钛媒体独家对话Amazon Bedrock总经理：大模型太多，也太早，客户需要有多个选择

以下是对话实录，经钛媒体编辑整理。

钛媒体：大公司和小而精的团队，在当下实现AI技术创新、产业赋能方面，会有哪些不同优势？

Atul：就针对客户应用部署而言，我不认为大公司和小企业之间会存在哪些明显差异，它们之间有很多共通之处。我们都想为大公司尝试不同模式。当前Data Hygiene（数据卫生）这项工作非常具有挑战性。当你为较小的公司部署应用时，管理并确保模型训练所需的私域数据实现高质量和一致性相对容易。但对于规模较大的公司，有大量差异化数据，且数据更加分散，管理数据会更具挑战性。另一方面，初创企业可以通过承担更多的风险更快地行动，它们没有像大型客户这样的现有客户群，可能会出错，也会在试错中快速迭代创新。

钛媒体：AWS想要做GenAI这件事情，最终希望解决什么问题？

Atul：我们正在积极探索新的可能性。无论客户希望自主构建模型，还是希望对现有模型进行深度定制，我们希望构建一套生成式AI堆栈，让客户使用到丰富且一流的工具，除此之外，还有Amazon SageMaker，基于NVIDIA提供的丰富实例类型，我们还积极研发定制芯片，涵盖训练和推理两大领域，以满足更精细化的需求。

通过这一系列从底层到中间层的创新，我们的目标是：让企业内的任何开发人员都能够自由构建生成式AI应用，而无需关注复杂的机器学习或底层基础设施。我们坚信，所提供的工具将达到行业最高水准，帮助他们实现应用的创新突破。

目前，我们推出了Amazon Q business和Amazon Q developer两个版本。Amazon Q business旨在为企业中的每位员工配备一位专业顾问，确保他们能够快速获得解答并高效完成任务；而Amazon Q developer则专注于提升开发人员的工作效率，为之提供即时的解答，以顺利完成手头的具体工作。这正是Amazon Q的最终目标，也是我们不懈追求的方向。

钛媒体：对AWS自身的产品和业务结构真正意义上带来改变，可能需要多久？如何在这个领域建立我们的领导力？

Atul：实际上，一切都取决于客户以及我们试图解决的具体问题。我们已经看到数以万计的客户正在使用SageMaker来改变其客户体验。这些变化有的已经发生，有的则需要一些时间。因此，对于何时能够期待显著变化，确实没有一个固定的答案。

举例来说，纽约证券交易所正在利用Bedrock来分析处理众多监管文件，并将复杂的法规内容转化为易于理解的语言，这一举措将对最终用户产生深远影响；同时，电子健康记录技术供应商Netsmart通过应用相关技术，成功将患者健康管理记录的时间缩短了50%，这无疑为医生腾出了更多时间，使他们能够照顾到更多的病人。

今天我们已经看到了对最终用户的一些积极影响，但我相信这仍然是一个需要时间来逐步发展和普及的过程。然而，这一进程的进展速度是相对较快的，已经形成了不可小觑的势头。因此，我无法确切预测是在今年年底还是明年，生成式人工智能将变得非常普遍。不过，可以肯定的是，它正在逐步改变我们的世界，为我们带来更多的便利和可能性。

钛媒体：像RAG用于解决幻觉问题，但有些论文里提了幻觉仅靠RAG也无法解决，在企业级应用中，如何测评幻觉存在程度，以及在具体应用时的影响？

Atul：尽管我们无法彻底消除这个问题，但随着时间的推移，我相信会有越来越多的前沿研究涌现。你将看到客户在处理幻觉方面取得了更多的进步与改进。我可以明确地告诉你，这个问题虽然无法完全解决，但作为我们行动的一部分，它确实有助于减少其影响，只是无法彻底消除。随着时间的推移，无论是模型内部还是外部，都将出现创新，从而帮助客户更好地应对这种模式。

钛媒体：模型间的协作问题，客户在多个模型使用时，AWS目前有哪些比较好的解决思路？

Atul：对于客户而言，这个问题显而易见。因此，我们特别推出了一项名为模型评估的功能，该功能已于去年12月发布，并计划于明天全面上线。从本质上来说，这一功能旨在帮助客户在给定的一组提示上比较不同模型的性能，以便它们能够选择更符合自身特定用例的模型。

要实现这一目标，客户有三种方式可供选择。首先，他们可以在控制台中根据给定的提示比较不同模型的性能；其次，客户可以利用自动化评估功能，在不同数据集上运行不同的模型或使用标准行业数据集，从而查看哪些模型表现优异；最后，客户还可以借助公司内部的专业团队，以不同的方式评估模型，确定哪种模型符合他们的期望。最终，客户将从Bedrock获得一份详尽的报告，根据他们设定的标准，报告将展示模型的表现以及如何决定哪些模型对其有意义。

钛媒体：AWS在AI伦理方面的举措有哪些？

Atul：我们正与多个政府组织进行广泛合作。以我们推出的Titan图像生成器为例，该工具具备水印功能，能够添加不可见的水印，帮助客户判断生成的图像是否由人工智能生成。除此之外，我们还与一些列其他组织合作，确保以负责任的方式使用人工智能。

钛媒体：AWS在自研芯片方面的经验是什么？

Atul：多年来，我们一直在芯片领域进行投资，且早在2015年收购了芯片设计公司Annapurna Labs。尽管我们最初的重点是面向虚拟化和通用计算芯片，但随后我们专注于开发专门用于机器学习的AI芯片。例如，用于人工智能训练和推理的两款专用芯片Amazon Trainium和Amazon Inferentia。

得益于多年来对芯片开发的持续投资，我们有了更多机会对这些芯片进行迭代和改进，以确保其性能和稳定性。这些改进恰逢其时，因为生成式人工智能对计算能力的需求日益增长。

钛媒体：Bedrock上有很多模型，你是否观察到哪个模型最受客户欢迎，比如Meta和Anthropic？

Atul：目前，我们尚不会透露各模型提供商的具体性能表现。但我想说的是，这些模型受到了广大用户的青睐。这主要是因为模型的选择取决于具体的应用场景，人们会根据不同的需求来选用不同的模型。因此，过早地指出哪些模型被广泛应用还为时尚早。（本文首发于钛媒体APP， 作者｜杨丽，编辑 | 盖虹达）