隆重推出：规模生成人工智能指数

anisur222

在过去几年中，人工智能应用和商业化的两个主要限制是： ML 模型主要擅长跨语音、语言和图像等学科的理解任务（分类、实体提取、对象识别等），而不是生成。 各个初创公司负责“DIY ML”——收集和标记专有训练数据并构建自己的 ML 模型。 但在过去 18 个月里，机器学习的能力得到了显着扩展，如下所示： 具有现实世界有用生成能力的模型已经出现。 为软件开发人员提供现成功能的基础模型已经可用。我们之前概述了我们的论点，即为什么我们相信基础模型是新的公共云。 我们正在密切关注这些重叠但截然不同的趋势的势头。为了跟踪我们自己的工作并分享我们积累的一些知识，我们推出了规模生成人工智能指数，该指数列出了该领域近 200 家公司以及他们正在构建的产品的详细信息。随着研究的进展，我们将不断添加到此市场地图中。 我们的指数包括在基础模型（生成和非生成用例）之上构建的公司、使用专有模型构建生成产品的公司以及对该生态系统重要的 MLOps/Infra 产品。

每个桶的详细信息如下： 基础模型 基础模型（如 GPT-3 和 Stable Diffusion）是在广泛的数据集上训练的非常大的模型，可以适应广泛的下游任务（Stanford HAI）。基础模型类似于公共云，为不具备专业机器学习技能的开发人员提供强 美国电话号码列表 大的新技术（在本例中为人工智能）。 随着越来越多的工程师开始使用人工智能进行建筑，这些模型的低成本和易用性正在加速人工智能应用程序的发展。 如今，基础模型（例如 GPT-3 和稳定扩散）经常被用来构建生成应用程序，因为这是它们最“哇！”的地方。能力。但它们也可以应用于更传统的机器学习用例，例如分类和实体提取，重要的是，它们最大限度地减少（但不是完全消除）初创公司收集专有训练数据、为其添加标签、构建复杂的数据转换、调整超参数的需要，然后选择正确的型号。 生成应用程序 这些公司利用生成式人工智能来实现其同名目的：在各种媒体类型中创造净新输出。不用说，这是迄今为止最多产的类别，因此包含了我们指数中的大多数公司。



我们在这里看到的初创公司既有直接在现有基础模型之上构建的，也有选择从头开始构建自己模型的路线的初创公司，特别是在不存在基础模型的领域（例如语音）。 使用基础模型构建的非生成式应用程序 虽然生成用例是基础模型最流行的应用，但许多新兴产品强调生成只是故事的一部分。另一组强大且新可行的应用程序已经利用了它们的嵌入。 文本、图像甚至应用程序的一组可能的操作都可以通过嵌入来表示，这比以往任何时候都更有效。语义搜索（例如Mem-X的基础）和基于文本的界面（例如 RunwayML 的最新功能）是基础模型的两个令人着迷的应用。 MLOps、基础设施 我们在该领域看到的大量创新也产生了对满足这些新用例的支持基础设施和框架的需求。这里的公司有多种形式，但主要集中在： ML Ops：使选择、实施和微调基础模型变得尽可能简单。 矢量数据库：针对基于矢量的信息检索而优化的数据库 这个领域还有其他一类公司，比如 Hugging Face。 总而言之，生成式人工智能的创造力使软件能够改变从配音演员到摄像等各种创意领域，而基础模型则可以更快地对人工智能的全新用例进行实验。