AI成功之道在于系统而非模型大小

快速阅读: 文章指出，虽然大型语言模型和无代码平台使AI工具快速搭建成为可能，但成功的关键在于强大的数据基础设施、持续监控和清晰的系统设计，而非仅仅依赖模型性能。

人工智能复杂，但我们是否让它变得比实际更复杂了呢？

如今，大多数关于人工智能的讨论听起来像是炼金术。缩略词、炒作和数十亿参数模型的话题主导着叙述。然而，我所见过或帮助构建的最有影响力的AI系统，并非来自庞大的模型或神秘的算法，而是源自一些更为低调的东西——AI基础设施。

这并不是那种登上头条的基础设施。它默默地在后台工作，表现为干净的数据流、深思熟虑的抽象以及设计用于学习、适应并优雅地失败的系统。

如果你正在构建AI或者考虑将其整合到你的公司中，这里有一个残酷的事实：让AI出色工作的大部分努力都发生在模型之前。

有效的AI并不华丽。它始于数学，而非魔法。

这个领域最初通过回答简单的问题开始：机器能否从例子中学习？当世界变化时，它能否适应？这些问题引发了数十年的研究、基础设施建设和实验。核心理念是明确的，但在实践中实现这一点却花费了超过50年的时间。这一点至关重要。

当今最优秀的系统（那些驱动物流、承销、搜索和个人化的系统）并不是建立在炒作之上，而是建立在清晰的原则上：数据质量、持续监控、可重复性和人工监督。

当然，模型很重要。但更重要的是围绕它的系统。

你可以用一个周末的时间构建一个AI工具。但我认为这正是问题的一部分。

今天，大型语言模型和无代码平台使得在几小时内就能搭建起AI演示成为可能。但对于大多数团队来说，从演示到生产才是真正的挑战所在。如果你在疑惑原因，那是因为我们简化了过程，却没有简化思考。

太多的团队急于将GPT插件或微调基础模型，而没有问最基本的问题：我们解决的是什么实际问题？成功的标准是什么？我们的数据有多干净？当模型出错时会发生什么？

没有这种基础，AI无法扩展。相反，它可能会偏离轨道甚至崩溃。最终，它被遗弃。这是95%的失败AI项目背后的故事。

AI的优势不仅仅在于模型性能，更在于系统思维。

今天，那些从AI中获得真正投资回报率的公司不仅有人才，还有结构。

它们投资于：

– 健壮的数据基础设施和可观测性；

– 明确的所有权和责任；

– 实时反馈循环；

– 设计的简洁性：更少的移动部件，更清晰的激励机制。

在我超过10年的工作经历中，我反复看到这一点。无论我们是从头开始构建某物还是接入现有工作流程，转折点很少是模型本身。关键在于我们能否让围绕模型的系统发挥作用。

对于更广泛的中欧和东欧生态系统而言，这一点比以往任何时候都更加重要。我们看到了令人难以置信的人才、能量和实验精神，但也有一种倾向，即将AI视为一个复选框：微调一个模型，插入其中，称之为创新。我想强调的是，这种方法不会让我们走得太远。

我相信该地区有一个独特的机会，可以通过不同的方式来引领：

– 从小处着手，快速交付，从真实使用中学习；

– 优先考虑可持续的系统，而不仅仅是令人印象深刻的系统；

– 关注你实际控制的数据。这是你的护城河；

– 智能合作：不仅要招聘机器学习人才，还要组建理解产品、运营和工程的全周期团队。

简洁是困难的部分，但它可以真正产生影响。我确信，AI的下一次飞跃不会来自更大的模型，而是来自提出更好的问题：我们需要AI来做这件事吗？我们可以构建的最小有用版本是什么？我们能否向非技术人员解释这个系统的作用？

伟大的AI不仅是演示中的亮点，更是有用的。而这种实用性早在模型之前就开始了。

(以上内容均由Ai生成)