科技云報道原創(chuàng)。

在19世紀的淘金熱中，最賺錢的并不是挖金礦的，反而是那些賣鏟子、賣牛仔褲的人。正如賣鏟人在淘金熱中成為最大贏家，在當今AIGC時代，AI Infra也扮演著類似的角色。

如果用云計算三層構(gòu)架做類比，AI Infra與PaaS層級相似，是鏈接算力和應(yīng)用的中間層基礎(chǔ)設(shè)施，包括硬件、軟件、工具鏈和優(yōu)化方法等，為大模型應(yīng)用開發(fā)提供一站式模型算力部署和開發(fā)工具平臺。算力、算法、數(shù)據(jù)可以看作IaaS層，各種開源和閉源模型則是SaaS在大模型時代的新演變，即MaaS。

隨著大模型應(yīng)用落地的進程不斷加速，AI Infra的價值潛力被進一步釋放。中金數(shù)據(jù)預(yù)測，目前，AI Infra產(chǎn)業(yè)處于高速增長的發(fā)展早期，未來3-5年內(nèi)各細分賽道空間或保持30%的高速增長。

當大模型進入大規(guī)模應(yīng)用落地時期，提供大模型訓(xùn)練、部署和應(yīng)用時所需的基礎(chǔ)設(shè)施成為關(guān)鍵一環(huán)，AI Infra成為大模型應(yīng)用爆發(fā)背后“掘金賣鏟”的最佳生意。

中臺模式解鎖AI生產(chǎn)力

從ICT產(chǎn)業(yè)的演進軌跡來看，三層架構(gòu)似乎是宿命般的終極圖景。在傳統(tǒng)的本地部署階段，操作系統(tǒng)、數(shù)據(jù)庫、中間件等基礎(chǔ)軟件通過控制硬件交互、存儲管理數(shù)據(jù)、網(wǎng)絡(luò)通信調(diào)度等功能，解決底層硬件系統(tǒng)的復(fù)雜性難題，讓上層應(yīng)用開發(fā)者能專注于業(yè)務(wù)邏輯進行創(chuàng)新。

在云定義一切的時代，也形成了IaaS、PaaS、SaaS協(xié)同進化的經(jīng)典架構(gòu)，其中PaaS層提供應(yīng)用開發(fā)環(huán)境和數(shù)據(jù)分析管理等服務(wù)，為云計算加速滲透奠定了堅實基礎(chǔ)。

經(jīng)歷了漫長的蟄伏期后，AIGC按下了人工智能通用化進程的快進鍵，整個產(chǎn)業(yè)在狂飆突進的氛圍中急速重構(gòu)。算力與應(yīng)用無疑是最耀眼的主角，但二者之間的鴻溝堪比天塹，大模型面臨“懸浮”或“踏空”的風險。

從這個意義上講，AI Infra猶如一座橋，可以承擔類似基礎(chǔ)軟件或PaaS曾經(jīng)扮演的角色——通過構(gòu)建新型的軟件棧及綜合服務(wù)，賦能算力挖潛、模型優(yōu)化和應(yīng)用開發(fā)，成為連接算力與應(yīng)用的中堅力量。

AI Infra涵蓋一切跟開發(fā)部署相關(guān)的工具和流程。隨著云計算的不斷發(fā)展，又逐漸衍生出了DataOps、ModelOps、DevOps、MLOps、LLMOps等一些XOps的概念。

從宏觀的角度來看，所有XOps本質(zhì)上是為了開發(fā)部署生命周期的提效。比如DataOps是為IaaS層的存儲和PaaS層的數(shù)據(jù)處理提效的，DevOps、MLOps實際上是為PaaS層開發(fā)部署提效的，LLMOps是為MaaS層提效的。

事實上，在AIGC風起云涌之前，關(guān)于AI中臺的理論與實踐就已如火如荼地展開。但當時的AI中臺更像是“救火隊員”，功能比較龐雜，干了不少“臟活”、“累活”，卻難以獲得上下游的認可。

大模型為AI平臺化搭建起更寬廣的舞臺，也讓AI Infra“掘金賣鏟”的邏輯更具確定性，進而贏得可觀的發(fā)展空間。相關(guān)機構(gòu)預(yù)測顯示，未來3～5年AI Infra產(chǎn)業(yè)將保持30%+的高速增長。

就像“三明治”的兩片面包間可以有無數(shù)種夾層選擇，身處算力與應(yīng)用之間的AI Infra同樣不拘一格。從廣義上看，AI Infra涵蓋人工智能基礎(chǔ)框架技術(shù)，涉及大模型訓(xùn)練、部署領(lǐng)域的各種底層設(shè)施；狹義而言，基礎(chǔ)軟件棧是AI Infra的核心組成部分，優(yōu)化算力算法、促進應(yīng)用落地是其主要目標。

AI Infra定義的相對開放為不同的路徑探索提供了更多可能。基于各自的資源稟賦與市場定位，業(yè)界的資深廠商與新興玩家正在積極拓展AI Infra的疆界，不少做法值得借鑒。

AI Infra將是下一個應(yīng)用熱點？

相比模型價值，卷AI應(yīng)用成為行業(yè)共識。李彥宏堅信，基礎(chǔ)模型之上將誕生數(shù)以百萬計的應(yīng)用，它們對于現(xiàn)有業(yè)態(tài)的改造作用，比從0到1的顛覆作用更大。

如今AI應(yīng)用的供給在不斷增加，IDC在年初時預(yù)測，2024年全球?qū)⒂楷F(xiàn)出超過5億個新應(yīng)用，這相當于過去40年間出現(xiàn)的應(yīng)用數(shù)總和。

最近，視頻生成類模型產(chǎn)品扎堆出現(xiàn)，快手的可靈、字節(jié)跳動的即夢、商湯的Vimi集體亮相，此外還有AI搜索產(chǎn)品、AI陪伴類產(chǎn)品等層出不窮。

大模型應(yīng)用爆發(fā)趨勢已然確定，根據(jù)InfoQ研究中心數(shù)據(jù)，2030年AGI應(yīng)用市場規(guī)模將達4543.6億元，模型應(yīng)用層的巨大機會已經(jīng)吸引了幾乎各行各業(yè)的參與。

而在大模型應(yīng)用之下，AI Infra成為其爆發(fā)的隱藏推手。

目前，大模型產(chǎn)業(yè)鏈大致可以分為數(shù)據(jù)準備、模型構(gòu)建、模型產(chǎn)品三個層次。在國外，AI大模型的產(chǎn)業(yè)鏈比較成熟，形成了數(shù)量眾多的AI Infra（架構(gòu)）公司，但這一塊市場在國內(nèi)還相對空白。

在充滿不確定性的道路上，率先找到清晰的賽道，快速建立顯著的里程碑尤為重要。AI Infra市場尚處于混沌期，每個科技巨頭都希望在自己的生態(tài)中形成閉環(huán)。

在國內(nèi)，巨頭們都有一套自己的訓(xùn)練架構(gòu)。

比如，華為的模型采用的是三層架構(gòu)，其底層屬于通識性大模型，具備超強的魯棒性的泛化性，在這之上是行業(yè)大模型和針對具體場景和工作流程的部署模型。這種構(gòu)架的好處是，當訓(xùn)練好的大模型部署到垂類行業(yè)時，可以不必再重復(fù)訓(xùn)練，成本僅是上一層的5%~7%。

阿里則是為AI打造了一個統(tǒng)一底座，無論是CV、NLP、還是文生圖大模型都可以放進去這個統(tǒng)一底座中訓(xùn)練，阿里訓(xùn)練M6大模型需要的能耗僅是GPT-3的1%。

百度和騰訊也有相應(yīng)的布局，百度擁有覆蓋超50億實體的中文知識圖譜，騰訊的熱啟動課程學(xué)習可以將萬億大模型的訓(xùn)練成本降低到冷啟動的八分之一。

整體來看，各個大廠之間的側(cè)重點雖然有所不同，但主要特點就是降本增效，而能夠?qū)崿F(xiàn)這一點，很大程度上就是受益于“一手包辦”的閉環(huán)訓(xùn)練體系。

反觀國外，成熟的AI產(chǎn)業(yè)鏈形成了數(shù)量眾多的AI Infra公司。

如果把開發(fā)AI應(yīng)用看成建房子，那么AI Infra就是提供水泥鋼筋的施工隊。AI Infra施工隊的價值點在于它是一個集成平臺，將下層的算力芯片層與上層的AI應(yīng)用層打通，讓開發(fā)者實現(xiàn)一鍵調(diào)用，并且實現(xiàn)降低算力成本、提升開發(fā)效率并且保持模型優(yōu)秀性能的效果。

讓應(yīng)用更簡單，讓AI落地更便捷，是AI Infra的使命?？梢哉f，AI應(yīng)用的市場有多大，AI Infra的機會就有多大。

AI Infra公司有的專門做數(shù)據(jù)標注、做數(shù)據(jù)質(zhì)量、或者模型架構(gòu)等。這些企業(yè)的專業(yè)性，能夠讓他們在某一個單一環(huán)節(jié)的效率、成本、質(zhì)量上都要比大廠親自下場做得更好。

比如，數(shù)據(jù)質(zhì)量公司Anomalo就是Google Cloud和Notion的供應(yīng)商，它可以通過ML自動評估和通用化數(shù)據(jù)質(zhì)量檢測能力，來實現(xiàn)數(shù)據(jù)深度觀察和數(shù)據(jù)質(zhì)量檢測。

這些公司就像汽車行業(yè)的Tier 1，通過專業(yè)的分工，能夠讓大模型企業(yè)不必重復(fù)造輪子，而只需要通過整合供應(yīng)商資源，就能快速地搭建起自己模型構(gòu)架，從而降低成本。

但國內(nèi)在這一方面并不成熟，原因在于：一方面國內(nèi)大模型的主要玩家都是大廠，他們都有一套自己的訓(xùn)練體系，外部供應(yīng)商幾乎沒有機會進入；另一方面，國內(nèi)也缺乏足夠龐大的創(chuàng)業(yè)生態(tài)和中小企業(yè)，AI供應(yīng)商也很難在大廠之外找到生存的空間。

以谷歌為例，谷歌愿意將自己訓(xùn)練的數(shù)據(jù)結(jié)果分享給它的數(shù)據(jù)質(zhì)量供應(yīng)商，幫助供應(yīng)商提高數(shù)據(jù)處理能力，供應(yīng)商能力提升之后，又會反過來給谷歌提供更多高質(zhì)量數(shù)據(jù)，從而形成一種良性循環(huán)。

國內(nèi)AI Infra生態(tài)的不足，直接導(dǎo)致的就是大模型創(chuàng)業(yè)門檻的拔高。如果將在中國做大模型比喻成吃上一頓熱乎飯，那必須從挖地、種菜開始。

目前，在AI 2.0的熱潮中，一個重要的特點就是“兩極化”：最熱門的要么是大模型層、要么就是應(yīng)用層。而類似AI Infra的中間層，反而是很大的真空地帶，也可能是下一個機遇所在。

 鏟子難賣，金礦難挖

盡管在大模型應(yīng)用爆發(fā)的當下，AI Infra層潛藏著巨大的生意。但是對于這些做AI Infra的公司來說，即使他們在自己的專業(yè)領(lǐng)域如此強大，在潮水的變化面前依然脆弱。

英偉達CUDA生態(tài)已經(jīng)發(fā)展了20年，在AI領(lǐng)域，最先進的模型和應(yīng)用都首先在CUDA上跑起來。

每個硬件之間都有不同的接口，CUDA統(tǒng)一了不同接口之間的語言，讓使用者能夠用一套標準語言去使用不同硬件。在模型開發(fā)過程中，開發(fā)者勢必會趨同于在同一個語言體系中去完成自己的開發(fā)。而這實際上就構(gòu)成了英偉達CUDA生態(tài)厚度。

目前，CUDA生態(tài)在AI算力市場占據(jù)了90%以上的份額。不過隨著AI模型的標準化，模型之間結(jié)構(gòu)差異變小，不再需要調(diào)度多種大小模型，英偉達CUDA生態(tài)厚度在變薄。

即使如此，英偉達在算力市場也是絕對王者。據(jù)業(yè)內(nèi)人士預(yù)測，英偉達在接下來的3~5年當中，還會是整個AI硬件提供商中絕對的領(lǐng)頭羊，市場發(fā)展占有率不會低于80%。

對AI Infra層的賣鏟廠商來說，外有英偉達守礦人，堵在門口賣門票與鏟子，好不容易找到一條進入金礦的小路，卻發(fā)現(xiàn)，里面的挖礦人已經(jīng)習慣“徒手”挖礦，不再接受新鏟子。

在國內(nèi)，企業(yè)為軟件付費意愿低，且大多習慣集成式服務(wù)。國內(nèi)SaaS投資已經(jīng)降到冰點，如果AI Infra層廠商單靠賣硬件或軟件難以實現(xiàn)商業(yè)化。

伴隨AI應(yīng)用的快速發(fā)展，未來誰能夠為多樣化的應(yīng)用場景提供高效便捷的大模型一站式部署方案，誰就有可能在這場競爭中勝出。而這其中，底層技術(shù)、中層平臺、上層應(yīng)用缺一不可，只有讓各方面能力得到更全面、均衡地發(fā)展，才能在AI之路上走得更遠、更穩(wěn)健。

放眼未來，人工智能重塑千行百業(yè)的進程剛拉開帷幕，Al Infra鋪就的厚雪長坡有助于這個超級賽道行穩(wěn)致遠。今年，數(shù)據(jù)基礎(chǔ)設(shè)施已在頂層設(shè)計中“獨立門戶”，人工智能基礎(chǔ)設(shè)施戰(zhàn)略地位的躍遷亦不遙遠。

生成海報

免責聲明：此文內(nèi)容為第三方自媒體作者發(fā)布的觀察或評論性文章，所有文字和圖片版權(quán)歸作者所有，且僅代表作者個人觀點，與極客網(wǎng)無關(guān)。文章僅供讀者參考，并請自行核實相關(guān)內(nèi)容。投訴郵箱：editor@fromgeek.com。

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。