劃重點
01OpenAI的新模型o1在邏輯推理能力上達(dá)到了天花板級別，小模型專門加強(qiáng)推理能力，放棄在參數(shù)中存儲大量世界知識。
02然而，同時掌握高階推理能力和大量知識的任務(wù)仍面臨挑戰(zhàn)，技術(shù)聚光燈再次對焦到大型模型和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，實現(xiàn)企業(yè)級智能問答，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
夢晨 金磊 發(fā)自 凹非寺量子位 | 公眾號 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)練時計算）和更多的思考時間（測試時計算），o1在邏輯推理能力上已經(jīng)達(dá)到了目前天花板級別。
尤其是在北大給出的一項評測中，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)中存儲大量世界知識。
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，也出現(xiàn)了另一個問題：
若是想讓AI同時掌握高階推理能力和大量知識的任務(wù)應(yīng)該怎么辦？
于是乎，技術(shù)的聚光燈再次對焦到了大模型和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)化的新趨勢還對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的知識少了，對于外部知識存儲和檢索的質(zhì)量要求就更高。
另一方面是AI應(yīng)用落地的腳步加快，面對多用戶、高并發(fā)的場景，對整個系統(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)知識庫，因此這個知識庫中需得涵蓋能夠精準(zhǔn)回答問題所需要的專業(yè)知識和規(guī)則。
而要構(gòu)建這個外掛知識庫，常見的方法包括向量數(shù)據(jù)庫、知識圖譜，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)庫可以對向量化后的數(shù)據(jù)進(jìn)行高效的存儲、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，則是通過計算向量間的相似度來實現(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)合個人知識庫、企業(yè)知識庫、法律法規(guī)、財經(jīng)等多種知識源的企業(yè)級垂直領(lǐng)域問答產(chǎn)品，可以實現(xiàn)企業(yè)級智能問答。
例如面對“國家大基金三期會投向哪些領(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，無涯問知在個人知識庫上，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)，快速實現(xiàn)海量多模知識的檢索與智能問答。
在企業(yè)知識庫方面，則是通過管理端構(gòu)建企業(yè)知識庫后，員工可以基于企業(yè)知識庫進(jìn)行問答，知識庫作為企業(yè)內(nèi)部的知識共享平臺，促進(jìn)不同團(tuán)隊和部門之間的協(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，用戶可針對法律法規(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)險預(yù)警以及應(yīng)對建議。
它還內(nèi)置了豐富的上市公司財報和產(chǎn)業(yè)鏈圖譜數(shù)據(jù)，能夠為金融機(jī)構(gòu)提供全面深入的投資研究分析工具。
即便是面對金融、法律等眾多既要求時效性、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的主流個人電腦上，基于集成顯卡和NPU流暢運行。
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“知識化”處理，以及“語義化”查詢和應(yīng)用能力，極大地豐富了知識獲取和應(yīng)用場景。
無涯問知可以算是星環(huán)知識平臺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)、知識問答等全新體驗，同時保障用戶隱私數(shù)據(jù)安全。
AI PC版本星環(huán)大模型知識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)在面對不同挑戰(zhàn)時，都能夠獲得足夠的計算支持。
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管理和智能化工具，離不開星環(huán)科技自研的幾個關(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更加高效。
其次是利用了圖計算框架，讓大模型能夠識別實體間的多層次關(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、自媒體財經(jīng)等1600多個信息源，涵蓋了全市場的各類宏觀、價格指數(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)，同時也對所有官方政策數(shù)據(jù)進(jìn)行實時全覆蓋。
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大模型玩家發(fā)力的關(guān)鍵點。
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，其實本來就已經(jīng)是行業(yè)內(nèi)現(xiàn)階段的主流共識。
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算，并在單次運算中處理更大矩陣。
對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)在近一年時間，整體AI算力提升了200%多，能耗又降低了50%。
這背后就要歸功于英特爾 酷睿 Ultra系列的升級改進(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AI PC平臺算力最高能達(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)能的同時運行持續(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實現(xiàn)了海量、高維度向量數(shù)據(jù)處理，并具備低時延、高精確度等優(yōu)勢。
同時提升了Transwarp Hippo了服務(wù)器節(jié)點的性能密度，在性能提升的同時，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，大模型推理時的算力消耗正在飛速攀升，對支撐大模型運轉(zhuǎn)的基礎(chǔ)設(shè)施平臺提出了更高的要求。
特別是對于需要頻繁訪問外部知識庫的大模型應(yīng)用，存儲與計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，英特爾 至強(qiáng) 和酷睿 處理器能同時覆蓋端側(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，存算一體化的趨勢將愈發(fā)明顯。
從大模型應(yīng)用的角度看，知識檢索和AI推理將不再涇渭分明，而是深度交織、彼此強(qiáng)化。
在這樣一個智能融合的未來圖景中，CPU作為連接存儲、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、實戰(zhàn)優(yōu)化等多個角度全面解讀。
我們希望通過這個專欄，讓更多的人了解CPU在AI推理加速，甚至是整個AI平臺或全流程加速上的實踐成果，重點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
