人工智能的强大程度取决于其背后的数据架构。
在 The AI Forecast 第 52 期《为什么大型语言模型还不够以及 AI Fabric 将如何改变一切》中，主持人 Paul Muller 与 Dr. Jake Trippel（康科迪亚大学圣保罗分校商业与技术学院院长，同时也是 Codename 37 的联合创始人兼首席技术官）深入交谈，一起探讨阻碍企业扩展人工智能的因素
孤岛式的数据架构
对机器学习、深度学习和神经网络力量的误解
技术债务的累积
他们的对话涵盖云经济与内部部署经济，以及即将从 SaaS 应用程序向基于机器人的体验转变。以下是他们讨论中的几个关键时刻。
为什么 AI 架构正触及其极限
Paul：请谈谈我们过去看到的人工智能和数据架构，以及为什么我们现在需要重新思考它们。
Jake：我们经历了数字化转型时代，这是数据方面的挑战。我们一直处于数据孤岛状态，因为这是我们平台的架构方式，也是数据的组织方式。然后我们尝试做了大量集成。我们尝试开发所有这些应用集成引擎。我们尝试寻找巧妙的方法来做到这一点，但结果是，我们把 ELT 和 ETL、系统之间的数据拉扯得一团糟。
说回如今。现在的挑战是，这些组织有动机让我们保持信息孤岛，因为现在出现了人工智能数据孤岛，数据仍然处于孤岛状态，而这正是云计算的力量所在。这就是我们为成为 Cloudera 合作伙伴而感到自豪的地方。
想象一下同样的问题，只不过是被放大了。我有大量的 AI 智能体——非常棒——但它们只在各自的数据孤岛中工作。
人们会想要更多。他们需要能够一起工作、一起交流、一起推理的智能体。但如果您的数据仍然分散在各个孤岛中，您该如何做到这一点呢？要实现数据网格，需要进行转型变革，这也是 Cloudera 能够为用户提供帮助的原因。
为什么大型语言模型还不够
Paul：您有哪些技巧、最佳实践或窍门，能够帮助您最大化数据处理的效果？
Jake：最重要的是要明白，大型语言模型并不是所有问题的答案。人工智能是一个充满可能性的世界。
大型语言模型在某些方面非常出色，但在另一些方面却非常糟糕。人们必须理解机器学习、深度学习和神经网络的力量——后者实际上是前两者的核心。
当前时代所需要的技能是能够为正确的用例开发或使用正确的模型，并快速处理数据。这就是人们需要集中精力的地方。
技术债务的累积效应
Paul：根据您的经验和看法，组织应该如何务实地从现有状态开始向目标状态过渡？他们如何清理数据？是否有一种机制，使他们可以在不造成破坏的情况下完成这项工作？
Jake：这是一个很有分量的问题，所以我会尽量把它拆解一下。您能坚持三十年是有原因的。我们仍然可以看到 AS/400 系统在使用——而且它们还能正常工作。IBM 是值得称赞的。
然而，这些组织面临的挑战是你花费了多少资金？由于这种技术债务的复合效应，你可以一年又一年、十年又十年地拖延。成本只会不断上涨。
但现在至少你有了选择。我们可以将数据提取出来，并且可以利用它做比以往多得多的事情。只要我们能访问并持续获取数据，我们现在就可以并行创造任何我们想要的体验。
为什么一些 AI 工作负载正在迁移回本地
Paul：就您现有客户而言，在他们考虑部署新工作负载时，您目前观察到了什么？
Jake：我们看到了大规模迁移回本地的趋势。简直不敢相信。真没想到。
由于这些组织要进行更多的模型开发、培训等工作，云成本模式显得过于昂贵。我还没遇到过哪个首席财务官会对每月花费这么多钱来训练这些模型感到兴奋。
因此，他们正在进行投资。他们正在回归数据中心。他们将在未来五年内对其进行折旧。我们在医疗设备、金融服务、航空等领域都看到了这种现象——通常采用混合云，但对于某些工作负载，尤其是培训和开发，这种方式更具成本效益。
人工智能在学习中的放大作用——利与弊
Paul：你对学术界以及我们如何培养未来的劳动力有何看法？
Jake：人工智能是一种放大器。它会放大好的一面，也会放大坏的一面。
从好的方面来看，人们的学习速度将比以往快十倍、二十倍。我已经构建出能在三秒内阅读书籍的模型。现在，我可以沉浸在数据中，根据自己的学习风格创建任何类型的学习体验。
不好的一面是，学生选择了，我就什么都不用做了。我可以让人工智能完成我的所有工作，但我不会学到任何东西。那是令我害怕的部分。
我们这个时代的技能是，我希望你喜欢学习。在你以后的职业生涯中，你每天都要这样做。
在 Spotify、Apple Podcasts 和 YouTube 上收听《人工智能预测》节目中与杰克·特里佩尔博士的完整对话。
