We're sunsetting PodQuest on 2025-07-28. Thank you for your support!
Export Podcast Subscriptions
EP544 【主題專訪】深度解析「AI真正應用」：商業化與工業化AI。ft.馬里蘭大學特聘教授暨工業AI中心主任 李傑Jay Lee
2025/2/24
美股投資學-財女珍妮
李
李杰
李杰：DeepSeek 作为 AI 加速发展的催化剂，带来了新的思维方式，例如采用更小、更分散的模型而非大型单一模型。这推动了 AI 平台的转变，从基础设施转向平台，并促进了开源生态系统的形成。开源模型的出现，打破了大公司对 AI 模型的垄断，加速了 AI 的发展，并促使其他公司转向开源。闭源模型在需要领域专业知识的应用中受到限制，而开源模型可以结合领域知识进行更精密的推理，并通过混合专家模型 (MOE) 提高推理效率和性能。未来 AI 的重点将从模型训练转向推理，这将改变 AI 的应用方式。在数据量有限的企业应用中，可以使用检索增强生成 (RAG) 技术结合链式思维 (Chain of Thought) 来提高推理的逻辑性。
工业化 AI 与通用 AI 的区别在于其针对特定行业的应用和数据，关注的是产品级的 AI 应用，例如在边缘设备上运行的 AI。工业 AI 的应用案例包括电梯故障预测、汽车发动机省油、风力发电优化和半导体制造工艺优化等。DeepSeek 的出现加速了工业 AI 在各个领域的应用，提高生产力至关重要。工业 AI 的进入门槛较高，需要信任和信誉。
未来，低阶 GPU 和处理器将为工业 AI 应用提供新的机会。构建专用数据中心比通用数据中心更有效率。工业 AI 应用需要明确的目标和目的，数据准备和处理是 AI 应用中的重要环节，数据质量、工程和精简至关重要。工业 AI 的目标是通过预测来解决可见和不可见的问题，将数据转化为知识，并提高预测能力。
在人才培养方面，需要进行原理、实践、项目和职业四个层面的训练，才能培养出真正实用的工业 AI 人才。各个领域都可以结合数据分析成为工业 AI 需要的人才。AI 的核心是算法、数据和计算能力，而增值能力包括数据管理、安全管理等。要成为 AI 赢家，需要明确目标，并懂得运用策略和战术。
Jenny: 引导访谈，提出问题，并对李杰教授的观点进行总结和回应。
Deep Dive
This chapter explores the disruptive impact of DeepSeek, its open-source nature, and how it has changed the AI landscape. It discusses the shift from focusing on training large models to inference, the rise of AI platforms, and the implications for competition between companies.
- DeepSeek acted as a catalyst for AI development.
- Open-source models allow for wider adoption and collaboration.
- The shift is from large, centralized models to smaller, specialized models (Mix of Experts).
- The focus is shifting from infrastructure to platforms and applications.
Shownotes Transcript