劃重點(diǎn)
01OpenAI的新模型o1在邏輯推理能力上達(dá)到了天花板級(jí)別，小模型專門加強(qiáng)推理能力，放棄在參數(shù)中存儲(chǔ)大量世界知識(shí)。
02然而，同時(shí)掌握高階推理能力和大量知識(shí)的任務(wù)仍面臨挑戰(zhàn)，技術(shù)聚光燈再次對(duì)焦到大型模型和RAG的組合。
03分布式向量數(shù)據(jù)庫成為關(guān)鍵，需要更強(qiáng)大的數(shù)據(jù)中心CPU與酷睿Ultra支持的AI PC組合，提供更經(jīng)濟(jì)、更通用的方案。
04星環(huán)科技推出無涯問知Infinity Intelligence，實(shí)現(xiàn)企業(yè)級(jí)智能問答，滿足專業(yè)領(lǐng)域問題解答需求。
05與英特爾深度合作，星環(huán)科技優(yōu)化分布式向量數(shù)據(jù)庫，提升大模型應(yīng)用性能和效率，降低總體擁有成本。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
夢(mèng)晨 金磊 發(fā)自 凹非寺量子位 | 公眾號(hào) QbitAI
OpenAI的新模型o1，可謂是開啟了Scaling Law的新篇章
隨著更多的強(qiáng)化學(xué)習(xí)（訓(xùn)練時(shí)計(jì)算）和更多的思考時(shí)間（測試時(shí)計(jì)算），o1在邏輯推理能力上已經(jīng)達(dá)到了目前天花板級(jí)別。
尤其是在北大給出的一項(xiàng)評(píng)測中，o1-mini模型的跑分比o1-preview還要高：
這就展示一種新的思路和可能性
小模型專門加強(qiáng)推理能力，放棄在參數(shù)中存儲(chǔ)大量世界知識(shí)。
OpenAI科學(xué)家趙盛佳給出的解釋是：
o1-mini是高度專業(yè)化的模型，只關(guān)注少部分能力可以更深入。
但與此同時(shí)，也出現(xiàn)了另一個(gè)問題：
若是想讓AI同時(shí)掌握高階推理能力和大量知識(shí)的任務(wù)應(yīng)該怎么辦？
于是乎，技術(shù)的聚光燈再次對(duì)焦到了大模型和RAG的組合。
具體而言，向量數(shù)據(jù)庫讓大模型能夠快速有效地檢索和處理大量的向量數(shù)據(jù)，為大模型提供了更豐富和準(zhǔn)確的信息，從而增強(qiáng)了模型的整體性能和應(yīng)用范圍。
可以說是讓大模型有了“好記憶”，減少出現(xiàn)答非所問的情況。
而且這一次，小模型專業(yè)化的新趨勢(shì)還對(duì)RAG中的向量數(shù)據(jù)庫提出了更高的要求：
一方面是小模型存儲(chǔ)的知識(shí)少了，對(duì)于外部知識(shí)存儲(chǔ)和檢索的質(zhì)量要求就更高。
另一方面是AI應(yīng)用落地的腳步加快，面對(duì)多用戶、高并發(fā)的場景，對(duì)整個(gè)系統(tǒng)的性能也更高。
在此背景下，業(yè)界先進(jìn)企業(yè)正將目光投向更強(qiáng)大的分布式向量數(shù)據(jù)庫。
向量數(shù)據(jù)庫代表玩家星環(huán)科技就和英特爾強(qiáng)強(qiáng)聯(lián)手，對(duì)此提出了一種新解法：
用更強(qiáng)性能的數(shù)據(jù)中心CPU與酷睿Ultra支持的AI PC組合，加上專門優(yōu)化過的分布式向量數(shù)據(jù)庫，提供更經(jīng)濟(jì)、更通用的方案，有效解決企業(yè)部署大模型的瓶頸問題。
分布式向量數(shù)據(jù)庫助推RAG加速大模型應(yīng)用落地正如我們剛才提到的，RAG的重要組成部分就是外掛的專業(yè)知識(shí)庫，因此這個(gè)知識(shí)庫中需得涵蓋能夠精準(zhǔn)回答問題所需要的專業(yè)知識(shí)和規(guī)則。
而要構(gòu)建這個(gè)外掛知識(shí)庫，常見的方法包括向量數(shù)據(jù)庫、知識(shí)圖譜，甚至也可以直接把ElasticSearch數(shù)據(jù)接入。
但由于向量數(shù)據(jù)庫具備對(duì)高維向量的檢索能力，能夠跟大模型很好地匹配，效果也較好，所以成為了目前主流的形式。
向量數(shù)據(jù)庫可以對(duì)向量化后的數(shù)據(jù)進(jìn)行高效的存儲(chǔ)、處理與管理。
如下圖展示的那樣，數(shù)據(jù)向量化過程利用了諸如詞向量模型和卷積神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)。
通過Embedding過程，這些技術(shù)能夠?qū)⑽谋�、圖像、音視頻等多種形式的數(shù)據(jù)轉(zhuǎn)換成向量形式，并將其存儲(chǔ)在向量數(shù)據(jù)庫中。
至于向量數(shù)據(jù)庫的查詢功能，則是通過計(jì)算向量間的相似度來實(shí)現(xiàn)的。
星環(huán)科技所提出的創(chuàng)新成果，便是無涯問知Infinity Intelligence。
這是一款基于星環(huán)大模型底座，結(jié)合個(gè)人知識(shí)庫、企業(yè)知識(shí)庫、法律法規(guī)、財(cái)經(jīng)等多種知識(shí)源的企業(yè)級(jí)垂直領(lǐng)域問答產(chǎn)品，可以實(shí)現(xiàn)企業(yè)級(jí)智能問答。
例如面對(duì)“國家大基金三期會(huì)投向哪些領(lǐng)域”這樣非常專業(yè)的問題，無涯問知不僅可以輕松作答，還能提供相關(guān)圖譜、關(guān)鍵信息等：
而且還能圖文并茂地展示作答：
上傳本地的視頻文件等，無涯問知“唰唰唰”地就可以做總結(jié)：
整體來看，無涯問知在個(gè)人知識(shí)庫上，支持用戶一鍵上傳文檔、表格、圖片、音視頻等多模態(tài)數(shù)據(jù)，快速實(shí)現(xiàn)海量多模知識(shí)的檢索與智能問答。
在企業(yè)知識(shí)庫方面，則是通過管理端構(gòu)建企業(yè)知識(shí)庫后，員工可以基于企業(yè)知識(shí)庫進(jìn)行問答，知識(shí)庫作為企業(yè)內(nèi)部的知識(shí)共享平臺(tái)，促進(jìn)不同團(tuán)隊(duì)和部門之間的協(xié)作和信息交流。
除此之外，無涯問知內(nèi)置了各大交易所的交易規(guī)則、監(jiān)管要求等常見的法律法規(guī)知識(shí)，用戶可針對(duì)法律法規(guī)的具體條款、監(jiān)管規(guī)則、試行辦法等提出問題，無涯問知將提供法律風(fēng)險(xiǎn)預(yù)警以及應(yīng)對(duì)建議。
它還內(nèi)置了豐富的上市公司財(cái)報(bào)和產(chǎn)業(yè)鏈圖譜數(shù)據(jù)，能夠?yàn)榻鹑跈C(jī)構(gòu)提供全面深入的投資研究分析工具。
即便是面對(duì)金融、法律等眾多既要求時(shí)效性、又要求數(shù)據(jù)隱私的行業(yè)，星環(huán)也有無需上云聯(lián)網(wǎng)的無涯問知AI PC版，它可以在配備英特爾 酷睿 Ultra的主流個(gè)人電腦上，基于集成顯卡和NPU流暢運(yùn)行。
它不僅具備強(qiáng)大的本地化向量庫，支持多格式、不限長度的文件資料入庫，還支持影、音、圖、文等多模態(tài)數(shù)據(jù)的“知識(shí)化”處理，以及“語義化”查詢和應(yīng)用能力，極大地豐富了知識(shí)獲取和應(yīng)用場景。
無涯問知可以算是星環(huán)知識(shí)平臺(tái)Transwarp Knowledge Hub中重要的組成部分，其為用戶打通了從人工智能基礎(chǔ)設(shè)施建設(shè)到大數(shù)據(jù)、人工智能等研發(fā)應(yīng)用的完整鏈條。
值得一提的是，TKH同樣提供了AI PC版本，基于本地大模型技術(shù)，能夠回答用戶各類問題，為用戶帶來文檔總結(jié)、知識(shí)問答等全新體驗(yàn)，同時(shí)保障用戶隱私數(shù)據(jù)安全。
AI PC版本星環(huán)大模型知識(shí)庫提供本地大模型和遠(yuǎn)程大模型供選擇，簡單問題可以由本地模型快速處理，而復(fù)雜疑難問題則可以提交給云端大模型進(jìn)行深入分析。
這種彈性擴(kuò)展的能力，確保了企業(yè)在面對(duì)不同挑戰(zhàn)時(shí)，都能夠獲得足夠的計(jì)算支持。
而這一系列產(chǎn)品之所以能夠做到在云端和本地都能提供高效的知識(shí)管理和智能化工具，離不開星環(huán)科技自研的幾個(gè)關(guān)鍵技術(shù)。
首先就是基于星環(huán)自研向量數(shù)據(jù)庫Hippo的向量索引技術(shù)，能夠在龐大的數(shù)據(jù)集中快速精準(zhǔn)地召回相關(guān)信息，提升了信息檢索的速度和準(zhǔn)確性，使模型在處理查詢時(shí)更加高效。
其次是利用了圖計(jì)算框架，讓大模型能夠識(shí)別實(shí)體間的多層次關(guān)系，從而進(jìn)行深度的關(guān)聯(lián)分析，提供了更為深入和準(zhǔn)確的洞察結(jié)論。
在數(shù)據(jù)方面，覆蓋官方資訊、門戶類網(wǎng)站、自媒體財(cái)經(jīng)等1600多個(gè)信息源，涵蓋了全市場的各類宏觀、價(jià)格指數(shù)以及大部分新聞數(shù)據(jù)。
不僅包括通常渠道可獲取的數(shù)據(jù)，還包含高可信度、擁有第一手資料的新聞合作商數(shù)據(jù)，同時(shí)也對(duì)所有官方政策數(shù)據(jù)進(jìn)行實(shí)時(shí)全覆蓋。
但隨著大模型的發(fā)展，數(shù)據(jù)規(guī)�？芍^是極速暴增，這就對(duì)數(shù)據(jù)庫和智能問答的性能提出更高要求。
因此，數(shù)據(jù)壓縮、算力提升也成為了各個(gè)大模型玩家發(fā)力的關(guān)鍵點(diǎn)。
在這方面，星環(huán)科技與英特爾深度合作，從端側(cè)的AIPC到后端的數(shù)據(jù)中心和云，通過軟硬協(xié)同優(yōu)化為大模型的應(yīng)用落地打造了可行的方案。
CPU助力向量數(shù)據(jù)庫應(yīng)用性能大幅提升向量數(shù)據(jù)庫搭配CPU，其實(shí)本來就已經(jīng)是行業(yè)內(nèi)現(xiàn)階段的主流共識(shí)。
究其原因，向量相似度檢索、高密度向量聚類等都屬于CPU密集型負(fù)載。因此，CPU的性能至關(guān)重要。
第五代英特爾 至強(qiáng) 可擴(kuò)展處理器，正式帶來了一系列面向AI時(shí)代的關(guān)鍵特性更新。
首先，它搭載了更大容量的高帶寬內(nèi)存，有效緩解了向量數(shù)據(jù)庫中數(shù)據(jù)密集型工作負(fù)載的內(nèi)存墻問題。
此外，它還集成了英特爾 AMX（高級(jí)矩陣擴(kuò)展）加速引擎，能高效地處理向量數(shù)據(jù)庫查詢所需的矩陣乘法運(yùn)算，并在單次運(yùn)算中處理更大矩陣。
對(duì)于云端部署的版本來說，搭載第五代至強(qiáng) 處理器后，星環(huán)Transwarp Hippo的 整體性能較第三代提升高達(dá)2.07倍。
那么本地AI算力，是否能支撐在AI PC上使用大模型來支持企業(yè)應(yīng)用呢？
星環(huán)嘗試后給出了答案：完全夠用。
從AI PC誕生到現(xiàn)在近一年時(shí)間，整體AI算力提升了200%多，能耗又降低了50%。
這背后就要?dú)w功于英特爾 酷睿 Ultra系列的升級(jí)改進(jìn)了。
在最新的英特爾 酷睿 Ultra 處理器 （第二代）200V系列處理器支持下，整個(gè)AI PC平臺(tái)算力最高能達(dá)到120 TOPS。
特別是其中搭載的第四代NPU，性能比上一代強(qiáng)大4倍，非常適合在節(jié)能的同時(shí)運(yùn)行持續(xù)的AI工作負(fù)載。
在軟件層面，英特爾和星環(huán)合作，還對(duì)數(shù)據(jù)庫底層做了性能優(yōu)化。
通過水平擴(kuò)展架構(gòu)、基于CPU的向量化指令優(yōu)化、多元芯片加速等技術(shù)，有助于分布式向量數(shù)據(jù)庫發(fā)揮并行檢索能力，為海量、多維向量處理提供強(qiáng)大算力支持。
經(jīng)過優(yōu)化后的Transwarp Hippo實(shí)現(xiàn)了海量、高維度向量數(shù)據(jù)處理，并具備低時(shí)延、高精確度等優(yōu)勢(shì)。
同時(shí)提升了Transwarp Hippo了服務(wù)器節(jié)點(diǎn)的性能密度，在性能提升的同時(shí)，具備更高的每瓦性能，有助于節(jié)省單位性能的能耗支出，最終體現(xiàn)為降低總體擁有成本 (TCO)。
存算融合趨勢(shì)明顯，CPU大有可為隨著OpenAI o1系列為代表的大模型不斷革新算法，大模型推理時(shí)的算力消耗正在飛速攀升，對(duì)支撐大模型運(yùn)轉(zhuǎn)的基礎(chǔ)設(shè)施平臺(tái)提出了更高的要求。
特別是對(duì)于需要頻繁訪問外部知識(shí)庫的大模型應(yīng)用，存儲(chǔ)與計(jì)算深度融合儼然成為當(dāng)務(wù)之急。
在這一技術(shù)變革大潮中，CPU成為其中關(guān)鍵角色之一。
此外，英特爾基于CPU的解決方案還為用戶帶來了更具成本優(yōu)勢(shì)的選擇。由于通用CPU擁有成熟、完善的供應(yīng)鏈體系和生態(tài)支持，企業(yè)用戶可以獲得穩(wěn)定可靠的算力供給。
同時(shí)，英特爾 至強(qiáng) 和酷睿 處理器能同時(shí)覆蓋端側(cè)和云側(cè)的算力需求，為不同的應(yīng)用場景提供強(qiáng)大的支持。
展望未來，存算一體化的趨勢(shì)將愈發(fā)明顯。
從大模型應(yīng)用的角度看，知識(shí)檢索和AI推理將不再?zèng)芪挤置�，而是深度交織、彼此�?qiáng)化。
在這樣一個(gè)智能融合的未來圖景中，CPU作為連接存儲(chǔ)、網(wǎng)絡(luò)和各類加速器的紐帶，其地位將變得舉足輕重。
為了科普CPU在AI推理新時(shí)代的玩法，量子位開設(shè)了《最“in”AI》專欄，將從技術(shù)科普、行業(yè)案例、實(shí)戰(zhàn)優(yōu)化等多個(gè)角度全面解讀。
我們希望通過這個(gè)專欄，讓更多的人了解CPU在AI推理加速，甚至是整個(gè)AI平臺(tái)或全流程加速上的實(shí)踐成果，重點(diǎn)就是如何更好地利用CPU來提升大模型應(yīng)用的性能和效率。
完
