文章来自新智元
最近，AI圈依然是大事频发，几天一个爆炸性新闻。Meta联手微软高调开源了Llama 2，它在2万亿个token上训练，秒杀许多开源语言模型，并且还能免费商用。OpenAI科学家Karpathy最近搞的明星项目「Baby Llama」，已经可以用C语言跑Llama 2 7B了。而就在几天前，Stability AI正式发布了下一代文生图模型——Stable Diffusion XL 1.0。
这次的1.0版本是Stability AI的旗舰版生图模型，也是最先进的开源生图模型。在目前的开放式图像模型中，SDXL 1.0是参数数量最多的。官方表示，这次采用的是全新的架构，基础模型的参数规模达到35亿，同时还有一个66亿参数大小的细化模型。而如此强大的生图模型，已经可以在Amazon Bedrock上一键访问了！
基础模型全面上新
就在上周，亚马逊云科技发布了一大波基础模型上新。除了刚刚提到的SDXL 1.0，Amazon Bedrock还增加了对Cohere基础模型以及ChatGPT最强竞品——Anthropic的Claude 2的支持。
Cohere研发的大语言模型Command，是一个能够接受用户个性化命令训练的模型，专注于提供文本搜索、文本分类和文本生成三大AI能力。
另外，Anthropic推出的Claude 2，其处理能力已经更新到10万个token。相较之前版本，Claude 2在数学、代码、推理能力方面有明显的提升。
同时，开发者还可以通过机器学习中心Amazon SageMaker Jumpstart，一键开发各类热门开源模型。比如，Meta最新的Llama 2、世界最大开源社区Hugging Face托管的Falcon、Flan等等。
Agents改变游戏规则
不过，基础模型虽然在各种任务上有强大的泛化能力，但随着应用场景的不断扩展，仅靠模型本身已经很难去完成一些复杂的任务了。比如预定航班或退回购买的商品这种简单的任务，开发者都必须经历多个步骤——通过提供特定的说明和配置、访问相关知识源、编写代码将任务分解，然后应用才能通过一系列API调用采取行动。在这个过程中，开发者必须配置和管理基础架构，设置数据安全和隐私策略，繁琐又耗时。而前段时间AutoGPT的爆火，则给了学界和工业界一个全新的探索方向——集成了大语言模型的Agents。
Karpathy曾将AutoGPT称为快速工程的下一个前沿
概括来说，AI智能体可以通过最简单的形式运行循环，并且在每一次的迭代中，都会生成自主指令和操作。因此，它们既无需依赖人类来引导对话，还具有高度的可扩展性。
以AutoGPT为例，我们每分配一个任务，它都会给出一个相应的解决计划。比如，需要浏览互联网或使用新数据，它便会调整其策略，直到任务完成。这就像拥有一个能处理各种任务的私人助手，如市场分析、客户服务、市场营销、财务等。正如今年加入OpenAI的大牛、前特斯拉AI总监Karpathy所说：「Agents代表着AI的一种未来。」亚马逊云科技也在这个领域进行了自己的探索，并且创新性地提出了全新的Amazon Bedrock Agents。
基于Amazon Bedrock提供的Agents功能，开发者可以轻松创建各种生成式AI应用，来完成复杂任务，并根据专有知识源提供最新答案。以往得耗费几个小时编码来实现的过程，现在无需任何手动编码，只要单击几下，Agents就能自动分解任务，创建计划。这样一来，生成式AI应用程序分分钟就搞出来了。
那么，Amazon Bedrock Agents是如何让基础模型加速工作流的呢？具体可分为以下四个步骤：
第一步：定义指令和编排，将复杂任务分解为多个步骤
第二步：检索增强生成（RAG），配置FM与公司数据互动
第三步：完成交互，执行API调用以满足用户请求
第四步：在云中安全托管
Amazon Bedrock Agents可以通过简单的API链接到公司数据，将其转换为机器可读的格式，就能生成准确响应。然后自动调用API，满足用户请求。
基于Amazon Bedrock，用户可以任意选择适合自己用例的基础模型，然后用自然语言给它下指令。
比如告诉它，「你现在是一个智能体，需要帮助处理保险索赔和管理待处理文书的工作」。
然后，对Agents发出命令「向所有有未结索赔和待处理文书工作的保单持有人发送提醒」，它马上理解了我们的请求，把任务分成多个步骤——收集未结保险索赔、查找索赔 ID、发送提醒，然后执行了相应的操作。
而且，有了Amazon Bedrock Agents的功能，用于电商的AI程序不仅可以回答简单的问题，还能完成复杂的任务，比如更新订单、管理交易。
比如，客户发出想要退回一双鞋，可以直接说：「我想把这双黑色鞋换成棕色的」。Agents收到信息后，就会连接到公司数据，自动将文本转换成机器可读格式，向模型提供相关信息，然后调用正确的API来满足这一请求。
英伟达H100最强加持
然而，基础模型性能不断提升，所带来的是动辄几百万亿的参数。这种复杂性的暴涨，也极大地增加了模型训练和微调的时间——最新的LLM需要数月的时间来进行训练。与此同时，HPC领域也呈现出了类似的趋势。随着精度的提高，用户收集的数据集已经达到了Exabyte级别。为了满足高性能和可扩展性的算力需求，亚马逊云科技全新推出了搭载英伟达最强GPU——H100的Amazon Elastic Compute Cloud（EC2）P5实例。相较于上一代，Amazon EC2 P5 实例不仅可以将训练时间缩短高达6倍（从几天缩短到几小时），而且还能使训练成本降低高达40%。
具体来说，Amazon EC2 P5 实例共搭载了8个NVIDIA H100 Tensor Core GPU，配备640 GB高带宽GPU显存，同时还有第三代AMD EPYC处理器、2 TB系统内存、30 TB本地NVMe存储，以及高达3200 Gbps的总网络带宽。堪称配置拉满的性能，为最苛刻、计算密集的生成式AI应用提供了支持，包括问答系统、代码生成、视频和图像生成、语音识别等，非常适合训练和运行日益复杂的LLM和CV模型。基于全新的Amazon EC2 P5 实例，用户可以探索此前难以触及的问题，并且更快地迭代出解决方案。
此外，为了满足用户对大规模和低延迟的需求，亚马逊云科技还推出了搭载有Amazon EC2 P5实例的第二代EC2 UltraClusters。作为云中规模最大的ML基础设施，EC2 UltraClusters可提供高达20 exaflops的总计算能力，以及跨20,000多个NVIDIA H100 GPU的低延迟。
给模型插入「外接大脑」
从智能体的构建中我们不难看到，所有基于大模型搭建好的应用，想要获取实时数据，都需要建立在检索增强生成（RAG）之上。而这一技术是向量数据库能够在AI应用中发挥重要作用的根本。为什么这样说？那就得看看，检索增强生成能实现什么。
比如，当你问ChatGPT「芭比」电影好看吗？
显然，ChatGPT是无法及时回复最新的相关信息。这对于企业来讲，用户咨询最新内容时，应用无法做出回应，大大降低了生产力。有了检索增强生成，便能够补充特定领域的知识。大模型参数虽大，但无法记住许多长尾数据，还需要通过搜索召回相关领域的知识。这里，对专业领域知识的补充就离不开，向量数据库、搜索引擎等。
另一方面，大模型的知识很容易过时，仅靠微调模型，让知识更新是行不通的。微调模型需要耗费大量算力、时间，关键是天天微调根本不现实。要知道，对于企业来讲，业务数据必须是实时的。因此向量数据库、搜索引擎都能够帮助模型，获得新数据，同时重训模型周期也被拉长。由于向量数据库对「高维嵌入」有强大的检索能力，与大模型结合较为简单，因此成为RAG最常用的数据存储形式。
微软Build大会上，曾介绍了其产品如何将较少的上下文感知LLM与向量搜索结合起来，来创造更有吸引力的体验。这其中基本的想法，也就是在LLM中，添加向量搜索，以进行检索增强生成。而向量化，就是将数据转化为维度，如下你可以看到两种维度：大小，和类型。其中大小有两个值（大和小），类型有2个值（树和动物）。这只是一个概念例子，还可以扩展到更多的值。
除了图片，还可以进行单词/句子向量搜索，向量搜索能够捕捉到语义表示。假设你有数百个，甚至数万个文档数据库作为背景，是无法放在ChatGPT提示框中，但可以通过向量搜索来缩小最有可能的包含答案的上下文。
对于数据库，既可以储存文档和嵌入，也可以用来存储查询，并根据相关查询来找到最相关文档，这样就可以通过⽂档检索增强LLM。
今年英伟达GTC大会上，黄仁勋首提向量数据库，并推出了新库RAFT，用于加速索引、数据加载和近邻检索。其重要意义在于，向量数据库是大模型的「海马体」，能够让LLM实时进行信息召回。通过把实时资讯、市场行情等实时变化的信息置入模型中，就能使其提供更精准的结果。
Amazon OpenSearch Serverless向量引擎
同样在亚马逊云科技峰会上，首次推出了——Amazon OpenSearch Serverless向量引擎。开发者们通过这个工具，就可以轻松使用向量数据库，快速构建基于大模型的搜索体验。
总的来说，Amazon OpenSearch Serverless向量引擎引入了简单、可扩展和高性能的向量存储和搜索功能。开发者可以快速存储和查询各种ML模型（包括Amazon BedRock提供的模型）生成的数十亿个向量嵌入，响应时间仅为毫秒级。
当前，生成式AI大爆发，所有垂直领域的企业都在转向这一热潮，并探索通过集成高级对话生成AI应用程序，以改变用户体验，以及和数字平台交互的方法。亚马逊云科技推出的这项工具，通过使用向量嵌入，能够增强ML搜索和生成式AI。向量嵌入在用户私有数据上进行训练，并能表示信息的语义和上下文属性。这样做的优势在于，能够及时处理用户的查询，以查找最接近的向量，并将其与其他元数据组合在一起，进而无需依赖外部数据源或其他应用程序代码集成结果。
值得一提的是，向量引擎是基于Amazon OpenSearch Serverless构建，因此无需担心后端基础架构的大小、调整和扩展。所有数据都持久保存在Amazon Simple Storage Service （Amazon S3） 中。当向量数量从原型开发时的几千个增长到生产时的上亿个甚至更多，向量引擎将无缝扩展，无需重新索引或重新加载数据来扩展基础架构。
此外，向量引擎还为索引和搜索工作负载提供独立计算，因此开发者可以实时无缝地摄取、更新和删除向量，同时确保用户体验不受查询性能的影响。借助对Amazon OpenSearch Serverless的向量引擎支持，开发人员将拥有一个简单、可扩展和高性能的解决方案，来构建机器学习增强的搜索体验和生成性人工智能应用程序，而无需管理向量数据库基础设施。
全球生成式AI领导者
随着数据量大爆发、可高度扩展算力的可用性、以及机器学习技术的进步，让生成式AI足以改变每个行业。因此，越来越多的企业希望快速采用最新技术，创造价值。选择正确的模型，使用公司数据安全定制模型，并将其集成到应用程序中是一个复杂的过程，都需要花费大量时间、和高度专业化的知识。恰恰，亚马逊云科技Amazon Bedrock简化了这一流程，通过简单的API访问一流的基础模型。通过Amazon Bedrock Agents这一完全托管的服务，开发者能够轻松创建基于生成式AI的应用程序，以完成各种用例的复杂任务。其中Vector Database，能够帮助开发者的应用程序实时存储数据，及时召回信息，提供更好的用户体验。Amazon EC2 P5 实例更是为模型训练节省大量时间和算力。
基于以上的创新，真正诠释了亚马逊云科技是端到端的生成式AI领导者，帮助企业开发者释放生成式AI的潜力，创造价值。同时，亚马逊云科技不断降低生成式AI的门槛，更是致力于GenAI普惠的领导者。前段时间，亚马逊云科技刚刚宣布了编程助手Amazon CodeWhisperer可用，能够使用底层基础模型帮助开发人员提高工作效率。它可以根据开发人员使用自然语言留下的注释和IDE（集成开发环境）中的历史代码实时生成代码建议。这次，Amazon CodeWhisperer首次与Amazon Glue Studio Notebooks实现集成，能够帮助用户优化使用体验，提高开发效率。
通过Amazon Glue Studio Notebooks，开发人员用特定语言来编写任务，然后Amazon CodeWhisperer会推荐一个或多个可以完成此任务的代码片段。Amazon CodeWhisperer针对最常用的API进行了优化，例如Amazon Lambda或Amazon Simple Storage Service（Amazon S3），使其成为构建应用程序开发者们的绝佳编码伴侣。除此之外，亚马逊云科技还提供了7门免费的技能培训课程，帮助开发者以使用生成式AI。其中，还联手吴恩达推出了「用大型语言模型构建生成式AI」新课程。
医疗领域已有落地应用
今年这波AI大模型的浪潮，也激发了人们对生成式AI在医疗行业的应用的探索。比如前几天，谷歌发布了一个「通才生物医学AI」——Med-PaLM M多模态模型。这个多模态生成模型能够利用医学的丰富数据，使用相同的模型权重集解释临床语言、医学图像和基因组学。
同样，对于AI在医疗行业的应用，亚马逊云科技也同样有所行动，发布了一款面向医疗保健软件提供商的全新服务——Amazon HealthScribe。
Amazon HealthScribe通过使用使用生成式AI的机器学习模型和语音识别，能自动起草临床文档，帮助临床医生转录和分析他们与患者的对话。它的自然语言处理功能，还可以从对话中提取复杂的医学术语，比如药物和医学状况。病史、要点、就诊原因，一应俱全。Amazon HealthScribe中的AI功能，正是由Amazon Bedrock提供支持的，通过预训练模型，用户就可以从初创公司以及亚马逊自身构建生成式AI了。
可以说，作为全球云计算的开创者，亚马逊云科技看到了AI浪潮当下，生成式人工智能的潜力和重要性。生成式AI能够有改变每一个应用程序、每一个业务、甚至每一个行业。数据处理、算力和机器学习的进步，正在加速许多企业从实验到部署的转变。通过提供Amazon Bedrock等服务，以及与行业领导者的合作，这家公司正在普及对生成性人工智能的访问。在不断创新的基础上，亚马逊云科技正在让开发者，让世界重新构想体验，把最好的产品带入生活。
