随着生成人工智能进入企业，一家由前谷歌员工创立的公司旨在超越微软支持的OpenAI。
OpenAI刚刚宣布了其流行的生成型人工智能产品ChatGPT的企业版。但在这种情况下，OpenAI是一个快速的追随者，而不是第一个进入市场的人。Cohere是一家总部位于多伦多的公司，与谷歌关系密切，已经在为企业带来生成性人工智能。
我与Cohere的总裁兼首席运营官Martin Kon就其机器学习模型如何在企业公司中使用进行了交谈。
Cohere只有几岁，但它有着令人印象深刻的血统。Cohere的两位创始人最近曾在谷歌大脑工作，这引发了当前围绕生成人工智能的热潮。2017年，谷歌大脑推出了自然语言处理（NLP）的“转换器”模型，即ChatGPT中的“T”。Cohere的首席执行官和首席技术官Aidan Gomez和Nick Frosst随后与Ivan Zhang合作，在Cohere将这种形式的NLP商业化。
Martin Kon上个月刚开始工作，对公司来说是全新的。但和创始人一样，他也与谷歌有联系，在加入Cohere之前，他在YouTube工作了六年。他被任命为Cohere的商业运营部门负责人，业务似乎正在蓬勃发展。
据Kon称，Cohere“在过去一年中，API调用量月环比增长了65%，开发人员数量也大致相同。”
现在，Cohere已经将重点转移到将其大型语言模型和相关工具引入企业。
Kon说：“我们正在与组织中的开发人员，即AI/ML团队合作，将这些能力引入他们的组织。”。他声称，它的方法与OpenAI的方法有根本不同。
“OpenAI希望您将您的数据带到他们的模型中，这是Azure独有的。Cohere希望在您感到舒适的任何环境中，将我们的模型带到您的数据中。”
Cohere与OpenAI的技术比较
Cohere有两种类型的LLM（大型语言模型）：生成和表示。前者是ChatGPT所做的，后者是为了理解语言（例如，做情感分析）。每种类型都有不同的尺寸：小、中、大和超大。模型的大小和工作速度之间存在各种权衡。
Cohere的基础模型有520亿个参数，基于斯坦福HELM排名（语言模型的整体评估）。斯坦福大学的HELM网站指出，这是Cohere模型的“xlarge”版本，是最大的版本。OpenAI的GPT-3 davinci模型是其最大的模型，被斯坦福大学列为具有175B个参数。
斯坦福HELM目录中的Cohere模型列表
The primary models of OpenAI
在我们的谈话中，Kon说Cohere的模型被证明可以更好地对抗GPT-3。我要求该公司对此进行验证，该公司向我指出了斯坦福大学的准确性测量结果。根据Cohere的说法，“研究表明，Cohere-xlarge模型比许多大3倍的知名模型实现了更高的精度，包括GPT-3、Jurasci-1 Jumbo和BLOOM（每个模型都有大约175B的参数）。”
然而，需要注意的是，Cohere的模型仅领先于GPT-3模型。OpenAI最新的GPT-3.5模型text-davinci-002和text-davicini-003的准确度都高于Cohere。事实上，根据HELM精度测量，这些模型目前在所有模型中排名最高（见下文）。
Stanford HELM tests for accuracy of ML models
Kon告诉我，Cohere的最新型号Command（目前处于测试版）每周都会重新调整。他说：“这意味着，每周你都可以期待指挥性能的提高。”。
根据文件，Command是“一个生成模型，可以很好地响应类似指令的提示。”作为比较点，Davinci被OpenAI描述为擅长“复杂的意图、因果关系、对受众的总结”
企业使用案例
生成人工智能最早的用例是基于内容生成和摘要的——Stable Diffusion的图像生成器、ChatGPT的会话搜索引擎、GitHub的Copilot代码生成器等等。但我问Kon，它的技术还有哪些其他用例，尤其是对企业公司来说。
语义搜索引擎
他说，首先，公司正在使用它为自己的私人数据创建一种语义搜索引擎。
Kon说：“将语义搜索（上下文搜索）引入私人环境，比如组织内部的信息，这与我们习惯于谷歌搜索的方式类似。”。“因此，这使公司，尤其是跨国公司，能够在其内部拥有的每一份材料中搜索、分类或寻找情感——每一份文件、每一份客户通话记录、每一段视频聊天记录、电子邮件、文件等。”
他解释说，一个组织通常会将自己的数据添加到Cohere的一个基本模型中。他说，这将是“数量少得多、质量高得多的数据，通常是人类注释的强化学习”（这里的“较小”只是指与基础模型中的数十亿个参数相比）。除此之外，还有一个“对话”层，或者像ChatGPT这样的对话层。Cohere的对话模式处于内部测试阶段，他补充道。
数据分析
我早些时候问过大型零售商的示例用例是什么，Kon在这里回答了这个问题。
“假设你是一名零售商，你想[问]我们在玻利维亚的业务进展如何？然后[人工智能]可以说，这是从西班牙语或其他语言中提取的最新销售结果。不，[你说]，我指的是批发业务。好吧，[它回答]让我从其他地方提取一些不同的东西。所以你基本上是在进行对话。你正在访问以一种非常安全的方式[这些数据]，因为外部没有人能看到它——你没有把它输入ChatGPT，这是每个人都在做的事情。”
客服对话
他给我举了几个其他的例子，其中一个是从零售商客户的角度来看的。假设你买了一台电视，想退货；你可以与零售商的人工智能进行对话，实时查看当前的退货政策。
谷歌合作伙伴
运行机器学习工作负载，尤其是那些具有数十亿参数的工作负载，是极其耗费硬件的。所以我问Kon Cohere是如何处理的——他们主要是内部硬件，还是与任何平台公司合作？
毫不奇怪，考虑到创始人和孔本人的背景，Cohere与谷歌在硬件方面进行了合作。
“我们现在与谷歌有着战略关系，”孔说。“所以我相信我们是TPU（Tensor处理单元）的第一个消费者，也是最大的消费者除了谷歌本身。因此，我们有机会获得并能够负担得起这些巨大的计算资源，这些资源是我们需要预先培训的。这些模型需要四到六周的时间来训练——基本模型。我们的命令模型，我们可以每晚都做，因为这是一个小得多的数据量——但实际上是特定的数据——所以我们每周都做这些，但训练大约需要一个晚上。”
当然，谷歌本身也参与了人工智能的生成游戏。它有几个命名模糊的ML型号：T5、UL2、Flan-T5和PaLM。因此，就像云计算平台一样，企业人工智能市场正在转变为“马换课程”的局面。一些企业客户将是微软商店，因此可能倾向于OpenAI。其他将是谷歌云的客户。但许多人不想被束缚在一个单一的云平台上，而这正是Cohere最吸引人的地方。
显然，企业公司有巨大的机会通过生成人工智能技术超越竞争对手。至于生成人工智能的提供商，包括Cohere和OpenAI，我想不出今年有什么比这更令人兴奋的企业IT类别了。游戏开始了！
