科技云报到:云服务的中场战事,从AI应用开始

本文涉及的产品
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
实时计算 Flink 版,5000CU*H 3个月
实时数仓Hologres,5000CU*H 100GB 3个月
简介: 从去年的大模型之战,到今年的AI应用之争,云服务正在迈入全新的发展阶段。AI这个杠杆将各家厂商的竞争策略更向前推进了一步。

科技云报到原创。

从去年的大模型之战,到今年的AI应用之争,云服务正在迈入全新的发展阶段。AI这个杠杆将各家厂商的竞争策略更向前推进了一步。

“云+AI”能够孵化出多少可能?在业界眼中,“云+AI”则意味着新的悬念:云计算将朝着哪个方向进化?大模型的市场格局将有怎样改变?云服务巨头又会在其中扮演怎样的角色?大模型和AI应用,能否成为云服务商的第二增长曲线?

一连串的问号,人们期待着答案的揭晓。

AI应用成“重头戏”

最近两年,以大模型为代表的AI应用已在国内形成奔涌之势。公开数据显示,截至目前,国内完成备案并上线、能为公众提供服务的大模型已达190多个,注册用户数超6亿。

埃森哲最新调研显示,59%的中国企业计划在未来一年内继续加大数字化转型的投入,相比去年增加了6个百分点,同时有相当多的中国企业希望能够抓住AI技术,不断创新加速重塑。这不但显示出了各个行业对于AI服务的潜在需求,也显示出了大模型潜在的巨大商业价值。

在大模型领域重要的参与者云服务巨头眼中,这些不仅意味全新的商业逻辑正在浮现:大模型的应用消耗大量算力,可以带动云服务的收入增长,同时大模型会优化软件应用的功能和体验,带动软件业务收入的增长,发现新的用户需求,反过来还可以进一步促进大模型的成熟。

大模型的落地应用不仅能够帮助行业客户实现基于AI能力的业务创新与升级,而且不同于以往的技术迭代,大模型驱动着基础设施的重构,也带来了上层应用的变革。

如果回溯一下IT技术的发展历史可以看到,在大模型出现之前,IT行业一直是“CPU+OS+软件”这样的组合唱主角,此后随着计算、网络、存储的虚拟化技术的日臻成熟,让算力成为了重要资源,也让云改变了基础设施的能力和形态。

而到了如今AI时代,“GPU+云+AI”这个新组合取而代之。在GPU为大模型提供算力支持的前提下,云服务商需要重新构建从底层到应用层的服务架构,而大模型将带来从研发到应用的重构。

同时,MaaS变成了云架构新的重要组成,成为云服务商竞相发力的重点,这会让云服务大厂的技术体系出现重大变化。随着云服务与大模型的深度融合,云服务商会以云的模式推动大模型的服务化和应用的规模化。

由此,阿里云、腾讯云、百度智能云等云服务巨头,在经历了过去几年的低谷之后,纷纷以AI作为未来发展的重点,用以重构自身的技术业务,从而带动业绩的增长。这些大厂发布的财报数据也显示出,来自AI的收入占比正在逐步提升。

今年8月,阿里巴巴集团发布的季度业绩显示,云智能集团在最新财季营收同比增长6%至265.49亿元,其中,AI相关产品收入实现三位数同比增长。

百度集团公布的2024Q2财报则显示,智能云营收51亿元,同比增长14%。AI收入占比9%,高于上一季度的6.9%。

云服务巨头在AI领域的深度参与和大量投入,已让去年开启的大模型之战的硝烟渐渐散去,大模型带来的AI应用变成了现在的重头戏。

这意味着,以MaaS平台和AI原生应用为核心的全新云服务生态已经出现,以AI技术改造的应用软件在生态中会占据更重要的位置。

由于云行业的“马太效应”,数据、算力和存储等底层资源将由少数云服务巨头主导,云服务的商业机会逐渐向上,向PaaS、MaaS、SaaS层聚拢,特别是SaaS,从研发到商业模式,均会发生根本性变革。

目前,各云服务巨头一方面以大模型对自身产品进行全面升级和改造,另一方面向不同行业输出,帮助客户和合作伙伴快速开发AI应用。

例如,腾讯旗下数百款产品均已接入腾讯混元大模型,通过智能化升级扩大付费用户基础。据介绍,今年一季度,腾讯会议收入同比翻倍,企业微信收入则同比增长200%。

由此可见,国内的云行业在以大模型为代表的AI浪潮的推动下,目前已来到了一个新的阶段,新型云服务商开启了大模型及应用淘汰赛。在这样的背景下,云服务巨头纷纷厉兵秣马,开始了又一轮的激烈竞争。

从“被集成”到MaaS

在过去的几年里,包括阿里云在内的国内云厂商,在定制化项目侧的进展并不顺利。如今,阿里云提出的公有云优先战略,客观来看,虽短期政务相关业务会带来一定程度的影响,但长期来看将作为良性效应为阿里云提供助力。

同样,腾讯云也在2022年开始便宣布“被集成”的战略。在更多年前,马化腾就说过,要把腾讯的半条命交给合作伙伴。

从短期来看,做总集成更有利于云厂商接到大单,在成长初期不仅能够探索垂直领域的具体场景,还能够增加行业know-how的积累。然而这种模式带来的利润率并不向好。长期来讲,云厂商做总集既影响利润率,还影响其自身业务形态发展。

因此,能看到的是,在过去的几年时间里,不论是线索伙伴、产品开发伙伴,还是咨询或售后伙伴,各家都在采取持续发力的阶段,通过资金、云算力折扣,再或者是培训等等帮助自身生态内的企业加速成长。

而在如今,这种被集成形态则是又了新的抓手,即MaaS。

过去,国内云厂商的核心能力基本停留在IaaS层面的“计算、存储和网络”服务器相关三大件领域,对于PaaS层的云服务能力相较落后于AWS等一众海外云厂商。

但实际上,云厂商的价值则是要向PaaS平台发展的。“把IaaS、PaaS以及SaaS三者的优势拿出来做可组装的能力、能够在平台上做二次可组装、最终实现业务和平台的创新。”这是2023年Gartner十大趋势报告中对行业云平台的释义。

而这句话的关键词则在于“组装”,这也意味着云厂商要充分发挥的能力是PaaS平台,这也是国内云巨头近些年纷纷提出“被集成”的原因所在。

不过,其中的难点在于,对云厂商而言,其并不是所有的能力都实现了PaaS化,这就意味着生态伙伴不具备完全的服务能力;此外,在部分核心环节,云厂商还需要自身下场亲自做产品(比如数据库)以此来保证自身的高利润率,因此完全意义的PaaS化和生态本身存在一定的冲突。

AI大模型,也或者说MaaS正在悄然改变这种模式。

截至目前,能看到的是,阿里云、华为云、腾讯云、百度云、京东云等云计算大厂都已经推出了MaaS服务。

MaaS为云厂商带来的新增量具体体现在两种方式:第一,API调用服务。比如在这个过程中,云厂商可以根据用量或者时间来收费。第二,给训练、运行大模型提供AI算力服务。目前,随着国内模型参数的逐渐提升,以及垂直领域模型的爆发,关于模型训练的需求也在涌现。

对于生态而言,基于MaaS的模式,可以将生态伙伴统一拉至一个AI服务起点上,既规避了之前产品侧的冲突,同时在MaaS的生态模型下,云厂商可以基于足够强的利润驱动以作为底层角色,为生态企业提供更为彻底和边界清晰的服务保障。

可以说,相比此前,云厂商在IaaS和PaaS上的发力,MaaS的出现则为云厂商提供了新的增长空间。不仅如此,MaaS对于生态的一个更大价值则是,基于数据训练表达的模型,让客户、开发者、创业公司和ISV等角色都聚拢在一起,一同降本增效。

从单纯的PaaS到MaaS,云厂商的生态策略正在进化。

云行业开启“淘汰赛”

对于任何行业而言,“价格战”都是最有效、直接的方式,云计算行业概莫能外。

云行业属于“烧钱”的重资产行业,加上企业客户每年的IT支出固定,市场处于存量竞争状态,哪个云服务商拓展了更多客户,拿下更多大单,其它的云服务商的业绩势必会受到影响。

云巨头的逻辑是,通过降价,可以提升云计算在不同行业的渗透率,扩展用户规模和黏性,还可以通过普及算力,释放技术红利,驱动非互联网行业从简单上云到深度用云,从而形成规模效应,持续降低边际成本,获得更高利润,以便实现新的资源采购与研发投入,以此巩固竞争优势。

AI大模型同样如此。今年5月,各个云服务巨头,纷纷大幅下调大模型调用价格:字节跳动旗下的豆包主力模型,在企业市场的定价调整为0.0008元/千tokens,较行业平均价格便宜99.3%;阿里通义千问GPT-4级主力模型Qwen-Long输入价格为0.0005元/千tokens,降幅达97%,输出价格为0.002元/千tokens,降幅达90%......降价之剧烈,让大模型创业企业在价格上难以抗衡。

很明显,云服务巨头此番降价的目的在于扩大市场和用户规模,这会是他们的长期策略,云服务巨头希望通过降低大模型调用价格,刺激调用次数的大幅增长,算力成本会因此而摊薄,慢慢产生利润。

而且,价格的一降再降,能够吸引大量开发者和生态合作伙伴。在此过程中,其它的大模型服务商会因为价格和成本原因倒下,市场上的大模型服务商变得屈指可数,这就是云服务商推动“淘汰赛”的目的所在。

但这也反映出了云服务巨头的大模型思路有待改进。作为对比,OpenAI旗下的ChatGPT,其研发成本、训练成本和人力成本,每年动辄花费数十亿美元。这表明,大模型的技术和资金门槛非常高,而且需要不断升级,这就需要有更多的投入,其中的风险也是非常多的。

国内的科技巨头目前呈现出了大模型平台雷同的趋势,大模型产品服务的同质化问题突出,关键在于,AI大模型对于云服务巨头的进一步增长的带动作用有多大,随着投入力度的不断加大,AI是否会像这些巨头预期的那样,带来越来越丰厚的回报,这些都是未知数。

一个良性的大模型生态应该是:在有一两个足够好的基础大模型的基础上,其它巨头企业其实应该将关注点放在算力、数据、大模型训练等中间层服务上,或者是大模型衍生出的真正能够创造价值的行业应用上。

但目前为止,能够与ChatGPT全面匹敌的原创性基础大模型还尚未出现,上层应用和服务更是无从谈起。现在的云服务巨头可以说是悬念迭起,AI大模型对他们真正的考验还在后面。

如今,亚马逊、微软、谷歌等科技巨头均以投资或者自行研发的方式推出了大模型产品,并在云、软件、AI应用与云服务融合方面,趟出了一条清晰的路径。

当前,国内的大模型和AI应用服务尚处于初级阶段,市场规模和产业成熟度尚待提升,空间巨大,各方竞争激烈,在这样的形势下,如何培养大模型的刚需用户群体?大模型的业务边界如何划分?大模型如何成为稳定持久的业务增长引擎?大模型在各行各业落地应用时如何保护隐私和数据安全?

只有解决这些问题,才能吸引越来越多的创业者、开发者、合作伙伴、企业用户加入进来,让大模型和AI应用成为各行各业智能化升级的新引擎,从而让创新发展的新动能与新优势真正显现出来,为更多行业带来新的想象与无限可能。

【关于科技云报到】

企业级IT领域Top10新媒体。聚焦云计算、人工智能、大模型、网络安全、大数据、区块链等企业级科技领域。原创文章和视频获工信部权威认可,是世界人工智能大会、数博会、国家网安周、可信云大会与全球云计算等大型活动的官方指定传播媒体之一。

相关文章
|
4天前
|
机器学习/深度学习 人工智能 自然语言处理
当前AI大模型在软件开发中的创新应用与挑战
2024年,AI大模型在软件开发领域的应用正重塑传统流程,从自动化编码、智能协作到代码审查和测试,显著提升了开发效率和代码质量。然而,技术挑战、伦理安全及模型可解释性等问题仍需解决。未来,AI将继续推动软件开发向更高效、智能化方向发展。
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
AI在医疗领域的应用及其挑战
【10月更文挑战第34天】本文将探讨人工智能(AI)在医疗领域的应用及其面临的挑战。我们将从AI技术的基本概念入手,然后详细介绍其在医疗领域的各种应用,如疾病诊断、药物研发、患者护理等。最后,我们将讨论AI在医疗领域面临的主要挑战,包括数据隐私、算法偏见、法规合规等问题。
28 1
|
6天前
|
机器学习/深度学习 人工智能 算法
AI在医疗领域的应用与挑战
本文探讨了人工智能(AI)在医疗领域的应用,包括其在疾病诊断、治疗方案制定、患者管理等方面的优势和潜力。同时,也分析了AI在医疗领域面临的挑战,如数据隐私、伦理问题以及技术局限性等。通过对这些内容的深入分析,旨在为读者提供一个全面了解AI在医疗领域现状和未来发展的视角。
35 10
|
7天前
|
机器学习/深度学习 人工智能 监控
探索AI在医疗领域的应用与挑战
本文深入探讨了人工智能(AI)在医疗领域中的应用现状和面临的挑战。通过分析AI技术如何助力疾病诊断、治疗方案优化、患者管理等方面的创新实践,揭示了AI技术为医疗行业带来的变革潜力。同时,文章也指出了数据隐私、算法透明度、跨学科合作等关键问题,并对未来的发展趋势进行了展望。
|
5天前
|
存储 人工智能 固态存储
如何应对生成式AI和大模型应用带来的存储挑战
如何应对生成式AI和大模型应用带来的存储挑战
|
8天前
|
传感器 人工智能 算法
AI在农业中的应用:精准农业的发展
随着科技的发展,人工智能(AI)在农业领域的应用日益广泛,尤其在精准农业方面取得了显著成效。精准农业通过GPS、GIS、遥感技术和自动化技术,实现对农业生产过程的精确监测和控制,提高产量和品质,降低成本和环境影响。AI在作物生长监测、气候预测、智能农机、农产品品质检测和智能灌溉等方面发挥重要作用,推动农业向智能化、高效化和可持续化方向发展。尽管面临技术集成、数据共享等挑战,但未来前景广阔。
|
9天前
|
机器学习/深度学习 人工智能 算法
探索AI在医疗诊断中的应用及其未来趋势
【10月更文挑战第34天】随着人工智能技术的飞速发展,其在医疗领域的应用也日益广泛。本文将探讨AI技术在医疗诊断中的具体应用案例,分析其对提升诊断效率和准确性的积极影响,并预测未来AI在医疗诊断中的发展趋势。通过实际代码示例,我们将深入了解AI如何帮助医生进行更精准的诊断。
|
10天前
|
机器学习/深度学习 人工智能 算法
AI在医疗影像诊断中的应用与未来展望####
本文深入探讨了人工智能(AI)在医疗影像诊断领域的最新进展、当前应用实例及面临的挑战,并展望了其未来的发展趋势。随着深度学习技术的不断成熟,AI正逐步成为辅助医生进行疾病早期筛查、诊断和治疗规划的重要工具。本文旨在为读者提供一个全面的视角,了解AI如何在提高医疗效率、降低成本和改善患者预后方面发挥关键作用。 ####
|
8天前
|
机器学习/深度学习 人工智能 算法
探索AI在医疗影像诊断中的应用
探索AI在医疗影像诊断中的应用
|
9天前
|
人工智能 自然语言处理 API
探索AI在自然语言处理中的应用
【10月更文挑战第34天】本文将深入探讨人工智能(AI)在自然语言处理(NLP)领域的应用,包括语音识别、机器翻译和情感分析等方面。我们将通过代码示例展示如何使用Python和相关库进行文本处理和分析,并讨论AI在NLP中的优势和挑战。