IBM在年度IBM Think大會上將AI和混合雲戰略放到了核心位置。在過去幾年裡，其他廠商一直專注於新AI應用面向消費者的方面，IBM則一直在開發新一代模型以更好地服務於企業客戶。
IBM前不久宣布推出了用於混合雲應用的AI開發平台watsonx.ai。IBM watsonx AI開發服務目前處於技術預覽階段，將於2023年第三季度全面上市。
AI將成為關鍵的商業工具，開啟生產力、創造力和價值創造的新時代。對於企業而言，這不僅僅是通過雲訪問大型語言模型（LLM）的新型AI結構。大型語言模型構成了ChatGPT等生成式AI產品的基礎，但企業有許多必須考慮的問題：數據主權、隱私、安全性、可靠性（無漂移）、正確性、偏見等。
IBM對企業的一項調查發現，有30%-40%的企業發現了AI的商業價值，這個數字自2017年以來翻了一番。IBM引用的一項預測稱，到2030年，AI將為全球經濟貢獻16萬億美元。該調查突顯了使用AI提高生產力，除此之外還可以創造更多獨特的價值，就像早期沒有人能預測到網際網路對未來的獨特價值一樣。AI將通過提高生產力來填補企業與擁有這些技能的人才之間存在的許多技能需求差距。
如今，AI變得更快速、無錯誤以改進軟體編程。在Red Hat，IBM的Watson Code Assistant使用了watsonx，通過預測和建議要輸入的下一個代碼段，使編寫代碼變得更容易。AI的這種應用非常高效，因為它針對的是Red Hat Ansible自動化平台中的特定編程模型。Ansible Code Assistant比其他更通用的代碼助手小35倍，因為它的優化程度更高。
另一個例子是SAP，SAP將整合Watson服務處理以支持SAP Start中的數字助理。SAP Start中的新AI功能將通過自然語言功能和使用IBM Watson AI解決方案的預測洞察力，幫助提高用戶生產力。SAP發現，AI可以回答高達94%的查詢請求。
為watsonx注入生命力
IBM AI開發堆棧分為三個部分：watsonx.ai、watsonx.data和watsonx.governance。這些watsonx組件旨在協同工作，也可以與第三方集成一起使用，例如來自HuggingFace的開源AI模型。此外，watsonx可以在多種雲服務（包括IBM Cloud、AWS和Azure）和本地伺服器上運行。
Watsonx平台以即服務的形式交付，支持混合雲部署。數據科學家藉助這些工具就可以對自定義AI模型進行快速工程設計和調整，隨後這些模型成為企業業務流程的關鍵引擎。
watsonx.data服務使用開放表存儲以允許將多個來源的數據連接到watsonx的其餘部分，管理用於訓練watsonx模型的數據的生命周期。
watsonx.governance服務用於管理模型生命周期，在使用新數據訓練和完善模型時對模型應用進行主動治理。
該產品的核心是watsonx.ai，開發工作就在這裡進行。如今，IBM自身已經開發了20種基礎模型（FM），它們具有不同的架構、模式和規模。除此之外，還有在watsonx平台上可用的HuggingFace開源模型。IBM預計一些客戶將自己開發應用，由IBM提供諮詢服務以幫助選擇正確的模型、對客戶數據進行再培訓，並在需要時幫助加速開發。
IBM花費三年多時間研究開發watsonx平台。IBM甚至構建了代號「Vela」的AI超級電腦，研究構建基礎模型的有效系統架構，並在發布watsonx之前構建了自己的模型庫。IBM充當AI平台自己的「客戶0」。
與使用標準以太網網路交換機（而不是使用更昂貴的Nvidia/Mellanox交換機）的傳統AI超級電腦相比，Vela架構的構建更容易、成本更低，如果客戶想在他們的環境中運行watsonx，則可能更容易複製。此外，PyTorch還針對IBM Vela AI超級電腦架構進行了優化。IBM發現在Vela上運行虛擬化只有5%的性能開銷。
IBM watsonx支持IBM基於Red Hat OpenShift的混合雲戰略承諾。watsonx AI開發平台在IBM雲或者其他公有雲（如AWS）或客戶場所運行，即使存在不允許使用公共AI工具的業務限制，企業也可以利用這一最新的AI技術，IBM真正地把領先的AI和混合雲與watsonx結合在了一起。
watsonx是IBM的AI開發和數據平台，用於大規模交付AI。Watson品牌下的產品都是具有AI專長的數字勞動力產品，其他Watson品牌產品包括Watson Assistant、Watson Orchestrate、Watson Discovery和Watson Code Assistant（以前的Project Wisdom）。IBM將更加關注Watson品牌，已經把以前的Watson Studio產品整合到watsonx.ai中，以支持新的基礎模型開發和訪問傳統機器學習功能。
基礎模型和大型語言模型
在過去的10年中，深度學習模型基於每個應用中的大量標記數據進行訓練。這種方法是不可擴展的。基礎模型和大型語言模型接受大量未標記數據的訓練，這些數據更容易收集，然後可以使用這些新的基礎模型來執行多項任務。
對於這種利用預訓練模型執行多項任務的新型AI，實際上使用「大型語言模型」這個術語是有些不當的。使用「語言」，則意味著該技術僅適用於測試，但模型可以由代碼、圖形、化學反應等組成。IBM對這些大型預訓練模型使用的術語更具描述性，也就是「基礎模型」。通過使用基礎模型，訓練大量數據以生成特定的模型，然後可以按原樣使用此基礎模型，或者針對特定進行調整。通過為應用調整基礎模型，還可以設置適當的限制並直接使模型更有用處。此外，基礎模型還可以用於加快非生成式AI應用（如數據分類和過濾）的疊代。
許多大型語言的規模很大，而且規模越來越大，因為這些模型試圖對每種數據都進行訓練，以便可以用於任何潛在的開放領域。在企業環境中，這種方法通常是矯枉過正的，並且可能會遇到擴展方面的問題，而通過正確地選擇合適的數據集，並將其應用於正確類型的模型，則可以讓最終模型變得更高效，這個新模型也可以通過IBM watsonx.governance清除任何偏見、版權材料等。
小結
IBM Think大會期間，AI被號稱正處於「Netscape時刻」，這個比喻指的是當更廣泛受眾接觸到網際網路時所達到的一個分水嶺時刻。ChatGPT向更廣泛的受眾展示了生成式AI，但仍然需要企業可以依賴且可以控制的、負責任的AI。
正如Dario Gil在他的閉幕主題演講中所說：「不要將您的AI策略外包給API調用。」 HuggingFace公司首席執行官也表達了同樣的觀點：要有你自己的模型，不要租用別人的模型。IBM正在給企業提供工具來構建負責任的、高效的AI，並讓他們擁有自己的模型。
