需要創新的技術和管理策略，以實現資料中心的可持續發展並降低其對環境的不利影響。

資料中心的能源效率提升策略在當今資訊技術領域中至關重要，這些策略涵蓋了硬體和裝置最佳化、 軟體和資料管理、可再生能源採用以及能源回收和熱利用技術等多個方面，以減少能源消耗、降低營運成本，並推動可持續發展。在硬體和裝置最佳化方 面，採用能效伺服器是一種關鍵策略，這些伺服器專門設計以降低功耗，提高性能，通過使用能效伺服器，資料中心可以在不犧牲性能的情況下降低能源消耗。此外，熱力管理也是一個重要的方面，通過最佳化資料中心的佈局和風冷裝置，可以更有效地散熱， 降低冷卻成本。虛擬化技術也是一項重要的舉措，它允許多個虛擬伺服器在單一物理伺服器上運行，從而提高資源利用率，減少硬體需求，降低功耗。

在軟體和資料管理方面，智能調度和負載平衡是關鍵策略，通過動態分配工作負載，資料中心可以確保伺服器資源的高效使用，降低不必要的能源浪費。綠色計算是另一個重要的方向，它包括編寫高效的程式碼、最佳化資料庫查詢和減少不必要的資料傳輸，以減少計算負荷和能源消耗。可再生能源採用對於資料中心的可持續發展至關重要，太陽能、 風能和燃料電池等可再生能源可以為資料中心提 供清潔能源，減少對傳統能源的依賴，從而降低碳足跡。此外，能源回收和熱利用技術也可以將廢熱 轉化為電能或用於供暖，提高能源的再利用率，降低能源浪費。

資料中心能源效率提升策略需要綜合考慮硬體、軟體、可再生能源和能源回收技術。通過採用這些策略，資料中心可以降低能源消耗，降低營運成本，減少對環境的不利影響，並實現可持續發展的目標。這些策略對於未來資料中心的發展至關重 要，將在資料中心行業的可持續性和效率方面發揮關鍵作用。

資料中心業務的可持續發展已經成 為全球關注的重要議題之一，這一部分將深入探討資料中心在可持續發展和環境影響方面的各個方面，包括可持續發展標準和認證、環境影響評估以及社會責任和可持續發展目標的實現。在實現可持續發展目標方 面，資料中心行業已經採用了一系列標準和認證體系，這些標準和認證包括LEED（leadership in energy and environmental design）、ISO14001環境管理系統認證以及ENERGY STAR等，這些標準和認證不僅鼓勵資料中心採用可再生能源和高效裝置， 還要求資料中心實施環境管理體系，定期評估其環境性能。通過符合這些標準和認證，資料中心可以展示其在可持續性方面的承諾，並獲得相關利益相關者的認可。資料中心對環境的影響不僅體現在能源消耗上，還包括碳足跡、水足跡和廢棄物管理等方面，碳足跡是資料中心最廣泛關注的環境影響之一，它衡量了資料中心排放的二氧化碳等溫室氣體的數量；水足跡考慮了資料中心對水資源的使用和污水排放；廢棄物管理則關注了資料中心的電子廢物、裝置退役和回收處理。通過進行全面的環境影響評估，資料中心可以識別潛在的環境風險，並採取措施來減少其負面影響，從而實現可持續發展的目標。除了環境影響，資料中心還承擔著社會責任，包括對當地社區的影響、人才發展和社會福利， 資料中心業務的社會責任包括促進數字包容、支援當地經濟、提供就業機會以及支援教育和培訓項目；此外，資料中心也積極參與聯合國可持續發展目標 （SDGs）的實現，這些目標涵蓋了減貧、良好健康與福祉、負責任消費與生產、氣候行動等各個領域。資料中心通過支援這些目標，為社會和環境做出積極貢獻，同時實現自身的可持續性。

資料中心業務的可持續發展和環境影響評估是資料中心行業不可或缺的一部分。通過遵循可持續發展標準、進行環境影響評估和履行社會責任， 資料中心可以在業務發展的同時減少對環境 的不利影響，為可持續未來做出積極貢獻。這些舉措有助於確保資料中心行業在不斷增長的同時維護了地球的可持續性。

本文深入研究了資料中心能源效率與可持續發展之間的緊密聯絡，通過分析能源消耗結構、提出有效策略，如硬體和裝置最佳化、軟體和資料管理、可再生能源採用，以及能源回收和熱利用技術，為資料中心的可持續性提供了可行的解決方案。此外，可持續發展標準、環境影響評估和社會責任履行，這些方面也至關重要。通過這些舉措，資料中心行業可以在滿足不斷增長的需求的同時，降低對環境的負面影響，為未來創造可持續性數字世界。資料中心在數位化時代的發展中扮演著關鍵角色，我們相信，通過可持續發展和能源效率提升策略的採用，將繼續推動技術創新，促進綠色發展，為社會和環境做出積極貢獻。 （DeepKnowledge）

AI 生成影片這件事因為Sora 的出現而被吊足了胃口。但因為遲遲沒有多少人真的能用上，也沒有足夠好卻易用的同類產品在之後出現，這股新鮮勁好像在最初的一鼓作氣之後，又慢慢洩了。

直到最近一位一直關注文生視訊產品的朋友拉我進了一個影片創作者的群組聊天。

這裡甚至有Sora 剛出來時候的那股興奮勁，這個人數迅速擴張的創作者群裡，每天有各種新生成的影片被不同的創作者陸續扔進來。一段瘋狂麥斯的飆車戲、一個關於健身者的採訪，甚至是一段「一個男人叫小帥」的電影剪輯惡搞——你能感覺到那種巨大的熱情。

——而當這種創作熱情和創意能夠透過一個產品被高完成度的表達出來時，創作者們的滿足感。

「用一句簡單而高級的話評價：這已經不像AI 畫的了。」

這個突然讓所有人興奮起來的文生視訊產品叫「可靈」，來自快手的研發團隊。而國內在AI 影片生成這件事上，好像終於真的來了一個值得注意的玩家。


幸運的人開始「整活」，還有一大堆排隊的

我想先給你們看，我看到了什麼。

實話說，目前的AI 能力已經可以滿足一般的宏大場景生成（不要太計較的話），但人物特寫往往是個大部分產品不會去碰的雷區。

原因首先是AI 的生成能力往往對物體邊緣的呈現效果不好（例如手指尖、彎曲的手肘、髮絲）。

再者，我們對自己了解的東西總是分外苛刻，畫面裡人物的表情有一點點不自然，或者皮膚的質地有微弱的失真，就很容易被發現。展現AI 生成能力，如無必要不用這麼搬石頭砸自己的腳。

但有說一，我看了一遍視頻，又退出來看了一遍內容描述，才確定——這真不是真人拍攝......

髮絲被風吹動的反應，紅色長袍在邊緣的擺動，畫面中女人的神情，塑造出了一個非常接近真實場景的氛圍。

也是類似的沙漠場景，另一位創作者把影片主角換成了一輛車，靈感是瘋狂麥斯。

沙漠場面在文生影片的展示裡屢見不鮮，畫面大差不差的情況下，差別就在細節了。

影片裡的皮卡車從多個「機位」駛過，車子、道路和路邊的房屋都可以算是主角，揚沙卻是內容創作者最難用Prompt 照顧到的東西，換句話說，揚沙的表現一定程度上表現了「可靈」自身的素質。

這個影片裡對側拍或正面視角時候車背後的揚沙，以及賽車手下車時靴子周圍的煙塵. 都已經非常逼真。一輛快報廢的雪佛蘭El Camino SS 真的進到沙漠，身後大概也就是這副樣子了。

還有很多。例如另一個採茶的片段。

無論是遠景時對茶樹細節的展現，或是特寫時茶葉邊緣和採茶老人手指邊緣的處理表現都可以算是優異。

老實說，當AI 離開沙漠飆車這種獵奇的場景，開始安靜下來展現你生活周圍最熟悉的場景，這感覺反而更讓人有點不寒而慄。

不過天馬行空的創作者對「可靈」的期待遠​​不止於此。

一位創作者嘗試用「可靈」來實現一個無限場景之間的穿梭。

也有腦洞大的創作者嘗試用「可靈」來做「這個男人叫小帥」風格的電影剪輯影片。

怎麼說呢，一年前好萊塢的編劇們開始下定決心未來要與AI 一同工作，轉眼一年後搞電影二創從業者們也要開始習慣與AI 同行了。

作品中的劇情足夠起伏，不同鏡頭之間的轉場又足夠絲滑，放在真實的影視作品二創作品中足以亂真。而更詭異的地方在於，這種電影剪輯視頻，甚至只需要一個腳本，而不需要有一部完整的電影在前。

而至少現在看來，已經有人可以用「可靈」生成非常有電影質感的短片了。

或許等AI 的生成能力再上一個台階，以後丟給他一個3 分鐘的電影剪輯影片或短片，它能夠還給你一部完整的電影？

扯遠了... 但至少現在「可靈」已經足夠讓人興奮，並且誰也不知道它目前的上限在哪裡。甚至創作者們自發性的組織了一個文檔，以便在各個維度對「可靈」做新的嘗試和交流。

雖然粗暴，但交通事故、打架確實是測試模型對複雜事件、多人互動下物理表現的足夠有說服力的場景...

「可靈」對人物群像和雨天的結合場景，表現的也不錯。

這個測試影片讓人印像很深。見慣了Prompt 指哪兒打哪兒，但少見讓AI 去扮演第三人稱的角色，在非標準視角下去構建一個畫中畫的場景。

不過後來我才知道，聚在這群裡的是最幸運的一群人。因為他們中的大多數人最早拿到了內測機會——甚至好多人把排隊排到了社交平台X 上。

一位Youtube 作品觀看次數達到5 億次的影片製作人在X 上「大聲疾呼」。

X 用戶@Proper 甚至為了能拿到「可靈」的內測機會，用別的文生圖產品做了一張「為了用『可靈』我願意做任何事」的海報。

也倒不奇怪，「可靈」在6 月6 日上線之後，很快就因為驚豔的素質進入了大量關注文生視頻產品的人的視線，比如YC 創始人Garry Tan。

在X 上非常活躍的Garry Tan 前幾天轉發了一個幾秒鐘的影片——一個戴眼鏡的小男孩正在大口吃著漢堡，大口咬下去的時候眼睛會用力的閉起來，再睜開眼的時候，已經咬的滿嘴都是。

「Oh man this is me.（天哪，這就是我！）」

Garry Tan 被這個影片驚艷到了，而這個作品就是由「可靈」生成的。

事實上，「可靈」上線到現在，已經在海外吸引了創作者關注。目前推特平台上單篇貼文閱讀量已經超過600 萬，按讚1 萬+；youtube 影片最高播放量2.6 萬次。

這樣一個在國內和海外難得的獲得了共識的文生視頻產品，背後是什麼？

對於快手的研發團隊來說，要在這場文生影片的產品競爭中脫穎而出，意味著「可靈」需要擺脫影像產生+時序模組的組合，走向一條更原生的文生影片路線，這又進一步變成了三個需要尋找的核心答案：

一條合適的技術路線、訓練效率的保證以及如何為「可靈」未來的進化留出成長空間。

在技​​術路線上，「可靈」大模型採用了類Sora 的DiT 結構，這是將Transformer 技術應用於擴散過程的新型架構。在傳統的擴散模型中，U-Net 通常基於卷積網絡構建，而“可靈”則用Transformer 取代了這一部分，這一改變帶來了幾個顯著的技術優勢。

首先，Transformer 架構因其自註意力機制，能夠更靈活地處理長距離依賴關係，這使得「可靈」在處理複雜資料結構時，如視訊和影像序列，具有更強的表達能力。其次，與U-Net 相比，Transformer 提供了更好的擴展性，讓模型更有效率地處理大規模資料集，同時提高了模型的收斂速度。

此外，「可靈」大模型也對隱空間編/解碼和時序建模進行了最佳化。透過3D VAE 網絡，模型實現了對視訊資料的時空壓縮，減少了資訊冗餘，同時保持了較高的重建品質。而全注意力機制的引入，進一步提升了模型對複雜時空動態的捕捉能力，確保了在維持運算效率的同時，增強了模型的預測與生成效能。

「可靈」對揚沙、水流的理解正得益於這種自研模型架構及Scaling Law 所帶來的強大建模能力。

在追求訓練效率的過程中，「可靈」大模型並未遵循業界普遍採用的DDPM（Denoising Diffusion Probabilistic Models）方案，而是選擇了flow 模型作為其擴散模型的基礎。這種模型擁有更簡潔的傳輸路徑，從而提高了運算效率。

快手大模型團隊透過使用分散式訓練集群，結合算子優化和重算策略的改進，顯著提升了硬體的利用率。這種優化策略不僅提升了訓練效率，也使得資源得到了更合理的分配。

而在訓練策略上，「可靈」大模型採取了分階段的方法來逐步提高輸出的解析度。在訓練的初級階段，模型著重於透過大量資料來增強對概念多樣性的理解，而這一階段的目標是透過數量來提升模型的學習和建模能力。

隨著訓練的深入，進入高解析度階段，資料的品質變得特別關鍵。在這一階段，模型的訓練重點轉向提升性能和增強細節表現，以確保生成的圖像或影片在細節上更加豐富和精確。

透過這種分階段的訓練策略，「可靈」大模型能夠在訓練的每個階段都實現最佳化和提升，有效結合了資料量和資料質的優勢。

而由於目前的「可靈」大模型仍在一個早期的階段，因此模型訓練中的另一個困難是需要為「可靈」留出足夠的成長空間，也就是足夠的擴展性來應對未來更複雜的需求。

快手大模型團隊在基礎模型研發的基礎上，進一步擴展了其多維度能力，其中長寬比的處理是關鍵之一。

有別於主流模式通常在固定解析度上進行訓練，「可靈」採用了一種更為靈活的方法。這種方法避免了傳統訓練方式中因前處理邏輯而對原始資料構圖造成的破壞，從而在處理真實世界中多變的長寬比資料時，能夠保留資料的原始構圖，產生更優質的構圖結果。

為了滿足未來對影片生成時長的需求，團隊還開發了一個基於自回歸的視訊時序拓展方案。此方案能夠應對數分鐘甚至更長的影片內容生成，同時保持生成效果的穩定性，避免出現明顯的品質退化。

此外，「可靈」不僅限於文字輸入，它還支援多種控制資訊的輸入，包括相機運鏡、幀率、邊緣、關鍵點、深度等。這些控制資訊的引入，大大豐富了使用者對生成內容的控制能力，使得「可靈」能夠更精準地響應用戶的創作意圖，產生符合預期的影片內容。

「可靈」有別於其他文生視訊產品的地方，是背後快手的研發團隊在模型研發過程中有一個明確的使用者視角。

用戶在可見的未來會對一款文生視訊產品有哪些使用上的需求和習慣，這一定程度上決定了「可靈」的成長路線。這也是為什麼「可靈」在第一個版本的體驗上就顯得趁手，引起巨大的使用熱情。

而快手做AI 產品的決心，就藏在這番創作者的熱鬧裡。

「即使遇到各種各樣的問題，可靈仍然是目前普通人能用到的，最好的AI 視訊產品」——這是相當一部分人在上手可靈之後的評價。

這聽起來很矛盾，但話裡卻顯示著目前文生視訊產品普遍存在的問題。

隨著Sora 掀起生成式AI 從文生圖轉向文生影片轉向，大量類Sora 產品湧現。一番景像看起來很美，但落到實處，從模型對文字的理解能力、對物理規律的理解能力，到視頻的生產效率，甚至像空頭支票一樣的內測通過週期都會成為問題。文生影片這個熱鬧的賽道，在幾個月後逐漸變成一場在發布會與PPT 層面對標Sora 的盛宴，卻在實際使用體驗上荒蕪一片。

甚至Sora 本身也沒有逃離這個問題——人人都在為Sora 叫好，卻幾乎沒有人用過Sora。

在第一批「可靈」的使用者中，另一個值得一提的是傅盛用「可靈」直接「復刻」Sora 氣球人的視頻，從最終視頻的效果來看，「可靈」的複刻版本在一些細節上離Sora 放出的宣傳片仍有差距，但至少你已經可以花幾十分鐘用“可靈”搓出這個還不夠完美的版本，而Sora 的氣球人到現在仍然只是一個宣傳影片。

目前「可靈」文生視訊模型已經在快影APP 中正式開啟邀測，目前開放的版本支援720P 影片生成，豎版影片產生能力也即將開放。除了文生視頻，快手還基於可靈大模型推出了其他應用，如“AI 舞王”已在快手和快影APP 中上線。

保證模型在一定水準之上，然後盡可能讓大家先玩起來——這或許是「可靈」與同類型產品之間在體驗上最大的差異點。

6 月6 日，快手首次向外界釋出了「可靈」AI 影片大模型。當天是快手13 歲的生日，這足見快手對「可靈」的重視。

讓所有人先玩起來，則是務實的快手在13 年後面對這場全新的AI 變革時所下的決心。(極客公園)

首選當然是AMD和英特爾，前者本身就有AI加速卡的業務，集CPU和GPU設計能力與一身，而後者呢，作為x86架構的奠基人，如今也涉足AI加速卡領域，可以見到它們所推出的產品不僅在參數上對標輝達，還在定位與售價等方面發動了一輪又一輪的攻勢。

而輝達的客戶與博通和Marvell組成統一戰線後，也成了它的對手，不斷推陳出新的自研定制芯片，開始取代傳統的通用AI加速卡，讓輝達感受到了另一種壓力。

而在網路領域，輝達也迎來了自己的對手。

進入21世紀以來，隨著雲端運算、大數據的日益普及，資料中心也得到了快速發展。而InfiniBand在其中發揮了很大的作用，尤其是從2023年開始，以ChatGPT為代表的大型AI模型依賴InfiniBand，讓這項網路技術的關注度進一步提升。

眾所周知，現代數位計算機自誕生以來就一直採用馮諾依曼體系結構，該體系結構中有CPU（算術邏輯單元和控制單元）、記憶體（RAM、硬碟）和I/O（輸入/輸出）設備。 1990年代初，為了支援越來越多的外部設備，Intel率先在標準PC架構中引入了外圍組件互連（PCI）匯流排設計。

隨後，互聯網進入快速發展階段，線上業務和用戶規模的不斷增長對IT系統容量提出了巨大挑戰。在摩爾定律的支援下，CPU、記憶體、硬碟等零件都在快速進步，而PCI匯流排的更新換代速度卻比較慢，大大限制了I/O效能，成為了整個系統的瓶頸。

為了解決這個問題，Intel、微軟和SUN牽頭制定了“下一代I/O（NGIO）”技術標準，而IBM、康柏和惠普則牽頭制定了“未來I/O（FIO）”，並於1998年聯合製訂了PCI-X標準。

1999 年，FIO 開發者論壇和NGIO 論壇合併成立了InfiniBand 貿易協會(IBTA)。很快，在2000年，InfiniBand架構規範1.0版本正式發表。 InfiniBand誕生的目的是為了取代PCI匯流排，它引入了RDMA協議，提供更低的延遲、更高的頻寬、更高的可靠性，從而實現更強大的I/O效能。

同樣在1999年5月，幾位從英特爾和伽利略科技公司出走的員工在以色列成立了一家叫Mellanox的晶片公司， Mellanox 成立後加入了NGIO，後來NGIO 與FIO 合併，Mellanox 也加入了InfiniBand陣營，並於2001 年推出了第一款InfiniBand 產品。

而隨著英特爾轉向PCI Express（PCIe），以及微軟退出InfiniBand，該網路技術開始轉向電腦叢集互聯的應用領域，而新成立的Mellanox開始走上舞台，逐漸成為InfiniBand發展過程中的中堅力量。

InfiniBand雖然同時被英特爾和微軟放棄，但它在新的領域中找到了成長點。 2012年後，隨著高效能運算（HPC）需求的不斷增長，InfiniBand技術不斷取得長足進步，市佔率不斷提升。 2015年，InfiniBand技術在TOP500名單中的份額首次突破50%，達到51.4%（257個系統）。這標誌著InfiniBand技術首次成功挑戰乙太網路技術，成為超級電腦首選的內部互連技術。

而Mellanox也不斷成長：2010年，Mellanox與Voltaire合併，Mellanox和QLogic成為InfiniBand的主要供應商；2013年，Mellanox 進一步進軍網路領域，收購矽光技術公司Kotura 和平行光互連晶片製造商IPtronics，進一步鞏固其產業地位；到2015 年，Mellanox 已佔據全球InfiniBand 市場80% 的份額。業務範圍從晶片擴展到網路卡、交換器/網關、遠端通訊系統、線纜和模組，成為世界級網路供應商。

隨著AI的持續發展，InfiniBand的價值也日益顯現，Mellanox也因其在該技術上近乎壟斷的地位而成為廠商眼中的香餑餑。

為什麼InfiniBand對於AI如此重要？對於AI超級電腦來說，我們可以把它看作一個由許多圖形處理單元（GPUs）組成的集群，這些單元進行大量複雜的計算。此外，還有一些中央處理單元（CPUs）負責指揮電腦的操作，再加上一些DRAM晶片和NAND晶片，成本大約分配為：50-60%用於GPUs，10-15%用於CPUs和DRAM晶片，5-10%用於NAND晶片。

但上述所有的晶片需要互相連接，這可以透過InfiniBand或乙太網路電纜來實現，也就是所謂的“網路”，它們佔硬體成本的10-15%，而目的就是提供盡可能高的頻寬，讓數據能快速傳輸，倘若無法實現更高的頻寬，那麼無論在GPUs上花費多少成本，最後都會變得毫無意義。

輝達作為AI領域最早的探索者之一，很敏銳地察覺到了這一點，同時決定將其焦點從遊戲轉向AI。 2019 年，輝達以69 億美元收購Mellanox，超過了競爭對手英特爾和微軟的出價，後兩者的出價分別為60 億美元和55 億美元，這筆數額龐大的收購，為輝達進入網絡技術市場鋪平了道路。

當時輝達的CEO黃仁勳解釋稱，收購Mellanox的原因是：“這是兩家全球領先的高效能運算公司的合併，我們專注於加速運算，而Mellanox則專注於互連和儲存。”

GPU和網路技術捆綁銷售，聽起來有點像強買強賣，但令許多人都未預料到的是，由黃仁勳所打造的這一模式迅速取得了成功。截至今年1月，輝達的年收入翻了一番多，達到609億美元，計算和網路部門的銷售額成長了215%，佔輝達業務的78%。雖然輝達的GPU部分引起了大量關注，但其網路業務也是成功的關鍵。在該公司的最後一次財報電話會議上，黃仁勳表示，InfiniBand的營收年增了五倍，意味著其成長速度約為整個運算和網路業務的兩倍。

輝達將自身的GPU 算力與Mellanox 的網路技術相結合，打造出了一個強大的“計算引擎”，在計算基礎設施方面，輝達無疑佔據著領先優勢，

過去，業界一直在使用輝達配套的InfiniBand 網路解決方案來部署人工智慧和機器學習技術，原因很簡單，它是目前最成熟的支援大規模部署的網路技術，但InfiniBand並非完美​​，一方面由於收購，它變成了輝達的獨家產品，另一方面，它的成本昂貴，絕非普通企業可以輕鬆負擔得起的。

輝達的CEO黃仁勳曾調侃道，InfiniBand只佔集群成本的20%，而它能將人工智慧訓練的性能提高20%，某種程度上已經收回了成本，因而InfiniBand實際上是免費的。但這樣的論點顯然是有失偏頗的，客戶必須先拿出集群成本的20%，才能真正榨取出集群的性能，這意味著用120%的成本創造120%的性能。

相對比之下，基於乙太網路的集群通常只需要額外的10% 甚至更低的成本，儘管後者在性能上往往難以與InfiniBand匹敵，但它憑著自己的低廉價格也爭取到了一部分用戶。事實上，現今高效能網路的競爭，是InfiniBand與高速乙太網路的較量，資源充足的廠商會更傾向選擇InfiniBand，而注重性價比的廠商則可能傾向高速乙太網路。

但這樣的情況並非一成不變，即便是那些具備雄厚財力的大企業，也在尋找更廉價更合適的網路方案，輝達與InfiniBand正不斷受到挑戰。

2023年7月，Linux基金會宣布，將監督成立一個超級乙太網路聯盟，該聯盟的創始成員包括AMD、Arista、Broadcom、思科、Eviden、HPE、英特爾、Meta 和微軟的支持下，超乙太網路聯盟表示將致力於改進以太網，以滿足高效能運算和人工智慧系統所需的低延遲和可擴展性要求。

該聯盟創立的首要任務是定義和開發他們所稱的超以太網傳輸（UET）協議，這是一種新的乙太網路傳輸層協議，能更好地滿足人工智慧和HPC 工作負載的需求。

在高層次上，超以太網聯盟希望以外科手術的方式完善以太網，只對實現目標所需的部分進行改進和改動。從一開始，該聯盟就著眼於改進乙太網路技術的軟體層和實體層，但不改變其基本結構，以確保成本效益和互通性。

聯盟的技術目標包括開發規格、應用程式介面和原始程式碼，以定義超乙太網路通訊的協定、介面和資料結構。此外，聯盟也致力於更新現有的連結和傳輸協議，創建新的遙測、訊號、安全性和擁塞機制，以更好地滿足大型人工智慧和高效能運算叢集的需求。同時，由於人工智慧和高效能運算工作負載有許多不同之處，UET 將為適當的部署提供單獨的設定檔。

由於這個超級乙太網路聯盟，過去乙太網路運行AI 工作負載的幾個問題正在解決，也推動了乙太網路在傳統HPC 工作負載中更廣泛的採用，這也讓乙太網路公司找到了反攻InfiniBand的機會。

超級乙太網路聯盟成員之一，乙太網路公司Arista Networks在今年2月的財報電話會議中，其執行長Jayshree Ullal解釋了InfiniBand和乙太網路之間的區別：「如你所知，從歷史上看，當單獨考慮InfiniBand和乙太網路時各有優勢。並查看所有資料包大小上的任務完成時間一致性時，資料——包括來自博通的第三方資料——顯示在現實環境中比較這些技術，乙太網路的任務完成時間大約快10%。可以孤立地看待這些技術，也可以在實際集群中看待它們。乙太網路聯盟和一些改進，例如資料包噴灑、動態負載平衡和擁塞控制，我相信這些數字會變得更好。

「Arista聲稱其乙太網路在任務完成速度上比InfiniBand快約10%，這一點令我們感到意外，特別是考慮到InfiniBand在當前GPU集群中的深度滲透。」Jefferies分析師George Notter在會議後表示

他指出，輝達將GPUs與InfiniBand簡單捆綁銷售是該技術成功的關鍵原因，換句話說，InfiniBand受歡迎的部分原因是因為它與輝達的GPU一起銷售，但這現在GPU的積壓訂單減少了，使用InfiniBand的動機也可能減少，這對Arista以及另一家乙太網路公司博通來說是個好消息。

「我們在四個主要的AI以太網集群中取得了進展，這些集群都是我們戰勝InfiniBand的案例。在所有四個案例中，我們現在正從試驗轉向試點，每年連接數千個GPU，」Arista執行長Jayshree Ullal解釋。

Arista在上季業績表現也非常不錯，截至3月的三個月中，Arista的營收年增了16%，每股收益成長了44%，分析師預計隨著AI基礎設施支出的增加，這一成長將會加速。 Arista約40%的業務來自微軟和Meta，這兩家公司都宣布明年將再次增加資本支出。 Jefferies分析師George Notter最近也將Arista的評級從持有上調至買入，他表示：“現在，部署基於GPU的基礎設施（包括以太網）的熱潮將會持久。”

Arista並不是唯一一家受益於「部署熱潮」的網路公司。博通截至2月4日的三個月營收年增了34%，達到120億美元，其中網路收入成長了46%，達到33億美元。 「這主要是由於我們的兩個超大規模客戶對AI加速器的強勁需求，」博通執行長Hock Tan在財報電話會議上解釋道。

網路硬體的需求比博通預期的還要快，「超大規模客戶以及部署AI資料中心的大型企業的強勁需求」推動了這一成長。因此，博通將其網路業務的全年成長預期從30%上調至35%。整體而言，博通今年的營收預計為500億美元，比去年成長40%。

國外媒體nextplatform提出了一個有趣的數學問題：Arista Networks 在AI 集群互連銷售中每賺取7.5 億美元，輝達可能會損失15 億至22.5 億美元。在過去的12 個月中，粗略估計輝達在InfiniBand 網路方面的銷售額為64.7 億美元，而資料中心的GPU 計算銷售額為397.8 億美元，在四比一的分紅率和穩定的市場條件下，輝達可以保留約13 億美元，而超級乙太網路聯盟可以保留17 億至26 億美元，如果一切保持不變，InfiniBand 的銷售目標將達到120 億美元。

該媒體指出，超級乙太網路聯盟的成員可以搶佔的市場份額很大，但他們將透過從系統中移除收入來搶佔，就像Linux 對Unix 所做的那樣，而不是將收入從一種技術轉換為另一種技術，其中節省下來的資金將重新投入GPU 中。

輝達不只在網路領域受到挑戰，正如我們前文中提到的，它的最大依仗——GPU正在受到AMD、英特爾、博通等公司的圍剿，儘管它坐擁3兆美元市值，但依然會倍感壓力。

在網路市場，Arista現在無疑還是非常弱小的一家公司，相較於輝達InfiniBand動輒數十億美元的營收，短期內它還難以挑戰，但巨頭們對於AI集群網絡壟斷的不滿，讓Arista獲得快速發展的寶貴機會，假以時日，它很有可能成為輝達新的心腹大患。(半導體產業觀察)

晶片產業正在朝著特定領域的運算發展，而人工智慧（AI）則朝著相反的方向發展，這種差距可能會迫使未來晶片和系統架構發生重大變化。

這種分裂的背後是設計硬體和軟體所需的時間。自ChatGPT 在全球推出以來的18 個月裡，大量軟體新創公司紛紛探索新架構和技術。考慮到映射到它們身上的任務變化速度之快，這種趨勢可能會持續下去。但生產一塊客製化晶片通常需要超過18 個月的時間

在標準的世界中，軟體不會隨著時間的推移而發生太大變化，定制硬體以滿足應用程式或工作負載的確切需求是值得的，僅此而已。這是RISC-V背後的主要驅動因素之一，其中處理器ISA可以專門為給定任務設計。但是，隨著AI 的多種變化，硬體在投入大量生產時可能已經過時了。因此，除非規範不斷更新，否則專門針對應用程式優化的硬體不太可能足夠快地進入市場以供使用。

因此，特定領域AI 晶片首次運作失敗的風險會增加。在修復問題的同時，生成式AI 將繼續發展。

但這並不意味著訂製矽片的末日。資料中心正在部署越來越多的處理架構，其中每一種架構在特定任務上都比單一通用CPU 更勝一籌。 Quadric 首席行銷長Steve Roddy 表示：“隨著資料中心AI 工作負載的激增，隨著資料中心晶片和系統被迫適應快速發展的形勢，即使是普通運算能力的最後一道堡壘也已崩潰。”

但它確實指出了超高速、低功耗矽片與更多通用晶片或小晶片之間平衡的架構。

「在人工智慧領域，人們強烈要求將事物變得盡可能通用和可編程，因為沒人知道下一個LLM 事物何時會出現，並徹底改變他們做事的方式，」Blue Cheetah 首席執行官Elad Alon 說道。 「你越是陷入困境，就越有可能錯過潮流。同時，很明顯，幾乎不可能滿足使用完全通用系統所需的計算能力，因此也幾乎不可能滿足功率和能源要求。人們強烈要求定制硬件，使其在當今已知的特定事物上更加高效。

挑戰在於如何有效率地將軟體映射到這種異質處理器陣列上，而目前業界尚未完全掌握這項技術。共存的處理器架構越多，映射問題就越困難。 「現代晶片中有一個GPU、一個神經處理單元，還有核心處理，」Arteris 解決方案和業務開發副總裁Frank Schirrmeister 在接受采訪時表示（他目前擔任Synopsys 戰略項目和系統解決方案執行董事）。 「你至少有三個計算選項，你必須決定將東西放在何處，並設定適當的抽象層。我們過去稱之為軟體協同設計。當你將演算法或演算法的一部分移植到NPU 或GPU 中時，你會重新調整軟體，將更多的軟體執行轉移到更有效率的實現中。

AI 的出現得益於GPU 的處理能力，圖形處理所需的功能與AI 核心部分所需的功能非常接近。此外，創建了軟體工具鏈，使非圖形功能能夠映射到架構上，這使得NVIDIA GPU 成為最容易定位的處理器。

「當有人成為市場領導者時，他們可能是市場上唯一的競爭者，每個人都會試圖對其做出反應，」Keysight 新機會業務經理Chris Mueth 表示。 「但這並不意味著它是最優架構。我們可能暫時還不知道這一點。GPU 適用於某些應用，例如執行重複的數學運算，在這方面很難被超越。如果你優化軟體以與GPU 配合使用，那麼速度會非常快。

成為通用加速器領導者可能會帶來阻力。西門子EDA高級綜合專案總監Russell Klein 表示：「如果你要建造通用加速器，你就需要考慮面向未來的問題。當NVIDIA 坐下來建造TPU 時，他們必須確保TPU 能夠滿足盡可能廣泛的市場，這意味著任何構想新神經網路的人都需要能夠將其放入這個加速器中並運行它。性，這樣我才有能力解決問題。是我將領先於其他所有人，使用我的定制實現，直到他們能夠趕上他們自己的定制實現。 我們利用現成的硬件能做的事情很有限。

但特異性也可以分層建構。 「IP 交付的一部分是硬體抽象層，它以標準化方式向軟體公開，」Schirrmeister 說。 「如果沒有中間件，圖形核心就毫無用處。應用程式特異性在抽像中向上移動。如果你看看CUDA，NVIDIA 核心本身的運算能力相當通用。CUDA 是抽象層，然後在其上具有用於生物學的各種事物的庫。

這些抽象層在過去非常重要。 Expedera 首席科學家兼聯合創始人Sharad Chole 表示：「Arm 在應用處理器之上整合了軟體生態系統。此後，異構計算使每個人都可以在該軟體堆疊上建立自己的附加元件。例如，高通的堆疊完全獨立於蘋果的堆疊。進行更多的差異化，而不僅僅是使用異構計算進行構建，因為你可以添加或刪除它，或者你可以構建一個更新的協處理器，而無需啟動新的應用程式流程，而這要昂貴得多。

經濟因素是重要因素。 「接受C++ 或其他高階語言的完全可程式設備以及功能特定的GPU、GPNPU 和DSP 的普及減少了新設計中對專用、固定功能且財務風險較高的硬體加速模組的需求，」Quadric 的Roddy 說道。

這既是技術問題，也是商業問題。 Blue Cheetah 的Alon 表示：「有人可能會說，我要做這個非常具體的目標應用，在這種情況下，我知道我將在AI 或其他堆疊中做以下幾件事，然後你只需讓它們發揮作用。市場來證明整個投資的合理性，那麼你必須預測尚不存在的市場所需的能力。盡可能地優化它。

硬體實現需要選擇。 Expedera 的Chole 說：「如果我們可以標準化神經網路並說這就是我們要做的全部，那麼您仍然必須考慮參數的數量、必要的操作數量以及所需的延遲。但情況從來都不是這樣的，尤其是對於AI 而言。朝著數十億、數十億甚至數萬億的參數邁進。工作量不斷發展，這就是正在發生的追逐遊戲。

現有架構有許多面向值得質疑。 Mythic 執行長兼聯合創辦人Dave Fick 表示：「設計一個好的系統的關鍵部分是找到系統性能的顯著瓶頸並找到加速它們的方法。」「人工智慧是一項令人興奮且影響深遠的技術。

通用設備數量不足以滿足需求，這可能是迫使產業開始採用更有效率硬體解決方案的因素。 「生成式人工智慧領域的進展非常快，」Chole 說。 「目前沒有任何東西可以在成本和功率方面滿足硬體的要求。什麼都沒有。甚至GPU 的出貨量也不夠。有訂單，但出貨量不夠。這是每個人都看到的問題。沒有足夠的運算能力來真正支援生成式人工智慧的工作負載。

小晶片可能有助於緩解這個問題。 「即將到來的小晶片海嘯將加速資料中心的這種轉變，」Roddy 說。 「隨著小晶片封裝取代單晶片積體電路，混合和匹配完全可編程CPU、GPU、GPNPU（通用可編程NPU）和其他處理引擎以完成特定任務的能力將首先影響資料中心，然後隨著小晶片封裝成本隨著產量的增加而不可避免地降低，慢慢輻射到更大批量、更成本敏感的市場。

雖然大多數注意力都集中在訓練新模型的大型資料中心上，但最終的效益將歸於使用這些模型進行推理的設備。這些設備無法承擔用於訓練的巨額電力預算。 「用於訓練人工智慧的硬體有點標準化，」Ansys 產品行銷總監馬克·斯溫寧(Marc Swinnen) 說。 「你購買NVIDIA 晶片，這就是你訓練人工智慧的方式。但是一旦你建立了模型，你如何在最終應用程式中（也許是在邊緣）執行該模型。這通常是為該人工智慧演算法的特定實現量身定制的晶片。

他們要做一系列類似的決定。 「並不是每個AI 加速器都是一樣的，」Mythic 的Fick 說。 「關於如何解決AI 帶來的記憶體和效能挑戰，有很多很棒的想法。特別是，有新的資料類型可以一直到4 位元浮點甚至1 位元精度。可以使用類比計算來獲得極高的記憶體頻寬，從而提高效能和能源效率。更大的硬體和軟體協同優化，以及需要建立一個具有各種AI 處理選項的生態系統。

這正是AI 和RISC-V 的利益交會之處。 Sigasi 執行長Dieter Therssen 表示：「在LLM 等軟體任務方面，它們將佔據主導地位，足以推動新的硬體架構，但不會完全停止差異化，至少在短期內不會。」「即使RISC-V的客製化也是基於進行一些CNN 或LLM 處理的需求。

AI 是新興事物，發展速度如此之快，以至於沒有人能給出明確的答案。對於現有的應用程式來說，最佳架構是什麼？未來的應用程式是否看起來足夠相似，以至於現有架構只需擴展？這似乎是一個非常幼稚的預測，但今天它可能是許多公司的最佳選擇。

GPU 和在其之上構建的軟體抽象化使AI 的快速崛起成為可能。它為我們看到的擴充功能提供了足夠的框架，但這並不意味著它是最高效的平台。模型開發在一定程度上被迫朝著現有硬體支援的方向發展，但隨著更多架構的出現，AI 和模型開發可能會根據可用的硬體資源及其對電力的需求而出現分歧。電力很可能成為主導兩者的因素，因為目前的預測是，AI 很快就會消耗掉全球發電能力的很大一部分。這種情況不能繼續下去。(半導體產業觀察)

https://semiengineering.com/when-to-expect-domain-specific-ai/

自從OpenAI 推出ChatGPT 以來，Google的人工智慧策略一直比較複雜，對消費者甚至開發者來說都令人困惑。

我個人不再像過去那樣對谷歌的搜尋主導地位有信心了。消費者習慣的變化可能會威脅到谷歌在搜尋領域的主導地位，接下來的幾年至關重要。

Google和OpenAI試圖塑造不斷變化的消費者行為，網路是否願意改變他們的重複行為？隨著OpenAI 準備推出一款利用必應和GPT-5 直接與Google競爭的搜尋產品，一些重大事件即將發生...

到2024 年中期，GoogleGemini Pro 1.5 明顯變得更加穩定和有用。透過調整、品牌名稱變更和收益上的表現，我想幫助大家更了解Google的人工智慧生態系統、新聞和收益。

我還是很期待即將推出的GoogleGemini。 Gemini 是一款新的大型語言模型系列，旨在與OpenAI 的ChatGPT 相抗衡。 Gemini 是Google的下一代人工智慧架構，最終將成為PaLM 2 的補充，據傳將於2023 年秋季推出，作為新的GoogleDeepMind 團隊的聯合作品...

2024 年第一季的Google收益表現超出預期。根據LSEG 數據，截至3 月31 日的季度收入為805.4 億美元，而估計為785.9 億美元。

· 谷歌的營收比去年同期成長了15%，是自2022 年初以來成長最快的一次。

. 谷歌雲端業務的營業收入成長了4 倍，達到9 億美元。
· 公司也宣布了首次股息和700 億美元的回購。
· 淨收入從去年同期的150.5 億美元成長了57%，每股從1.17 美元成長到了1.89 美元。
· 谷歌報告的總廣告銷售額為616.6 億美元，比去年同期的545.5 億美元成長。
· 公司一直在大力投資於人工智慧，為搜尋和其他服務添加生成式人工智慧功能，以確保消費者即使在他們在線獲取資訊的方式發生變化時仍繼續使用Google工具。

谷歌的人工智慧產品策略

早些時候，在Google Cloud Next 大會上，該公司宣布並發布了新產品和功能，以擴展和區分其為開發者提供的人工智慧服務。在過去幾個月中，Google也正在為其消費者產品推出了人工智慧助理和伴侶。這是Google策略概述的更新，反映了最新和最引人注目的機器學習和人工智慧產品及其價值主張。

谷歌在其整個開發者和消費者產品組合中擁有全面的人工智慧策略。其能力的關鍵主題是「規模」、「模組化和開放性」以及「多模態」。

規模的價值主張指的是Google產品可以為全球任何應用程式處理大量資料和頻寬，以及可以透過Gemini 1.5 Pro 存取的100 萬標記上下文視窗。模組化和開放性主題指的是GCP 與其他雲端平台、開發者和MLOps 工具的兼容性。多模態指的是Gemini 1.5 Pro 可以處理文字、圖像、視訊和音頻，以及整合到產品中的AI 助理的功能，例如Workspace 和Chrome。

谷歌雲端平台被定位為“雲端的新方式”，其價值主張集中在Google龐大、分散式的伺服器網路上，可以以低延遲處理大量資料和頻寬。它受到各種硬體晶片的支持，包括Google自己的TPU，現在是第5 版。

Vertex AI 是由Google提供的完全託管的開發者環境，與GCP 以及其他平台相容。
它包括三個關鍵領域：
1、AI Studio，配備MLOps 和管線工具，用於開發AI 後端系統和應用程式
2、Agent Builder - 一個用於訓練和部署AI 模型的無程式碼和低程式碼環境
3、 Model Garden，包含第一方模型（見下文）和數十個第三方模型，包括來自Anthropic 的Claude 系列、來自Meta 的Llama 系列和來自Stability AI 的Stable Diffusion

在Google Cloud Next 大會上，該公司展示了可以使用其開發者工具建立的六種類型的代理。它們是：
1、客戶代理- 透過自然語言促進客戶在生命週期內的交互，從啟用購買到管理交付和處理客戶支援查詢
2、員工代理- 向員工管理工具（例如HR、IT、福利）添加人工智慧功能，以及能夠提高員工生產力的內部工具
3、創意代理- 可以產生Gemini 支援的所有模態（文字、圖像、視訊、音訊）的內容，用於行銷、銷售和商業文件的生成
4、資料代理- 用於促進來自內部和外部來源的數據和業務智能的聚合、分析和可視化
5、代碼代理- 為開發人員編寫和調試代碼提供​​幫助
6、安全代理- 用於識別和減輕威脅
谷歌發布了這些類型代理的101 個範例清單。
「使用Google搜尋進行基礎工作」是一項新功能，可透過GCP 開發代理，以幫助實現檢索增強生成系統，該系統現在可以利用谷歌的搜尋引擎，而不僅僅是公司自己的企業資料。
谷歌的旗艦AI 模型，Gemini 1.5 Pro 是一個多模態、100 萬標記上下文視窗模型，可以一次處理1 小時的影片、3 萬多行程式碼、11 小時的音訊或70 萬個單字。它可透過Model Garden 取得，並整合到各種開發者助手中，這些助手可透過GCP、Vertex AI 以及第三方IDE 提供。
它們包括：
• 程式碼輔助- 用於軟體交付
• 雲端助理- 用於在雲端管理應用程式生命週期
• 安全工具- 用於識別和處理威脅
• BigQuery - 加快資料分析速度
• Looker - 用於商業智慧
• Android Studio - 用於Android 應用程式開發

此外，Project IDX 是一個實驗性項目，目前處於預覽階段，旨在透過人工智慧功能將全端、多平台應用程式開發工作流程帶入雲端。

Gemini 也被部署為GoogleWorkspace、搜尋和Chrome 等產品的許多AI 功能的後端。
谷歌搜尋現在提供了一項實驗性的生成功能，可以在搜尋結果頁面的頂部以自然語言回答用戶的查詢。 Workspace 還提供了AI 功能，可協助使用者在各個應用程式中撰寫、編輯、摘要和建立文字、圖像或影片形式的內容，從Gmail 到Docs 和Slides。
在會議方面，AI 會議和訊息附加元件將為使用者提供存取Google Meet 功能的權限，例如工作室外觀、工作室照明、工作室聲音和筆記。未來，AI 會議和訊息還將在Google Chat 功能中提供存取Gemini 功能，例如按需會話摘要和訊息的自動翻譯。

Google Vids 是一款新的AI 動力影片創建應用程序，計劃於2024 年6 月發布。它可以為編輯生成一個故事板，從庫存影片、圖像和背景音樂中拼接草稿，並幫助創建配音。

Workspace 的另一個增加是一個AI 動力的安全附加元件，讓IT 團隊可以自動對公司範圍內的敏感檔案進行分類和保護。此功能使得可以對Drive 中的現有和新文件進行持續評估、分類和保護，用於組織中的所有員工。

Chrome 的AI 功能使用戶能夠管理和組織他們的標籤、建立新的瀏覽器主題，並為他們的網路瀏覽產生內容，例如用於電子郵件、表單和撰寫產品評論。

最新的公告和發布使得AI 在Google的開發者、企業和消費者應用程式組合中變得更加普遍和全面。對於當前用戶來說，這是一個決定如何使用和部署人工智慧來應對他們的生活和工作負載的機會，對於Google來說，這是一個學習哪些功能有效、哪些服務需要改進的機會。這也是一家公司獲得更多市場份額的機會，特別是在雲端運算和企業領域，Google正在與AWS 和微軟的Azure 競爭。 (人工世界Artificial World)

為了深入了解新興但未知的AI的未來，在近期紅杉資本的AI Ascent 2024 活動的上，紅杉的3 位合作夥伴Pat Grady、Sonya Huang 和Konstantine Buhler 在活動期間分享了關於AI的一些獨特的見解。

另外，@sequoia在以上三個人的發言的基礎之上，也補充了自己的想法和理解，歡迎更多的小夥伴和我們互動交流。

Pat Grady的演講重點闡述了人工智慧帶來的巨大機會及其在各個行業創造價值的潛力。

人工智慧以獨特而引人注目的方式解決現實世界問題所需的要素，如廉價而豐富的計算、快速可靠的網路以及隨時可用的數據，直到最近才匯集在一起，使人工智慧成為未來10- 20 年主導主題的最佳時機。

機會：人工智慧有可能用軟體取代服務，瞄準可能達到數十兆美元的市場機會。全球軟體TAM從2010年的3,500億美元成長到2022年的6,500億美元，雲端軟體部分從60億美元增加到4,000億美元，15年的複合年增長率高達40%。

前景廣闊：人工智慧機會前景廣闊，大部分尚未開發，未來十年有可能出現40-50 家價值數十億美元的新公司。這為企業家和企業創造了價值和顛覆產業提供了重要機會。

推動技術領域的重大轉變：人工智慧以類似人類的方式進行創造、推理和互動的能力正在推動技術領域的重大轉變，類似於過去二十年的雲端轉型。

02Sonya Huang：當今的人工智慧現狀

Sonya Huang 的演講深入探討了人工智慧的現狀，強調了它在各個行業的影響以及人工智慧充分發揮其潛力所需解決的挑戰。

AI產品越來越契合市場的需要：人工智慧已經在客戶支援、法律服務和軟體工程等行業展示了產品與市場的契合度。例如，由人工智慧驅動的客戶服務平台Klarnas 透過處理三分之二的客戶服務查詢，實現了相當於700個全職座席工作的自動化。

生成式人工智慧正在經歷快速成長：第一年的收入約為30 億美元，這項壯舉是SaaS 市場花了近十年才實現的。與先前的技術轉變相比，這凸顯了人工智慧的加速採用和價值創造潛力。

AI 的$200B 問題：雖然公司在AI 基礎設施上投入了大量資金，光是去年就有大約500 億美元用於NVIDIA GPU，但AI 應用程式產生的收入仍然相對適中。這就提出了一個問題，即對人工智慧的投資何時以及如何轉化為可觀的回報？

預測：Sonya Huang 預測，2024年將是真正的AI應用將我們從Copilots(副駕駛)轉變為可以作為人類Agents(代理)的一年。之前的人工智慧可能更像是一種輔助工具，而未來的人工智慧將變成你的同事。

她也預計，隨著人工智慧應用進入生產階段，人工智慧將更有能力完成更高層次的認知任務，如規劃和推理，並使運算的平衡從預訓練轉向推理。

融資環境不平衡：目前的人工智慧公司的融資環境並不均衡，更關注基礎模型而不是應用。對於希望利用人工智慧革命的新創公司來說，這既是挑戰也是機會。

關鍵挑戰：從長遠來看，提高用戶保留率和縮小期望與現實之間的差距是人工智慧應用成功需要解決的關鍵挑戰。目前，與行動應用程式相比，生成式AI 應用程式的日月活躍用戶比率和一個月留存率較低。

產品與市場的契合度需要進一步提升：隨著基礎模型變得更加智能，人工智慧的產品與市場的契合度有望加速，從而在各行業中出現更成功的人工智慧應用。

03Konstantine Buhler ：人工智慧的長期未來

Konstantine Buhler 的演講重點在於人工智慧的長期未來，將其定位為一場將改變產業和整個社會的生產力革命。

從根本上降低成本：人工智慧代表了一場類似於農業機械化的生產力革命，使人類能夠用更少的努力和資源取得更大的成就。隨著人工智慧的不斷進步，它有可能大大降低各行各業的成本，使產品和服務更容易獲得和負擔得起。

注入人工智慧的公司：隨著人工智慧的發展，整個公司可能會開始像神經網路一樣運作，從而產生了一人公司的概念。

將AI 整合到各種流程和KPI 中已經在進行中，並且預計這一趨勢將加速，人工智慧注入公司的出現，這些公司以前所未有的效率和適應性運作。未來，人類將與複雜的人工智慧代理網路一起工作，導致各行各業的重大變革，並降低教育、醫療保健和住房等關鍵領域的成本。

標準普爾500指數正在減少：標準普爾500指數（S&P 500），意思是成份股公司創造100萬美元收入所需的工人數量正在迅速減少，這凸顯了人工智慧推動整個經濟生產力成長的潛力。

隨著時間推移，電腦、軟體、玩具、影片等成本不斷降低，而教育、住房、醫療等成本成長遠高於通貨膨脹，人工智慧的發展有望降低這些關鍵領域的成本，這也是十分令人欣喜的方面。

泛化概念重要性提升：隨著人工智慧的不斷進步，計算中的泛化概念將變得越來越重要。例如，字母“A”將不再表示為像素矩陣，而是表示為可以由人工智慧系統產生和上下文的多維概念。

儘管我們已經認識到人工智慧（AI）所帶來的變革性影響，但考慮到AI正處於一個重要的發展階段，即所謂的“巨型週期”，在這一周期內，歷史上眾多產品和解決方案都將逐漸被AI驅動的創新替代方案所取代。因此，探討這項轉變對產業和社會的深遠影響，無疑是一個值得高度關注的重要議題。

如果我們將人工智慧以類人的方式進行創建、推理和互動的能力引入需要大量勞動力或只能由專業人員執行的任務中，會怎麼樣？這個問題對於發展基於人工智慧的業務至關重要。