什么是 AI 模型？

人工智能模型（AI 模型）模型是一种基于海量数据集训练而成的大型深度学习模型，能够执行多种通用任务，例如进行自然语言对话或生成文本和图像。深度学习模型利用神经网络架构，针对与训练数据类似的数据集执行分类和筛选等任务。AI 模型将深度学习技术推向了新的高度——其训练规模极其庞大，即便面对不可预测的输入，也能生成令人信服的输出结果。人工智能模型能够收集并分析海量数据，并通过推理和迁移运用所学知识，以实现预设目标。

根据 ISO/IEC 标准，人工智能系统的定义是“为一组给定的人类定义目标生成内容、预测、建议或决策等输出的工程系统”。相应的模型是“系统、实体、现象、过程或数据的物理、数学或其他逻辑表示”。鉴于这个广泛的定义，AI 模型有多种类型。但是，“AI 模型”一词通常指的是生成式、多模式 AI 模型，我们将在下面解释。

非生成式人工智能模型

非生成式人工智能模型主要涉及数据分析并执行专业领域的分类任务，例如金融欺诈检测和医学图像分析。它们是人工智能进化的早期模型，始于机器学习和深度学习。不过，非生成式人工智能并不是这篇特定知识文章的重点。

生成式人工智能模型

生成式人工智能旨在创建超出其训练数据内容的新内容。例如 OpenAI 的 ChatGPT 和 Mistral AI，它们几乎可以接受任何基于文本或基于图像的输入（提示），并为几乎任何类型的任务生成输出。这包括创建食谱、活动规划、事实核查信息和撰写电子邮件。由于其先进的自然语言处理能力，这些模型也被称为大语言模型（LLM）。

多模态 AI 模型

多模态 AI 意味着 AI 具有处理文本和图像的附加功能。它可以执行补充任务，例如图像生成或用标题描述图像。多模态 AI 模型是生成式人工智能的一种。

由于机器学习（ML）是人工智能的子集，因此机器学习模型自然是 AI 模型的一种。然而，在生成式人工智能的背景下，机器学习模型是更基本的 AI 模型。

机器学习模型

机器学习模型学习并使用数学关系来预测给定输入的输出。例如，给定郊区的历史房屋销售数据，该模型可以根据从历史数据中学到的数学函数来预测市场上给定房屋的销售价格。常见的机器学习模型包括线性回归、逻辑回归和决策树。

深度学习模型

深度学习模型描述更先进一些的机器学习模型（例如循环神经网络、生成对抗网络和卷积神经网络）的另一个术语。深度学习模型更适合非结构化输入数据，例如视频集或大量文本数据。相比之下，基本的机器学习模型通常与金融表格和 GPS 坐标等结构化数据一起使用。

基础模型

研究人员创造了基础模型一词来描述生成式人工智能模型，因为这些模型经过广泛数据的训练并且能够执行各种一般任务。在学习如何使用 AI 创建技术、实际应用程序时，学生首先需要创建基本的机器学习应用程序，以了解机器学习模型的基础知识。然后，他们可以继续学习基础模型。

AI 模型可用于一系列非凡的应用。每个行业或任务都可以通过 AI 应用程序以某种方式得到增强。AI 模型的应用示例包括：

• 在企业系统内完成自助服务任务的客户服务聊天机器人

• 工业系统和工厂的预测性维护

• 竞争研究，用于确定业务策略

• 新的音乐创作和编曲

• 高级视频编辑和效果

• 基于患者病史、症状和诊断的医疗建议

组织主要通过三种方法使用 AI 模型构建 AI 应用。相关概述如下。

从零开始训练 AI 模型

从零开始构建基础模型成本高昂，并且需要大量资源。除了强大的计算能力和基础设施外，收集、清理和准备训练数据也可能需要几个月的时间。必须投入大量时间和资源来试验不同的模型架构、优化算法和训练策略。训练完成后，还需要进一步投资才能将模型扩展到实际应用中。

然而，出于长期成本效益、盈利能力以及在人工智能领域的领先地位的考虑，组织可能更倾向于这种方法。

调整现有基础模型

组织无需从零开始训练 AI 模型，而是可以根据其特定使用案例定制和部署现有模型。模型微调是指根据组织的数据集调整模型，使其在特定领域或任务中表现更好。检索增强生成（RAG）是另一种无需重新训练模型即可增加模型知识的方法。RAG 首先向 AI 模型发出提示，然后查询组织的知识库，并将相关信息或数据以及提示本身传递给 LLM 以生成输出。总而言之，

• 微调通过使用新数据继续训练过程来修改模型本身。

• RAG 在模型的生成过程中添加了一个信息检索层，而不会改变底层模型。

RAG 和微调方法使用不同的技术，必须根据组织的实际情况进行评估。

提示工程

在这种方法中，不会重新训练、微调或部署基础模型。相反，组织只需通过模型的 API 与其进行提示交互即可。例如，以一个图像编辑应用程序为例。为了引入 AI 功能，该应用程序添加了图像生成功能。其工作原理如下：

• 用户输入文本以生成图像。

• 该应用程序会在提示中添加内容，并通过 API 将其发送到外部基础模型。

• 该模型将图像返回给应用程序。

• 该应用程序向用户显示图像。

提示工程正在开发性能最佳的提示以获得最合适的输出。

业务用例必须具有价值，AI 模型的实施和定制才能为组织带来投资回报。例如，中等价值且流量高的任务可能具有价值，但对于低价值任务，可能并不值得进行人工智能投资。企业在进行开发之前，必须评估所有拟议的 AI 模型实施方案。

下文列出了其他挑战。

训练数据可用性

组织使用来自不同供应商的各种第三方应用程序。通常，企业数据被锁定在这些应用程序中，只能通过 API 或数据导出提取，有时甚至根本无法提取。根据拟议的 AI 模型，实施过程中可能涉及复杂或较为细致的集成工作。

数据安全

开发内部人工智能应用程序时，访问权限和授权是一项挑战。给定人工智能应用程序的训练数据必须仅包含该应用程序用户有权访问的数据。使用广泛的内部数据训练 AI 模型会增加安全风险。对于面向客户的应用程序，配置起来可能更加复杂。

自动化和工作流

人工智能应用程序需要自动化管理工作流来支持其功能。这意味着要围绕 AI 模型构建额外的功能，可以使用常规编程代码或无代码工具。调整组织现有的流程以满足这些需求是一项挑战。

AWS 上的机器学习和人工智能包含数百种服务，可用于构建和扩展适合各种应用场景的 AI 应用程序。您可以使用 API 实现基本的 AI 功能，而无需构建或重新训练模型。例如，您可以使用：

• Amazon Fraud Detector 用于检测在线欺诈并增强检测模型

• Amazon Monitron 用于在基础设施问题发生之前进行检测

• Amazon Rekognition 用于自动化、简化和扩展图像识别和视频分析

对于希望重新训练现有 AI 模型的用户，Amazon Bedrock 是一项完全托管的服务，它通过单一 API 提供来自 AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI 和 Amazon 等领先 AI 公司的高性能基础模型。您还可以获得一套全面的功能，用于构建安全且注重隐私的 AI 应用程序。使用 Amazon Bedrock，您可以：

• 试用并评估适合您的应用场景的顶级 FM。

• 使用微调和 RAG 等技术，您可以根据自己的数据私密地自定义 FM。

• 构建使用企业系统和数据来源执行任务的智能体。

由于 Amazon Bedrock 是无服务器的，因此您无需管理任何基础设施。您可以使用已熟悉的 AWS 服务安全地集成和部署 AI 模型。

对于希望从头开始构建和训练新 AI 模型的客户，AWS Trainium 是 AWS 专为训练超过 1000 亿个参数的模型而构建的第二代加速器。每个 Amazon Elastic Compute Cloud（EC2）Trn1 实例最多可部署 16 个 AWS Trainium 加速器，从而为云端 AI 模型训练提供高性能、低成本的解决方案。

立即创建免费账户，开始在 AWS 上使用 AI 模型并开发创新的业务解决方案。