如果我們可以將文本、視頻之類的數據，能夠將其放在一個表格當中，那將會大大降低ML門檻。
就在這個月初，國際上第一個AI「非結構化數據庫」MyScale正式宣布開源。
通過自研高性能和高數據密度的向量索引算法，成為目前綜合性能最好，功能最強的AI數據庫。
LLM+大數據雙輪驅動
那麼，現在有了如上這些能力，接下來可以做什麼？
或者說，下一個技術路線是什麼？
當我們將所有數據放在「數據庫」中，基於此，就可以構建各種各樣的小模型，由此產生了「模型庫」。
最後，就可以通過操作系統對模型進行調度。
這樣的優勢在於，不僅可以將所有結構化數據，以及非結構化數據，放在同一個數據庫中，還能通過常見的SQL語言實現搜索查詢。
此外，還可以很高效地訓練出小樣本的數據模型。與訓大模型不同，訓練小模型，如何選取數據是非常困難的。
比如針對自動駕駛場景，無用樣本只會影響模型的效率和精度問題。
有了AI數據庫，就可以快速獲取相應的樣本數據，比如紅燈、左轉彎等。
由此一來，訓練後的自動駕駛模型，準確率可以提升50%-90%。
除此以外，模型管理平臺，可以提供對模型全周期的管理。
一個很典型的場景是——政府智慧城市管理，以前遇到的是數據孤島的難題，到現在的模型孤島。
每個企業基於不同的模型做一個應用，由此帶來的問題是，正度很難實現全面、方便快捷的管理。
而雲平臺的出現，可以讓企業基於此做低門檻的開發，根據需求即可調用成千上萬的模型。
而現在，大模型誕生可以大大提升基礎AI能力，還有可以實現具體任務的Agent。
接下來，就可以在原來框架下稍作改動：
- 小模型改成Agent
- 模型生產平臺以預訓練模型作為基座
另一方面，模型操作系統可以將模型和任務完成對接。
比如，把政府的需求梳理後，針對每個需求去做一個模型，結果就會產生很多模型。甚至一個需求，需要做不同的模型。
然而，針對復雜場景，模型操作系統卻很難將模型和任務完成對接。
鄂維南院士表示，「這恰恰是未來大模型能夠提供的真正的核心能力——一個能完全將模型和任務匹配的操作系統」。
另外，大模型還可以和大數據庫進行結合。
比如，鄂維南院士預告的團隊成果——Science Navigator平臺。
它是將所有理工科的文獻塞到一個數據庫裏，由此訓出的文獻大模型，具備了查詢文獻、提供論文寫作靈感等能力。
未來，還可設想將國家圖書館所有資料塞進數據庫中，讓模型釋放出更大的潛力。
總而言之，想要訓出優質大模型，構建一個高效的數據處理的系統，是關鍵所在。
光電智能計算登上Nature
接下來，是中國工程院院士、中國人工智能學會理事長戴瓊海對於光電智能計算方面的介紹。
要說大模型再發展下去，面臨的最大危機是什麼？
大家都知道，答案無疑就是算力和電力的巨大缺口了。
如今，GPT系列的研究，已經累計投入了超過30億美元。
