文章來自新智元
最近，AI圈依然是大事頻發，幾天一個爆炸性新聞。Meta聯手微軟高調開源了Llama 2，它在2萬億個token上訓練，秒殺許多開源語言模型，并且還能免費商用。OpenAI科學家Karpathy最近搞的明星項目「Baby Llama」，已經可以用C語言跑Llama 2 7B了。而就在幾天前，Stability AI正式發布了下一代文生圖模型——Stable Diffusion XL 1.0。
這次的1.0版本是Stability AI的旗艦版生圖模型，也是最先進的開源生圖模型。在目前的開放式圖像模型中，SDXL 1.0是參數數量最多的。官方表示，這次采用的是全新的架構，基礎模型的參數規模達到35億，同時還有一個66億參數大小的細化模型。而如此強大的生圖模型，已經可以在Amazon Bedrock上一鍵訪問了！
基礎模型全面上新
就在上周，亞馬遜云科技發布了一大波基礎模型上新。除了剛剛提到的SDXL 1.0，Amazon Bedrock還增加了對Cohere基礎模型以及ChatGPT最強競品——Anthropic的Claude 2的支持。
Cohere研發的大語言模型Command，是一個能夠接受用戶個性化命令訓練的模型，專注于提供文本搜索、文本分類和文本生成三大AI能力。
另外，Anthropic推出的Claude 2，其處理能力已經更新到10萬個token。相較之前版本，Claude 2在數學、代碼、推理能力方面有明顯的提升。
同時，開發者還可以通過機器學習中心Amazon SageMaker Jumpstart，一鍵開發各類熱門開源模型。比如，Meta最新的Llama 2、世界最大開源社區Hugging Face托管的Falcon、Flan等等。
Agents改變游戲規則
不過，基礎模型雖然在各種任務上有強大的泛化能力，但隨著應用場景的不斷擴展，僅靠模型本身已經很難去完成一些復雜的任務了。比如預定航班或退回購買的商品這種簡單的任務，開發者都必須經歷多個步驟——通過提供特定的說明和配置、訪問相關知識源、編寫代碼將任務分解，然后應用才能通過一系列API調用采取行動。在這個過程中，開發者必須配置和管理基礎架構，設置數據安全和隱私策略，繁瑣又耗時。而前段時間AutoGPT的爆火，則給了學界和工業界一個全新的探索方向——集成了大語言模型的Agents。
Karpathy曾將AutoGPT稱為快速工程的下一個前沿
概括來說，AI智能體可以通過最簡單的形式運行循環，并且在每一次的迭代中，都會生成自主指令和操作。因此，它們既無需依賴人類來引導對話，還具有高度的可擴展性。
以AutoGPT為例，我們每分配一個任務，它都會給出一個相應的解決計劃。比如，需要瀏覽互聯網或使用新數據，它便會調整其策略，直到任務完成。這就像擁有一個能處理各種任務的私人助手，如市場分析、客戶服務、市場營銷、財務等。正如今年加入OpenAI的大牛、前特斯拉AI總監Karpathy所說：「Agents代表著AI的一種未來。」
亞馬遜云科技也在這個領域進行了自己的探索，并且創新性地提出了全新的Amazon Bedrock Agents。
基于Amazon Bedrock提供的Agents功能，開發者可以輕松創建各種生成式AI應用，來完成復雜任務，并根據專有知識源提供最新答案。以往得耗費幾個小時編碼來實現的過程，現在無需任何手動編碼，只要單擊幾下，Agents就能自動分解任務，創建計劃。這樣一來，生成式AI應用程序分分鐘就搞出來了。
那么，Amazon Bedrock Agents是如何讓基礎模型加速工作流的呢？具體可分為以下四個步驟：
第一步：定義指令和編排，將復雜任務分解為多個步驟
第二步：檢索增強生成（RAG），配置FM與公司數據互動
第三步：完成交互，執行API調用以滿足用戶請求
第四步：在云中安全托管
Amazon Bedrock Agents可以通過簡單的API鏈接到公司數據，將其轉換為機器可讀的格式，就能生成準確響應。然后自動調用API，滿足用戶請求。
基于Amazon Bedrock，用戶可以任意選擇適合自己用例的基礎模型，然后用自然語言給它下指令。
比如告訴它，「你現在是一個智能體，需要幫助處理保險索賠和管理待處理文書的工作」。
然后，對Agents發出命令「向所有有未結索賠和待處理文書工作的保單持有人發送提醒」，它馬上理解了我們的請求，把任務分成多個步驟——收集未結保險索賠、查找索賠 ID、發送提醒，然后執行了相應的操作。
而且，有了Amazon Bedrock Agents的功能，用于電商的AI程序不僅可以回答簡單的問題，還能完成復雜的任務，比如更新訂單、管理交易。
比如，客戶發出想要退回一雙鞋，可以直接說：「我想把這雙黑色鞋換成棕色的」。Agents收到信息后，就會連接到公司數據，自動將文本轉換成機器可讀格式，向模型提供相關信息，然后調用正確的API來滿足這一請求。
英偉達H100最強加持
然而，基礎模型性能不斷提升，所帶來的是動輒幾百萬億的參數。這種復雜性的暴漲，也極大地增加了模型訓練和微調的時間——最新的LLM需要數月的時間來進行訓練。與此同時，HPC領域也呈現出了類似的趨勢。隨著精度的提高，用戶收集的數據集已經達到了Exabyte級別。為了滿足高性能和可擴展性的算力需求，亞馬遜云科技全新推出了搭載英偉達最強GPU——H100的Amazon Elastic Compute Cloud（EC2）P5實例。相較于上一代，Amazon EC2 P5 實例不僅可以將訓練時間縮短高達6倍（從幾天縮短到幾小時），而且還能使訓練成本降低高達40%。
具體來說，Amazon EC2 P5 實例共搭載了8個NVIDIA H100 Tensor Core GPU，配備640 GB高帶寬GPU顯存，同時還有第三代AMD EPYC處理器、2 TB系統內存、30 TB本地NVMe存儲，以及高達3200 Gbps的總網絡帶寬。堪稱配置拉滿的性能，為最苛刻、計算密集的生成式AI應用提供了支持，包括問答系統、代碼生成、視頻和圖像生成、語音識別等，非常適合訓練和運行日益復雜的LLM和CV模型。基于全新的Amazon EC2 P5 實例，用戶可以探索此前難以觸及的問題，并且更快地迭代出解決方案。
此外，為了滿足用戶對大規模和低延遲的需求，亞馬遜云科技還推出了搭載有Amazon EC2 P5實例的第二代EC2 UltraClusters。作為云中規模最大的ML基礎設施，EC2 UltraClusters可提供高達20 exaflops的總計算能力，以及跨20,000多個NVIDIA H100 GPU的低延遲。
給模型插入「外接大腦」
從智能體的構建中我們不難看到，所有基于大模型搭建好的應用，想要獲取實時數據，都需要建立在檢索增強生成（RAG）之上。而這一技術是向量數據庫能夠在AI應用中發揮重要作用的根本。為什么這樣說？那就得看看，檢索增強生成能實現什么。
比如，當你問ChatGPT「芭比」電影好看嗎？
顯然，ChatGPT是無法及時回復最新的相關信息。這對于企業來講，用戶咨詢最新內容時，應用無法做出回應，大大降低了生產力。有了檢索增強生成，便能夠補充特定領域的知識。大模型參數雖大，但無法記住許多長尾數據，還需要通過搜索召回相關領域的知識。這里，對專業領域知識的補充就離不開，向量數據庫、搜索引擎等。
另一方面，大模型的知識很容易過時，僅靠微調模型，讓知識更新是行不通的。微調模型需要耗費大量算力、時間，關鍵是天天微調根本不現實。要知道，對于企業來講，業務數據必須是實時的。因此向量數據庫、搜索引擎都能夠幫助模型，獲得新數據，同時重訓模型周期也被拉長。由于向量數據庫對「高維嵌入」有強大的檢索能力，與大模型結合較為簡單，因此成為RAG最常用的數據存儲形式。
微軟Build大會上，曾介紹了其產品如何將較少的上下文感知LLM與向量搜索結合起來，來創造更有吸引力的體驗。這其中基本的想法，也就是在LLM中，添加向量搜索，以進行檢索增強生成。而向量化，就是將數據轉化為維度，如下你可以看到兩種維度：大小，和類型。其中大小有兩個值（大和小），類型有2個值（樹和動物）。這只是一個概念例子，還可以擴展到更多的值。
除了圖片，還可以進行單詞/句子向量搜索，向量搜索能夠捕捉到語義表示。
假設你有數百個，甚至數萬個文檔數據庫作為背景，是無法放在ChatGPT提示框中，但可以通過向量搜索來縮小最有可能的包含答案的上下文。
對于數據庫，既可以儲存文檔和嵌入，也可以用來存儲查詢，并根據相關查詢來找到最相關文檔，這樣就可以通過?檔檢索增強LLM。
今年英偉達GTC大會上，黃仁勛首提向量數據庫，并推出了新庫RAFT，用于加速索引、數據加載和近鄰檢索。其重要意義在于，向量數據庫是大模型的「海馬體」，能夠讓LLM實時進行信息召回。通過把實時資訊、市場行情等實時變化的信息置入模型中，就能使其提供更精準的結果。
Amazon OpenSearch Serverless向量引擎
同樣在亞馬遜云科技峰會上，首次推出了——Amazon OpenSearch Serverless向量引擎。開發者們通過這個工具，就可以輕松使用向量數據庫，快速構建基于大模型的搜索體驗。
總的來說，Amazon OpenSearch Serverless向量引擎引入了簡單、可擴展和高性能的向量存儲和搜索功能。開發者可以快速存儲和查詢各種ML模型（包括Amazon BedRock提供的模型）生成的數十億個向量嵌入，響應時間僅為毫秒級。
當前，生成式AI大爆發，所有垂直領域的企業都在轉向這一熱潮，并探索通過集成高級對話生成AI應用程序，以改變用戶體驗，以及和數字平臺交互的方法。亞馬遜云科技推出的這項工具，通過使用向量嵌入，能夠增強ML搜索和生成式AI。向量嵌入在用戶私有數據上進行訓練，并能表示信息的語義和上下文屬性。這樣做的優勢在于，能夠及時處理用戶的查詢，以查找最接近的向量，并將其與其他元數據組合在一起，進而無需依賴外部數據源或其他應用程序代碼集成結果。
值得一提的是，向量引擎是基于Amazon OpenSearch Serverless構建，因此無需擔心后端基礎架構的大小、調整和擴展。所有數據都持久保存在Amazon Simple Storage Service （Amazon S3） 中。當向量數量從原型開發時的幾千個增長到生產時的上億個甚至更多，向量引擎將無縫擴展，無需重新索引或重新加載數據來擴展基礎架構。
此外，向量引擎還為索引和搜索工作負載提供獨立計算，因此開發者可以實時無縫地攝取、更新和刪除向量，同時確保用戶體驗不受查詢性能的影響。借助對Amazon OpenSearch Serverless的向量引擎支持，開發人員將擁有一個簡單、可擴展和高性能的解決方案，來構建機器學習增強的搜索體驗和生成性人工智能應用程序，而無需管理向量數據庫基礎設施。
全球生成式AI領導者
隨著數據量大爆發、可高度擴展算力的可用性、以及機器學習技術的進步，讓生成式AI足以改變每個行業。因此，越來越多的企業希望快速采用最新技術，創造價值。選擇正確的模型，使用公司數據安全定制模型，并將其集成到應用程序中是一個復雜的過程，都需要花費大量時間、和高度專業化的知識。恰恰，亞馬遜云科技Amazon Bedrock簡化了這一流程，通過簡單的API訪問一流的基礎模型。通過Amazon Bedrock Agents這一完全托管的服務，開發者能夠輕松創建基于生成式AI的應用程序，以完成各種用例的復雜任務。其中Vector Database，能夠幫助開發者的應用程序實時存儲數據，及時召回信息，提供更好的用戶體驗。
Amazon EC2 P5 實例更是為模型訓練節省大量時間和算力。基于以上的創新，真正詮釋了亞馬遜云科技是端到端的生成式AI領導者，幫助企業開發者釋放生成式AI的潛力，創造價值。同時，亞馬遜云科技不斷降低生成式AI的門檻，更是致力于GenAI普惠的領導者。前段時間，亞馬遜云科技剛剛宣布了編程助手Amazon CodeWhisperer可用，能夠使用底層基礎模型幫助開發人員提高工作效率。它可以根據開發人員使用自然語言留下的注釋和IDE（集成開發環境）中的歷史代碼實時生成代碼建議。這次，Amazon CodeWhisperer首次與Amazon Glue Studio Notebooks實現集成，能夠幫助用戶優化使用體驗，提高開發效率。
通過Amazon Glue Studio Notebooks，開發人員用特定語言來編寫任務，然后Amazon CodeWhisperer會推薦一個或多個可以完成此任務的代碼片段。Amazon CodeWhisperer針對最常用的API進行了優化，例如Amazon Lambda或Amazon Simple Storage Service（Amazon S3），使其成為構建應用程序開發者們的絕佳編碼伴侶。除此之外，亞馬遜云科技還提供了7門免費的技能培訓課程，幫助開發者以使用生成式AI。其中，還聯手吳恩達推出了「用大型語言模型構建生成式AI」新課程。
醫療領域已有落地應用
今年這波AI大模型的浪潮，也激發了人們對生成式AI在醫療行業的應用的探索。比如前幾天，谷歌發布了一個「通才生物醫學AI」——Med-PaLM M多模態模型。這個多模態生成模型能夠利用醫學的豐富數據，使用相同的模型權重集解釋臨床語言、醫學圖像和基因組學。
同樣，對于AI在醫療行業的應用，亞馬遜云科技也同樣有所行動，發布了一款面向醫療保健軟件提供商的全新服務——Amazon HealthScribe。
Amazon HealthScribe通過使用使用生成式AI的機器學習模型和語音識別，能自動起草臨床文檔，幫助臨床醫生轉錄和分析他們與患者的對話。它的自然語言處理功能，還可以從對話中提取復雜的醫學術語，比如藥物和醫學狀況。病史、要點、就診原因，一應俱全。Amazon HealthScribe中的AI功能，正是由Amazon Bedrock提供支持的，通過預訓練模型，用戶就可以從初創公司以及亞馬遜自身構建生成式AI了。
可以說，作為全球云計算的開創者，亞馬遜云科技看到了AI浪潮當下，生成式人工智能的潛力和重要性。生成式AI能夠有改變每一個應用程序、每一個業務、甚至每一個行業。數據處理、算力和機器學習的進步，正在加速許多企業從實驗到部署的轉變。通過提供Amazon Bedrock等服務，以及與行業領導者的合作，這家公司正在普及對生成性人工智能的訪問。在不斷創新的基礎上，亞馬遜云科技正在讓開發者，讓世界重新構想體驗，把最好的產品帶入生活。
關鍵詞：
