直达「 通往AGI之路 」飞书知识库 →
首页/问答列表/问答详情

“美国红杉资本指出,AI 供应链分为六层”,展开说说这六层吧

回答

美国红杉资本指出的 AI 供应链从下到上分为六层,具体情况如下:

  1. 第一层是芯片代工厂(如台积电),保持着高利润水平。
  2. 第二层是芯片设计商(如英伟达),同样具有高利润。
  3. 第三层是工业能源供应商(如电力公司),因数据中心需求激增而受益。
  4. 第四层是云厂商,处于重金投入阶段,不仅斥巨资建设数据中心,还在训练自有模型或大举投资 AI 模型开发商。
  5. 第五层是 AI 模型开发商,目前面临亏损。
  6. 第六层即最上层是面向最终客户的应用服务商,虽充满潜力,但依赖消费者和企业付费,当前市场规模有限,尚不足以支撑整个供应链的经济模型。
内容由 AI 大模型生成,请仔细甄别(powered by aily)

参考资料

展望2025,AI行业有哪些创新机会? | 峰瑞报告

据SensorTower统计,2024全年全球AI移动应用内付费收入预计为30亿美元,其中图像和视频类AI应用占据主导地位,收入占比高达53%;对话机器人类别排名第二,占比29%;其他类别合计不足20%。从地区分布来看,北美和欧洲贡献了三分之二的市场份额,是AI应用的主要消费市场。这也是众多中国AI公司积极出海的重要原因之一。▎云厂商成为AI供应链的“链主”美国红杉资本在《The AI Supply Chain Tug of War》一文中指出,AI供应链当前呈现出一种脆弱的平衡状态。他们将AI供应链从下到上分为六层,各层的盈利能力存在显著差异。第一层的芯片代工厂(如台积电)和第二层的芯片设计商(如英伟达)是当前的主要赢家,依然保持高利润水平;第三层的工业能源供应商(如电力公司)也因数据中心需求激增而受益良多。而作为供应链核心承载方的第四层云厂商,却处于重金投入阶段,不仅斥巨资建设数据中心,还在训练自有模型或大举投资AI模型开发商,处于供应链第五层的AI模型开发商目前同样面临亏损。供应链的第六层,也就是最上层则是面向最终客户的应用服务商。尽管充满潜力,但他们依赖消费者和企业付费,当前市场规模有限,尚不足以支撑整个供应链的经济模型。这使得大型云厂商成为整个供应链最主要的风险承担者。作为AI产业的中枢,云厂商不仅掌握着庞大的商业生态和技术资源,还拥有数千亿美元的市场规模。正因如此,它们在产业链中的地位无可撼动,是毋庸置疑的“链主”。▎行业格局:头部阵营基本稳定1、头部大模型

走入AI的世界

关于AI产业的产业链结构,大致可分为:上游的基础设施层(数据与算力)、中游的技术层(模型与算法)、下游的应用层(应用与分发),详细内容参见图5。图5 AI产业链图谱-1对于这上中下游分别有哪些值得我们重点关注的企业(或产品),我在公开互联网上苦寻良久,始终找不到一张满意的图(要么维度不全,要么举例不准,有失公允),于是我做了大量的信息收集和汇总工作,并结合几家知名咨询机构的文档,绘制了这样一张图。图6 AI产业链图谱-2图6中有大量细节,其中各家公司的logo排列顺序综合考虑了其市占率,行业影响力,代表性等因素,积淀深厚的老牌大厂和值得关注的亮眼新星均有体现,未避免广告嫌疑,在这里不展开对其进行详细说明了,如果有大家不了解不认识的公司/平台(或产品),非常推荐你搜索了解一下(注:此图绘制于2024年5月)。

其他人在问
目前最前沿的应用在游戏领域的AI技术点是什么,包括游戏开发过程中的成本降低、效率提升,包括游戏内容生成,包括游戏后期运营推广。介绍技术点的技术逻辑以及技术细节。
目前在游戏领域应用的前沿 AI 技术点主要包括以下几个方面: 1. 利用 AIGC 技术实现游戏产业的生产力革命: 降低开发成本:借助人工智能的内容创作工具,如生成新的游戏内容(地图、角色和场景)、驱动游戏中的非玩家角色(NPC)、改进游戏的图像和声音效果等,能够缩减游戏开发的成本。 缩短制作周期:例如通过程序化内容生成,包括利用人工智能生成文字、图像、音频、视频等来创作游戏剧本、人物、道具、场景、用户界面、配音、音效、配乐、动画和特效等,从而减少游戏开发时间。 提升游戏质量和带来新交互体验:AIGC 技术为游戏带来不同以往的新体验,甚至创造出新的游戏类型以及新的交互方式。 2. 游戏内容辅助生成: 生成文、生成图、生成 3D 以及生成音乐。应用场景包括游戏策划人和制作人、美术设计师等。 对于工业化的游戏公司,基于 Stable Difussion 的生成能够通过 2D 美术素材的辅助生成提高创业效率 50%,降低 20%80%的成本。 文生图:通过提示词加参数就可以形成 2D 的参考图,适配度高。 图生图:原画师或美术可以使用,用一个线稿或原画,在原画基础上加一些 Prompt 和参数,就可以形成一个效果图和二级的素材。 动画辅助渲染:用 Lora 对角色背景、关键帧进行风格渲染,例如将真人视频渲染成二次元风。 3. 游戏的智能运营: 智能 NPC 互动:保持长期记忆,保持人物个性和对话表现形式,同时满足成本平衡。 客服、攻略的问答、代码和脚本的生成。主要针对游戏的产品经理、运营经理和社区的运营经理。 游戏社区运营:如海外的 Discord,国内的 Fanbook,让更多玩家在游戏之外,在社群里面很好地互动,基于游戏的美术素材进行二创、查询攻略和使用智能客服。 这些技术的技术逻辑和技术细节如下: 1. AIGC 技术:基于大语言模型和扩散模型,通过机器学习、强化学习等先进技术进行训练,能够理解和生成各种游戏相关的内容。 2. 游戏内容辅助生成:利用深度学习算法对大量的游戏相关数据进行学习和分析,从而能够根据给定的提示或参数生成相应的游戏内容。 3. 智能运营方面:通过构建智能模型,对玩家的行为和需求进行分析和预测,从而提供个性化的服务和互动。
2024-12-22
数据采集的AI工具
以下是为您整理的关于数据采集的 AI 工具的相关信息: 宝玉日报:数据收集采用 AI 搜索与手动下载权威资料相结合,并结构化提取数据。报告拆分按任务需求分步完成,使用 Excel 等工具进行数据处理。分析与写作中,AI 辅助分析并提供初步文字撰写,但需人工主导校验关键内容。亮点在于把 AI 作为辅助,优化信息处理和写作效率,注重人工与 AI 配合,确保数据准确性和结论可靠性。相关链接:https://baoyu.io/blog/aiwriteprofessionalregionaleconomicreport Istra 发布的 Pixtral Large 124B 聊天应用:特点是免费使用的大型多模态模型,支持网络搜索、写作画布、Flux Pro 画图。亮点是网络搜索和画图功能实用且强大,适合多场景需求。相关链接:http://chat.mistral.ai 、https://chat.mistral.ai 、https://x.com/dotey/status/1858644663046930601 RPA+财务税务问答机器人:以在京东查询感冒灵并采集价格为例,通过拖拉拽指令控件来构建机器人任务,包括打开浏览器、填写搜索框、点击搜索、采集数据等步骤,采集数据后会生成数据表格且无需代码。编辑器有拖拉拽功能适合业务人员,也可切换为 Python 界面写代码,还封装了很多控件,如 Excel 控件等。
2024-12-22
目前最前沿的应用在游戏领域的AI技术点是什么,包括游戏开发过程中的成本降低、效率提升,包括游戏内容生成,包括游戏后期运营推广。
目前在游戏领域最前沿的 AI 技术点主要包括以下几个方面: 1. 探索将游戏环境中的成果迁移至现实世界:电子游戏作为人工智能算法的测试场,为人工智能模型的构建与训练提供了理想化的场所。但将游戏中的技术推广到现实世界应用仍面临诸多挑战。 2. 利用 AIGC 技术实现游戏产业的生产力革命: 借助人工智能的内容创作工具,降低开发成本、缩短制作周期、提升游戏质量和完成度,带来新体验,创造新游戏类型和交互方式。 应用于电子游戏开发的多个方面,如生成新的游戏内容(地图、角色和场景)、驱动游戏中的非玩家角色(NPC)、改进游戏的图像和声音效果等。 3. 为通用人工智能的孵化提供帮助:经过多个复杂游戏训练后的“玩游戏”的人工智能体。 4. 借助人工智能完成大型游戏的制作:如《微软模拟飞行》通过与 blackshark.ai 合作,利用人工智能从二维卫星图像生成无限逼真的三维世界,且模型可随时间改进。 5. 生成式人工智能模型在游戏资产中的应用:出现了用于游戏中几乎所有资产的生成式人工智能模型,包括 3D 模型、角色动画、对话和音乐等。 6. 降低游戏制作的内容成本:整合生成式 AI 可大幅降低制作游戏的时间和成本,例如为一张图片生成概念图的时间从 3 周下降到 1 小时。
2024-12-22
目前最前沿的应用在游戏领域的AI技术点是什么
目前在游戏领域最前沿的 AI 技术点包括以下方面: 1. 生成式 AI:这是一种机器学习类别,计算机能根据用户提示生成新内容,在文本和图像方面应用较为成熟,甚至可用于创造具有完整性格的虚拟角色。 2. 智能对手的进化:早期游戏中的虚拟对手只是简单脚本程序,如今借助更快的微处理器和云技术,可构建大型神经网络,实现更复杂的模式识别和表示,使对手具备学习能力。 3. 未来发展方向: 探索将游戏环境中的成果迁移至现实世界,虽然在特定游戏环境中成果显著,但推广到现实世界仍面临诸多挑战。 利用 AIGC 技术实现游戏产业的生产力革命,如生成新的游戏内容、驱动非玩家角色、改进图像和声音效果等。 为通用人工智能的孵化提供帮助,经复杂游戏训练后的人工智能体有望在通用人工智能领域发挥作用。 此外,狭义的游戏人工智能研究致力于创造类人水平的智能体在多种游戏中战胜人类玩家,广义的还包括探索用于设计和开发游戏的人工智能技术,如游戏图像生成、关卡生成等。随着深度学习技术的发展,人工智能不仅用于“玩游戏”,还用于游戏的设计、开发和测试等多个方面。
2024-12-22
ai训练
AI 的训练是指通过大数据训练出一个复杂的神经网络模型。这一过程需要使用大量标记过的数据来训练相应的系统,使其能够适应特定的功能。训练具有以下特点: 1. 需要较高的计算性能,以处理海量的数据。 2. 具有一定的通用性,以便完成各种各样的学习任务。 机器学习是人工智能的一个分支,其发展有着从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点的脉络。机器学习是实现人工智能的途径之一,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。 自然语言(NLP)是人工智能和语言学领域的分支学科,包括认知、理解、生成等部分。自然语言的认知和理解是让电脑把输入的语言变成有意义的符号和关系,然后根据目的再处理,自然语言生成系统则是把计算机数据转化为自然语言。 推理是指利用训练好的模型,使用新数据推理出各种结论。借助神经网络模型进行运算,利用输入的新数据来一次性获得正确结论的过程,也称为预测或推断。
2024-12-22
小白如何学习AI
对于小白学习 AI,以下是一些建议: 1. 了解 AI 基本概念: 阅读「」部分,熟悉 AI 的术语和基础概念,包括人工智能的定义、主要分支(如机器学习、深度学习、自然语言处理等)以及它们之间的联系。 浏览入门文章,了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅: 在「」中,找到为初学者设计的课程,特别推荐李宏毅老师的课程。 通过在线教育平台(如 Coursera、edX、Udacity)上的课程,按照自己的节奏学习,并有机会获得证书。 3. 选择感兴趣的模块深入学习: AI 领域广泛,如图像、音乐、视频等,可根据兴趣选择特定模块深入学习。 掌握提示词的技巧,它上手容易且很有用。 4. 实践和尝试: 理论学习后,实践是巩固知识的关键,尝试使用各种产品做出作品。 在知识库中有很多大家实践后的作品、文章分享,欢迎实践后分享。 5. 体验 AI 产品: 与现有的 AI 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人互动,了解其工作原理和交互方式,获得对 AI 在实际应用中表现的第一手体验,并激发对 AI 潜力的认识。 6. 持续学习和跟进: AI 是快速发展的领域,新的研究成果和技术不断涌现。关注 AI 领域的新闻、博客、论坛和社交媒体,保持对最新发展的了解。 考虑加入 AI 相关的社群和组织,参加研讨会、工作坊和会议,与其他 AI 爱好者和专业人士交流。 以下是一些通俗易懂的技术原理与框架内容: 1. 视频一主要回答了什么是 AI 大模型,原理是什么。 生成式 AI 生成的内容,叫做 AIGC。 相关技术名词: AI 即人工智能。 机器学习包括监督学习、无监督学习、强化学习。监督学习是有标签的训练数据,算法目标是学习输入和输出之间的映射关系,包括分类和回归。无监督学习是学习的数据没有标签,算法自主发现规律,经典任务包括聚类。强化学习是从反馈里学习,最大化奖励或最小化损失,类似训小狗。 深度学习是一种参照人脑有神经网络和神经元(因有很多层所以叫深度)的方法。神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 即大语言模型。对于生成式 AI,其中生成图像的扩散模型不是大语言模型;对于大语言模型,生成只是其中一个处理任务,比如谷歌的 BERT 模型,可用于语义理解(不擅长文本生成),如上下文理解、情感分析、文本分类。 技术里程碑:2017 年 6 月,谷歌团队发表论文《Attention is All You Need》。这篇论文首次提出了 Transformer 模型,它完全基于自注意力机制(SelfAttention)来处理序列数据,而不需要依赖于循环神经网络(RNN)或卷积神经网络(CNN)。GPT 含义:Transformer 是关键。Transformer 比 RNN 更适合处理文本的长距离依赖性。
2024-12-22
如何利用AI技术提升供应链企业的人效?
利用 AI 技术提升供应链企业的人效可以从以下几个方面入手: 1. 预测性维护:通过 AI 模型分析设备运行数据,预测设备故障,减少因设备故障导致的人力浪费和停工时间,提高人员工作效率。 2. 质量控制:利用 AI 检测产品缺陷,降低人工质检的工作量,提高质检的准确性和效率。 3. 供应链管理:AI 可以根据历史数据和市场变化,自动生成采购计划、库存预测、物流优化等内容,减少人工规划和决策的时间和错误,提升人员在供应链管理中的效率。 4. 客户服务:基于对话模型的 AI 客服机器人,可以自动处理常见问题,让人员能够专注于更复杂和重要的客户需求。 在制造业领域,AI 技术在供应链管理方面的应用包括: 1. 设备维护和故障诊断:利用 AI 模型分析设备运行数据,预测设备故障,并自动生成维修建议,提高设备可靠性,保障供应链的稳定运行。 2. 工艺规划和优化:结合大语言模型的自然语言处理能力,可以自动生成制造工艺流程、设备选型、质量控制等方案,优化生产过程,提高供应链的响应速度和灵活性。 3. 产品设计和开发:利用 AI 生成工具如 Adobe Firefly、Midjourney 等,可以根据文字描述快速生成产品的 3D 模型、渲染图、插图等设计元素,大幅提高产品设计效率,缩短供应链的前置时间。 总的来说,AI 技术能够在供应链的各个环节发挥重要作用,提高企业的效率和竞争力。
2024-12-15
你了解哪儿些大模型在电商行业供应链物流领域的应用,如果能举例阿里、淘宝、抖音、京东等涉及到电商的公司进行说明就更好了
目前在电商行业供应链物流领域,一些大模型的应用还处于不断发展和探索的阶段。 阿里巴巴:可能利用其强大的技术能力和数据优势,通过大模型优化物流路径规划、库存管理和订单预测等方面,提高物流效率和降低成本。 淘宝:或许借助大模型来分析消费者的购买行为和偏好,从而更精准地进行商品推荐,并优化物流配送的调度。 抖音:可能运用大模型对用户的兴趣和行为进行深度挖掘,以实现更高效的商品匹配和物流配送安排。 京东:有可能利用大模型改进仓储管理、物流配送的智能调度,以及预测商品的需求和销售趋势。 但需要注意的是,具体的应用情况和效果会受到多种因素的影响,包括数据质量、算法优化、业务场景的复杂性等。
2024-09-25
AI如何根据历史数据和市场变化,自动生成采购计划、库存预测、物流优化等内容,提高供应链管理效率
AI技术在供应链管理中的应用可以大大提高采购计划、库存预测和物流优化的效率。以下是如何利用AI根据历史数据和市场变化自动生成这些内容的详细步骤: 1. 数据收集和预处理 首先,需要收集大量的历史数据和实时市场数据。这些数据可以来自企业内部系统(如ERP、WMS)和外部数据源(如市场情报、经济指标)。 数据类型: 历史销售数据:包括销售数量、时间、地点等。 库存数据:当前库存水平、历史库存变化、仓储信息。 采购数据:采购订单、供应商信息、采购周期等。 市场数据:市场需求预测、经济指标、季节性变化等。 数据预处理: 数据清洗:处理缺失值、异常值和重复数据。 数据整合:将来自不同来源的数据整合成统一格式。 特征工程:提取关键特征,如时间序列特征、季节性特征等。 2. 采购计划自动生成 利用AI模型分析历史采购和销售数据,结合市场变化,生成优化的采购计划。 方法: 时间序列分析:使用ARIMA、Prophet等模型预测未来的需求量。 机器学习算法:如随机森林、XGBoost,通过学习历史数据中的模式来预测需求。 深度学习:如LSTM、GRU,适合处理复杂的时间序列数据。 具体步骤: 1. 需求预测:预测未来一段时间内的产品需求量。 2. 供应商选择和评估:根据历史绩效和市场条件,选择最佳供应商。 3. 采购量确定:结合库存水平、需求预测和供应商能力,确定每个产品的采购量。 4. 优化采购时间:利用AI优化采购时间,以最低成本满足需求。 3. 库存预测 利用AI技术进行库存预测,确保在最低库存水平下满足需求,减少库存持有成本和缺货风险。 方法: 库存优化模型:如Economic Order Quantity 。 库存水平预测:基于历史数据和需求预测,计算安全库存和再订货点。 机器学习算法:如支持向量机(SVM)、KNN,通过学习历史库存变化和需求波动,预测未来库存需求。 具体步骤: 1. 需求预测:预测未来的产品需求。 2. 库存水平计算:根据需求预测、订单交付时间、当前库存水平,计算安全库存和再订货点。 3. 库存补货策略:制定补货策略,确定何时和多少补货。 4. 物流优化 AI技术可以优化物流路径、运输方式和仓储布局,降低物流成本,提高运输效率。 方法: 路线优化:利用优化算法(如遗传算法、蚁群算法)优化运输路线,减少运输成本和时间。 运输方式选择:根据货物类型、运输距离、成本等因素,选择最佳的运输方式(如海运、空运、陆运)。 仓储布局优化:利用AI优化仓库布局,提高仓储效率和利用率。 具体步骤: 1. 运输需求分析:分析需求预测和库存计划,确定运输需求。 2. 路线规划:利用优化算法规划最佳运输路线。 3. 运输方式选择:根据成本和时间要求,选择合适的运输方式。 4. 仓储优化:利用AI优化仓库布局和操作,提高仓储效率。 案例示例:使用AI进行供应链优化 以下是一个使用AI进行供应链优化的具体示例: 需求预测: 1. 收集过去两年的销售数据和市场数据。 2. 使用LSTM模型对未来6个月的需求进行预测。 3. 将预测结果与当前库存水平进行比较,确定需要补货的产品和数量。 采购计划: 1. 根据需求预测结果,使用EOQ模型计算每个产品的最优采购量。 2. 结合供应商历史绩效数据,选择最佳供应商并确定采购时间。 库存管理: 1. 使用支持向量机(SVM)模型预测未来的库存水平。 2. 根据预测结果调整安全库存和再订货点,制定补货计划。 物流优化: 1. 利用蚁群算法优化运输路线,降低运输成本。 2. 根据货物类型和运输距离选择最佳运输方式。 3. 利用AI优化仓库布局,提高货物存取效率。 总结 通过利用AI技术,企业可以实现自动化和智能化的采购计划、库存预测和物流优化。这不仅可以提高供应链管理的效率,还能降低成本,减少库存风险,提升客户满意度。为了实施这些AI技术,企业需要投入时间和资源进行数据收集、模型开发和系统集成,同时需要培养数据分析和AI技术的人才。
2024-05-30