2030 m. prognozė: pokalbių robotų mirtis ir agentų iškilimas
Naujumo fazė baigiasi
Įsivaizduokite save prieš penkerius metus, stebintį, kaip kažkas pirmą kartą rašo į ChatGPT. Prisimenate tą jausmą? Tą lengvą netikėjimą, kai pradėjo atsirasti rišlūs sakiniai. Tą nervingą juoką, kai jis parašė eilėraštį apie jūsų šunį. Tą egzistencinę baimę, kai jis paaiškino kvantinę fiziką geriau nei kada nors jūsų universiteto profesorius.
Tas nuostabos momentas? Jis jau blėsta. Mes gyvename dirbtinio intelekto „naujumo fazėje", trumpame laikotarpyje, kurį apibrėžia baimė ir reginys. Mes stebimės, kad kompiuteris gali kalbėti. Mes valandų valandas rašome į pokalbių langus, elgdamiesi su dirbtiniu intelektu kaip su juokingu orakulu, protingu žaislu arba (būkime sąžiningi) šiek tiek girtu praktikantu, kuris retkarčiais sukuria genialumą.
Šiai erai net sukūrėme naują darbo pavadinimą: „rašymo užklausų inžinierius". Pagalvokite apie tai akimirką. Mes mokame žmonėms šešiaženklius atlyginimus už tai, kad jie šnabždėtų teisingas užkalbėjimo formules kompiuteriui. Mes elgiamės su dirbtiniu intelektu kaip su paslaptinga būtybe, kurią reikia įtikinėti, maldauti ir atsargiai raginti atlikti naudingą darbą. Tai tarsi samdyti žmogų derėtis su jūsų mikrobangų krosnele.
Ši situacija mums atrodo iš esmės absurdiška. Ne todėl, kad technologija neįspūdinga, o todėl, kad mes ją naudojame neteisingai. Mes sukūrėme galingiausius pažinimo įrankius žmonijos istorijoje, o naudojame juos kaip ypač daugiažodžius paieškos variklius. Turime branduolinius reaktorius, o naudojame juos duonai skrudinti.
Iki 2030 metų ši fazė atrodys archajiška. Netgi gėdingai. Į „rašymo užklausų inžineriją" žvelgsime taip, kaip žvelgiame į perfokortas ar MS-DOS komandų eilutes. Tai buvo būtina, primityvi sąsaja primityviam laikotarpiui. Dirbtinio intelekto ateitis nėra apie pokalbį su kompiuteriu. Ji yra apie tai, kad kompiuteris visiškai išnyksta.
Toliau pateikiame mūsų prognozes ateinančiam intelekto pusmečiui. Ne rinkodaros fantazijas ar mokslinės fantastikos svajones, o pagrįstas ekstrapoliacijas, paremtas technologinėmis trajektorijomis, kurias matome šiandien. Kai kurie dalykai įvyks greičiau, nei tikimės. Kai kurie lėčiau. Tačiau kryptis aiški, o supratę ją dabar įgysite strateginį pasiruošimo pranašumą.
Technologijų pokyčio supratimas
Prieš pasinerdami į prognozes, išsiaiškinkime, kas iš tikrųjų keičiasi. Dirbtinio intelekto revoliucija 2022-2025 metais iš esmės buvo vienas proveržis: transformerių architektūros, išplėstos iki milžiniškų dydžių, galėjo atlikti bendrosios paskirties teksto generavimą. Tai buvo įspūdinga. Tai taip pat, žvelgiant atgal, buvo nepaprastai primityvu.
Dabartiniai didieji kalbos modeliai iš esmės yra labai sudėtingos automatinio užbaigimo sistemos. Jie numato kitą ženklą remdamiesi statistiniais modeliais, išmoktais iš mokymo duomenų. Jie nesupranta tiesos, neturi pasaulio modelio ir negali patikrinti savo rezultatų. Jie užtikrintai haliucinuoja, nes neturi mechanizmo, kuris atskirtų faktus nuo išgalvotų dalykų. Jie yra tikimybiniai šablonų atpažinimo įrenginiai ir pasiekia ribas, ką gali pasiekti vien šablonų atpažinimas.
Kita dirbtinio intelekto karta bus iš esmės kitokia. Užuot pasikliavę vien išmoktomis statistinėmis koreliacijomis, sistemos įtrauks simbolinį mąstymą, formalų patikrinimą ir aiškų žinių atvaizdavimą. Užuot spėjusios atsakymus, jos juos išves iš pagrindinių principų ir įrodys, kad jie teisingi. Užuot buvusios bendros paskirties ir neaiškios, jos bus specializuotos ir tikslios.
Tai ne spėlionės. Tyrimai jau paskelbti. Architektūros jau kuriamos. Lieka tik klausimas, kaip greitai jos pasieks gamybinį diegimą ir rinkos pritaikymą. Mūsų prognozės pagrįstos realiais šių perėjimų terminais.
1 prognozė: sąsaja išnyksta
Geriausia technologija yra nematoma. Jūs nevedate „pokalbio“ su savo antiblokavimo sistema; ji tiesiog apsaugo nuo slydimo. Jūs ne„raginate“ savo el. pašto šiukšlių filtrą; jis tiesiog išfiltruoja šiukšles. Jūs niekada negalvojate apie TCP/IP protokolą, kuris pristato šį straipsnį į jūsų ekraną. Gera technologija veikia. Puiki technologija veikia jums to nepastebint.
Iki 2030 m. dirbtinis intelektas pasitrauks į foną. Jis taps pasaulio aplinkos operacine sistema. Tai nebus vieta (pavyzdžiui, tokia svetainė kaip ChatGPT), kurią lankotės. Tai bus paslauga, persmelkianti viską, tokia pat įprasta ir būtina kaip elektra.
Šis perėjimas atitinka modelį, kurį technologijų istorijoje matėme ne kartą. Ankstyviesiems automobiliams reikėjo apmokyto vairuotojo, supratusio sudėtingą vidaus degimo mechaniką. Ankstyviesiems kompiuteriams reikėjo programuotojų, mokančių mašininį kodą. Ankstyviesiems telefonams reikėjo operatorių, rankiniu būdu sujungiančių skambučius. Kiekvienu atveju technologija ilgainiui taip supaprastėjo, kad tarpininkas išnyko. Sąsaja susilygino, kol tapo nematoma.
Mes pereisime nuo aiškios sąveikos (komandos įvedimo rezultatui gauti) prie numanomo ketinimo (sistema nuspėja poreikį ir jį įvykdo). Pažiūrėkime, kaip tai atrodo praktiškai:
Jūsų kalendorius šiandien: Skaitote el. laiškų giją. Pagalvojate „mums reikėtų susitikti“. Atidarote kalendorių. Tikrinate visų prieinamumą (tris skirtingas sistemas). Siūlote laikus. Laukite atsakymų. Rezervuojate kambarį. Siunčiate kvietimus. Dvidešimt minučių trinties dėl trisdešimties minučių susitikimo.
Jūsų kalendorius 2030 m.: Dirbtinis intelektas stebi jūsų el. laiškų giją. Jis pastebi ketinimą susitikti (išskirdamas jį iš konteksto, o ne iš raktinių žodžių). Jis patikrina visų šalių prieinamumą jų kalendorių sistemose. Jis derasi dėl optimalaus laiko. Jis rezervuoja kambarį. Jis išsiunčia kvietimus. Jūs matote pranešimą: „Susitikimas su Sarah ir James suplanuotas ketvirtadienį 14 val.“ Jūs nieko nedarėte. Trintis dingo.
Arba pažiūrėkime į tiekimo grandinės valdymą:
Šiandien: Jūsų operacijų komanda stebi informacijos suvestines. Analitikas pastebi Meksikos įlankoje besiformuojantį uraganą. Jis rankiniu būdu tikrina, kurias siuntas tai gali paveikti. Jis kreipiasi į vadovą. Vadovas sušaukia susitikimą. Jie nusprendžia nukreipti krovinį. Kažkas atnaujina atsargų prognozę skaičiuoklėje. Praėjęs laikas: 48 valandos. Vėlavimo kaina: 200 000 EUR.
2030 m.: Tiekimo grandinės dirbtinis intelektas pastebi besiformuojantį uraganą (jis stebi orus, o ne informacijos suvestines). Jis numato, kurios siuntos vėluos, su 94 % tikimybe. Jis automatiškai nukreipia krovinį į alternatyvius uostus. Jis atnaujina atsargų prognozę. Jis praneša atitinkamiems žmonėms vieno sakinio santrauka: „14 konteinerių nukreipta per Roterdamą dėl uragano Maria. Numatomas atvykimo laikas nepakitęs.“ Praėjęs laikas: 3 minutės. Vėlavimo kaina: 0 EUR.
Arba pažiūrėkime į medicininę diagnostiką:
Šiandien: Pacientas apibūdina simptomus šeimos gydytojui. Gydytojas, turėdamas ribotą laiką ir platų išsilavinimą, atlieka pirminį įvertinimą. Jis nukreipia pacientą pas specialistą. Specialistas paskiria tyrimus. Praeina savaitės. Gaunami rezultatai. Planuojamas kitas vizitas. Nustatoma diagnozė. Gydymas prasideda praėjus mėnesiams po pirmųjų simptomų.
2030 m.: Paciento nešiojami įrenginiai jau aptiko anomaliją. Jo asmeninis sveikatos dirbtinis intelektas stebėjo subtilius širdies ritmo kintamumo, miego modelių ir judėjimo pokyčius, rodančius ankstyvos stadijos ligą. Dar pacientui nepajutus simptomų, jo gydytojas gauna įspėjimą su preliminaria analize ir siūlomu diagnostikos keliu. Kai pacientas būtų pastebėjęs, kad kažkas negerai, gydymas jau būtų prasidėjęs.
The goal of technology is to reduce friction. Typing is friction. Talking is friction. Even thinking about what to type is friction. The ultimate AI removes the friction entirely. You do not use it. It uses itself, on your behalf, with your authority.
Prediction 2: From Words to Actions
Today's Large Language Models (LLMs) are engines of text. They generate words. They are incredibly articulate. They can write poetry, explain physics, summarize documents, and pretend to be a pirate explaining blockchain. But at the end of the day, they produce text that you, the human, must then act upon.
This is a fundamental limitation. Text is cheap. Action is valuable. A document describing how to fix a bug has some worth. Actually fixing the bug has ten times the worth. A recommendation for which stocks to buy provides information. Actually executing the trades (correctly, safely, at the right time) provides value.
Tomorrow's Large Action Models (LAMs) will be engines of agency. They will generate actions. They will do things in the world, not just talk about doing things.
An Agent does not just tell you how to book a flight; it books the flight. It logs into the airline website (or uses an API). It selects the seat you prefer (window, exit row, because it learned your preferences from the last 47 flights). It enters your passport details. It pays with your corporate card. It adds the receipt to your expense report with the correct project code. It adds the flight to your calendar. It even sets a reminder to check in 24 hours before departure.
You asked for a flight. You got a flight. Not instructions. Not a list of options. Not a helpful suggestion. An actual ticket, purchased, confirmed, calendared.
This shift from information retrieval to task execution is the single biggest economic unlock in the history of software. It transforms AI from a "Search Engine" (which helps you do work faster) into a "Workforce" (which does the work for you). The implications are staggering.
According to McKinsey research, knowledge workers spend approximately 28% of their time on email and calendar management, 19% searching for information, and 14% on administrative tasks. That is 61% of the workday on activities that agents could handle entirely. If we could reclaim even half of that time for actual creative and strategic work, global productivity would increase by trillions of euros annually.
However, this shift requires a massive upgrade in reliability. You can tolerate a hallucinated poem. (It might even be charming.) You cannot tolerate a hallucinated bank transfer. You cannot tolerate an Agent that accidentally deletes your production database because it "thought" that was what you wanted. You cannot accept an Agent that books you on a flight to Sydney, Australia when you meant Sydney, Nova Scotia.
Current AI systems fail this reliability test spectacularly. Studies show hallucination rates of 15-25% even for simple factual queries. For complex multi-step tasks, error rates compound. If each step has a 90% success rate and a task requires ten steps, the overall success rate is only 35%. That is not a workflow automation tool. That is a chaos generator.
This reliability gap is why the future belongs to architectures that can guarantee correctness, rather than purely probabilistic models that can only guess at it. When an Agent manages your finances, "95% accurate" is not a feature. It is a liability lawsuit waiting to happen.
Prediction 3: The Small Model Revolution
For the last five years, the industry mantra has been "Scale is All You Need." Bigger models, more data, more GPUs. We raced from millions to billions to trillions of parameters. GPT-3 had 175 billion parameters. GPT-4 has (reportedly) over a trillion. Each generation demanded exponentially more compute, more energy, and more capital. We built cathedral-sized data centers to house them.
The 2030s will mark a fundamental reversal. We are entering the era of Small, Specialized Experts.
Why? Because we are hitting diminishing returns on model size. Increasing parameters from 100 billion to 1 trillion improves benchmark scores by perhaps 5-10%. But it increases training costs from €10 million to €100 million. It increases inference costs by 10x. It increases energy consumption to the point where a single training run emits more carbon than 500 cars driven for a year.
The mathematics of diminishing returns are brutal. Early scaling provided roughly linear improvements: double the parameters, double the capability. Now we are in a regime where doubling parameters provides perhaps 10-15% improvement. The economics no longer make sense for most applications.
More importantly, we are realizing that a massive, general-purpose model that knows everything from Shakespeare to Python to French cooking to quantum mechanics is inherently inefficient. It is like hiring a single person who is simultaneously a lawyer, a chef, a mechanic, and a poet, and asking them to do your taxes. Yes, they might know a bit about taxes. But a dedicated accountant would be faster, cheaper, and more accurate.
The human brain does not work as a single monolithic system. It consists of specialized regions: the visual cortex processes images, the language centers handle speech, the hippocampus manages memory. These specialized systems work together, each contributing their expertise to the whole. The most capable AI systems of 2030 will follow the same pattern.
Instead of the "God Model" in the cloud, we will have millions of small, hyper-specialized models:
- One that is an expert in German contract law (trained on every German legal decision since 1949)
- One that is an expert in TypeScript optimization (trained on millions of code reviews)
- One that is an expert in diagnosing 2015 Ford engine problems (trained on every service manual and repair ticket)
- One that is an expert in your company's specific product documentation
- One that is an expert in your personal communication style
These models will be small enough to run locally on your device (Edge AI). They will run on your phone, your glasses, your car, your refrigerator. They will not require a 500-watt GPU; they will run on a 2-watt neural processing unit. They will communicate with each other in a mesh network, routing queries to the appropriate expert. They will be fast (no network latency), private (no data leaving your device), and cheap (no per-token billing).
This transition is already beginning. Open source models like Llama and Mistral have proven that smaller, well-trained models can match or exceed the performance of larger proprietary models on specific tasks. Quantization techniques allow running billion-parameter models on consumer hardware. The toolkit for building specialized, efficient AI is rapidly maturing.
At Dweve, we have taken this approach to its logical conclusion with Loom: 456 specialized constraint sets working in concert, each containing 64-128MB of binary constraints, together more capable than any monolithic behemoth. With ultra-sparse activation (only 4-8 domain specialists active simultaneously), working memory stays between 256MB and 1GB while the full catalog compresses to approximately 150GB. This architecture delivers better results than trillion-parameter models at a fraction of the compute cost, running on hardware you already own.
Prognozė 4: patikrinimas tampa karaliumi
Štai minties eksperimentas. Dabar 2028-ieji. 1 000 žodžių straipsnio sukūrimo kaina nukrito nuo 100 eurų (žmogus rašytojas) iki 0,001 euro (dirbtinio intelekto generatorius). Kas nutinka internetui?
Jis užtvindomas. Paskandinamas. Palaidotas po sintaksinio triukšmo lavina. Kiekvienas SEO brukalų siuntėjas, kiekviena propagandos mašina, kiekvienas turinio fabrikas kasdien kurs milijonus straipsnių. Brukalai, dirbtiniai vaizdai ir haliucinuotos „naujienos" sudarys 99 % žiniatinklio. Signalų ir triukšmo santykis sumažės beveik iki nulio.
Jau matome ankstyvuosius požymius. Mokslininkai nustatė, kad vis didesnė dalis mokslinių straipsnių teikiamų publikavimui yra dirbtinio intelekto sukurtos šiukšlės. Socialinių tinklų platformos kovoja su dirbtinio intelekto robotų armijomis. Fotobankų nuotraukas keičia dirbtinio intelekto sukurti vaizdai, kuriuose kartais matomi žmonės su septyniais pirštais. Naujienų organizacijos paskelbė dirbtinio intelekto parašytų straipsnių su visiškai išgalvotomis citatomis ir įvykiais.
Ekonominės paskatos garantuoja, kad situacija blogės. Sintetinio turinio kūrimas yra praktiškai nemokamas. Ribinės išlaidos artėja prie nulio. Kiekvienas, turintis tikslą, nesvarbu, komercinį, politinį ar piktavališką, gali užtvindyti informacijos ekosistemą bet kokia norima naratyva. Tiesa tampa tik viena nuomone tarp milijonų išgalvotų alternatyvų.
Tokioje aplinkoje tiesos vertė išaugs nežmoniškai. Pamatysime „tiesos technologijų" atsiradimą:
Kriptografinis vandens ženklas: Nematomi parašai, įterpti į turinį, įrodantys, kada ir kas jį sukūrė. Jei nuotraukoje nėra galiojančio registruotos kameros vandens ženklo, laikoma, kad ją sukūrė dirbtinis intelektas, kol neįrodyta kitaip. Pagrindiniai fotoaparatų gamintojai jau diegia šią technologiją. „Adobe" iniciatyva „Content Authenticity" kuria infrastruktūrą turinio kilmei sekti.
Kilmės sekimas: Į blokų grandinę panašios sistemos, kurios seka kiekvieno duomenų elemento kilmę ir transformacijų istoriją. Galėsite atsekti vaizdą iki originalaus fotoaparato jutiklio, kuris jį užfiksavo, per kiekvieną redagavimą. Kiekvienas pakeitimas sukuria naują kriptografinį parašą, kuris susiejamas su originalu. Visą istoriją gali patikrinti bet kas.
Formalusis patikrinimas: matematiniai įrodymai, kad AI rezultatai yra teisingi. Ne „tikriausiai teisingi“ ar „paprastai teisingi“, o įrodomai, patvirtintai, neabejotinai teisingi. Kai jūsų AI agentas perveda pinigus, gausite kriptografinį įrodymą, kad jis pervedė tiksliai tą sumą į tiksliai tą sąskaitą, kurią įgaliojote. Kai AI generuoja teisinį dokumentą, gausite patvirtinimą, kad kiekviena sąlyga atitinka atitinkamus reglamentus.
Į apribojimus orientuotas samprotavimas: AI sistemos, kurios daro išvadas remdamosi aiškiais loginiais ryšiais, o ne statistinėmis koreliacijomis. Kadangi samprotavimas vadovaujasi formaliomis taisyklėmis, kiekvieną žingsnį galima patikrinti. Jei AI rekomenduoja medicininį gydymą, galite atsekti, kurie simptomai tiksliai atitiko kuriuos diagnostikos kriterijus, kad būtų pateikta ta rekomendacija.
Interneto naršyklės turės „Realybės filtrus“ (kaip šiandien turi skelbimų blokatorius), kurie filtruos nepatvirtintą, AI sukurtą turinį. Patikimiausi naujienų šaltiniai ir duomenų teikėjai bus tie, kurie galės kriptografiškai įrodyti savo turinio perdavimo grandinę.
Pasitikėjimas pereis nuo prekės ženklo atributo („The New York Times yra patikimas, nes turi reputaciją“) prie kriptografinio įrodymo („Šis straipsnis yra patikimas, nes galiu patikrinti žurnalisto parašą, redaktoriaus pritarimą ir faktų tikrintojo patvirtinimą“). Reputacija vis tiek bus svarbi, bet ją pagrįs patikrinami įrodymai, o ne prielaidos, paremtos istorija.
„Nepasitikėk, tikrink“ jau yra kriptovaliutų pasaulio šūkis. Iki 2030 m. tai taps visos informacijos amžiaus šūkiu.
5 prognozė: energijos atsiskaitymas
Yra prognozė, kurios negalime išvengti, nors pramonė norėtų jos neaptarinėti: dabartinė AI energijos suvartojimo trajektorija yra fiziškai netvari.
Pranešama, kad treniruojant GPT-4 buvo sunaudota tiek elektros, kiek per metus sunaudoja 50 000 Europos namų ūkių. Didelių modelių išvadų skaičiavimo sąnaudos siekia milijonus dolerių per mėnesį. AI skirti duomenų centrai sunaudoja viso miesto elektros kiekį. Airija, pagrindinis AI duomenų centrų centras, artėja prie taško, kuriame AI skaičiavimai sunaudoja daugiau elektros nei visi šalies namų ūkiai kartu paėmus.
Ši trajektorija atsitrenkia į fizines ribas. Yra tik tiek elektros, kiek galima pagaminti. Yra tik tiek vietų, kuriose duomenų centrus galima efektyviai vėsinti. AI anglies pėdsakas, esant dabartiniams mastelio didinimo tempams, iki 2030 m. sunaudotų didelę dalį pasaulio anglies dioksido biudžeto.
Kažkas turi nusileisti. Arba dirbtinis intelektas tampa dramatiškai efektyvesnis, arba jo diegimas tampa dramatiškai suvaržytas energijos prieinamumo ir kainos. Tikime, kad efektyvumas laimės, nes ekonominės paskatos yra didžiulės, o techniniai sprendimai egzistuoja.
Dvejetainis skaičiavimas siūlo kelią į priekį. Tradiciniai neuroniniai tinklai kiekvienam skaičiavimui naudoja 32 bitų arba 16 bitų slankiojo kablelio skaičius. Dvejetainiai neuroniniai tinklai naudoja 1 bito atvaizdavimą. Energijos sutaupymas nėra 2x ar 10x. Jis siekia 96 % ar daugiau. Skaičiavimas, kuriam GPU reikia 1 200 vatų, gali būti atliktas su 50 vatų CPU, vykdančiu dvejetaines operacijas.
Tai ne teorija. Tyrimai parodė, kad dvejetainiai neuroniniai tinklai gali pasiekti konkurencingą tikslumą atlikdami daugybę užduočių, sunaudodami kelis kartus mažiau energijos. Efektyvumo padidėjimas, kurį suteikia XNOR-popcount operacijos (pagrindiniai dvejetainių neuroninių tinklų statybiniai blokai), palyginti su slankiojo kablelio daugybos-kaupimo operacijomis, yra toks didelis, kad keičia tai, kokia aparatinė įranga apskritai reikalinga.
Iki 2030 m. prognozuojame, kad energijos efektyvumas taps pagrindiniu DI sistemų vertinimo kriterijumi, tokiu pat svarbiu kaip tikslumas ar galimybės. Reguliavimo spaudimas (ypač Europoje), ekonominis spaudimas (energijos kainos) ir reputacijos spaudimas (anglies pėdsako susirūpinimas) privers įvykdyti šį perėjimą.
Įmonės, kurios jau sukūrė efektyvias architektūras, turės didžiulį pranašumą. Tos, kurios vis dar priklauso nuo brutaliai didelio slankiojo kablelio mastelio, pamatys, kad jų verslo modeliai tampa ekonomiškai neperspektyvūs.
6-oji prognozė: Europos suverenumas yra svarbus
Geopolitinės DI priklausomybės pasekmės tampa neįmanoma ignoruoti. Kai jūsų šalies įmonės, vyriausybės paslaugos ir kritinė infrastruktūra priklauso nuo DI sistemų, kurias valdo saujelė Amerikos įmonių, naudojančių Kalifornijoje suprojektuotą ir Taivane pagamintą aparatinę įrangą, turite strateginį pažeidžiamumą.
Europa yra ypač pažeidžiama. ES neturi didelio DI pagrindinių modelių teikėjo. Europos įmonės beveik visiškai priklauso nuo „OpenAI“, „Google“, „Anthropic“ ir „Meta“ dėl DI galimybių. Europos vyriausybės naudoja Amerikos debesijos paslaugas jautrioms operacijoms. Europos sveikatos priežiūros sistemos svarsto Amerikos DI diagnostinei pagalbai.
Ši priklausomybė sukuria kelias rizikas. Amerikos įmonės gali savavališkai kelti kainas. Jos gali keisti paslaugų teikimo sąlygas taip, kad jos prieštarautų Europos vertybėms (privatumui, darbuotojų apsaugai, turinio moderavimui). Kraštutiniais atvejais jos galėtų visiškai nutraukti prieigą dėl geopolitinės įtampos ar reguliavimo konfliktų.
Prognozuojame, kad iki 2030 m. DI suverenumas taps toks pat svarbus kaip energetinis ar maisto suverenumas. Šalys reikalaus, kad kritinės DI sistemos veiktų šalies kontroliuojamoje infrastruktūroje. Jautrios programos reikalaus, kad duomenys niekada nepaliktų nacionalinės jurisdikcijos. Strateginės pramonės šakos reikalaus DI sistemų, kurios galėtų veikti nepriklausomai nuo užsienio teikėjų.
ES DI aktas jau juda šia kryptimi, nustatydamas skaidrumo, duomenų apsaugos ir žmogiškosios priežiūros reikalavimus, kuriuos Amerikos teikėjams sunku įvykdyti. Tačiau reguliavimas yra tik dalis sprendimo. Europai reikia realių DI galimybių, kurios prilygtų Amerikos pasiūlymams arba juos viršytų, išlaikant Europos vertybes.
Tai sukuria didžiulę galimybę DI teikėjams, kurie gali pasiūlyti suverenų diegimą. Sistemos, veikiančios Europos infrastruktūroje, saugančios duomenis Europos jurisdikcijose, atitinkančios Europos reguliavimo reikalavimus ir suteikiančios Europos įmonėms nepriklausomybę nuo Amerikos technologijų milžinių, galės reikalauti didelių priemokų.
„Dweve“ suverenitetas nėra paskesnė mintis. Mūsų sistemos nuo pat pradžių kuriamos vietiniam diegimui. Jos veikia standartinėje Europos techninėje įrangoje. Jos laiko duomenis ten, kur jiems vieta. Jos užtikrina skaidrumą, kurio reikalauja Europos reglamentai. Jos Europos įmonėms siūlo kelią į dirbtinio intelekto galimybes be priklausomybės nuo dirbtinio intelekto.
Ką tai reiškia verslui
Šios šešios prognozės turi didelės įtakos tam, kaip įmonės šiandien turėtų galvoti apie savo dirbtinio intelekto strategiją:
1. Nustokite kurti pokalbių robotus, pradėkite kurti agentus. Jei jūsų DI strategija yra „pridėti pokalbių robotą prie mūsų svetainės", kuriate 2023 metams. Įmonės, kurios laimės 2030 metais, bus tos, kurių DI iš tikrųjų atlieka veiksmus, o ne tik kalba apie dalykus. Paklauskite savęs: kokias užduotis galime automatizuoti nuo pradžios iki pabaigos, o ne tik palengvinti? Kokie darbo procesai sunaudoja valandas žmogaus laiko, kurias būtų galima perduoti patikrintiems, patikimiems agentams?
2. Investuokite į patikimumą, o ne į galimybes. Kita įmonių DI karta bus vertinama ne pagal tai, kaip įspūdingai ji skamba, bet pagal tai, ar ja galima pasitikėti vykdant kritinius verslo procesus be priežiūros. Šiek tiek mažiau pajėgus DI, kuris niekada nedaro klaidų, yra be galo vertingesnis už puikų DI, kuris retkarčiais katastrofiškai haliucinuoja. Vertindami DI sistemas, reikalaukite formalių garantijų, o ne etaloninių balų.
3. Galvokite apie kraštinį įrenginį pirmiausia, o ne debesį. Ekonomika, susijusi su DI paleidimu kraštiniuose įrenginiuose (įrenginyje, vietoje), taps žymiai palankesnė nei debesijos skaičiavimai. Įmonės, kurios gali diegti intelektą vietoje, turės sąnaudų, delsos ir privatumo pranašumų, kurių nuo debesijos priklausomi konkurentai negali pasiekti. Pradėkite planuoti paskirstytas DI architektūras jau dabar.
4. Kurkite pasitikėjimo infrastruktūrą dabar. Įmonės, kurios anksti sukurs patikros ir pasitikėjimo sistemas, turės pirmojo judėtojo pranašumą, kai prasidės sintetinio turinio potvynis. Jei jūsų duomenys ir rezultatai yra kriptografiškai patvirtinti, o konkurentų ne, jūs pagal nutylėjimą tampate patikimu šaltiniu. Įdiegkite turinio kilmės sekimą, kol tai netapo privaloma.
5. Planuokite energijos apribojimus. DI energijos suvartojimas taps strateginiu rūpesčiu. Nesvarbu, ar tai anglies mokesčiai, energijos sąnaudos, ar paprasti prieinamumo apribojimai, efektyvumas bus svarbus. Vertinkite DI sistemas pagal jų energijos pėdsaką, o ne tik pagal jų galimybes. Pirmenybę teikite architektūroms, kurios gali veikti standartinėje įrangoje, o ne toms, kurioms reikia specializuotų greitintuvų.
6. Užtikrinkite savo DI tiekimo grandinės saugumą. Priklausomybė nuo vieno užsienio tiekėjo kritinėms DI galimybėms yra strateginė rizika. Kurkite alternatyvas. Išbandykite Europos tiekėjus. Kurkite hibridines architektūras, kurios gali perjungti tiekėjus. Užtikrinkite, kad galėtumėte veikti net jei jūsų pagrindinis DI tiekėjas pakeistų sąlygas, padidintų kainas ar taptų nepasiekiamas.
Dweve vizija
Mes nekuriame Dweve 2024 metų DI rinkai. Mums neįdomu kurti šiek tiek geresnį pokalbių robotą, kad konkuruotume su OpenAI etaloniniais balais. Mes nesivaikome „didžiausio modelio" trofėjaus. Mes kuriame 2030 metams.
Štai kodėl mes sutelkiame dėmesį į agentus (ne tik pokalbius). Mūsų Nexus platforma užtikrina kelių agentų orkestravimą su daugiau nei 38 specializuotais agentais 12 samprotavimo režimų, nuo pat pradžių sukurta taip, kad saugiai ir patikimai atliktų veiksmus pasaulyje, o ne tik generuotų tekstą, kuris skamba įtikinamai. Šeši saugos architektūros lygiai užtikrina ribotą autonomiją su ketinimų patikra, etikos vykdymu ir veikimo stebėsena.
Štai kodėl mes sutelkiame dėmesį į mažus modelius (dvejetainius, retus, diegiamus kraštiniuose įrenginiuose). Mūsų Loom architektūra su 456 specializuotais apribojimų rinkiniais duoda geresnius rezultatus nei monolitiniai modeliai už 1/50 skaičiavimo sąnaudų, veikdama įrangoje, kurią jau turite. Permuted Agreement Popcount (PAP) maršruto parinkimo sistema užtikrina, kad užklausos pasiektų tinkamus srities specialistus, naudodama struktūrinį šablonų aptikimą, kuris pašalina klaidingus teigiamus rezultatus.
Štai kodėl mes sutelkiame dėmesį į Patikrinimą (apribojimais grindžiama architektūra, formalioji logika, „Glass Box“ skaidrumas). Mūsų „Core“ sistema teikia 1 937 aparatine įranga optimizuotų algoritmų, sukurtų remiantis dvejetainio apribojimų atradimo principais. Kiekvienas sprendimas gali būti atsektas per kristalizuotus loginius ryšius. Jokių juodųjų dėžių. Jokio „pasitikėkite mumis, tai veikia“. Įrodymas. 100 % paaiškinamumas nėra funkcija, kurią pridėjome; tai architektūros pasekmė.
Štai kodėl mes sutelkiame dėmesį į Efektyvumą. Dvejetainis skaičiavimas užtikrina 96 % mažesnes energijos sąnaudas, palyginti su tradiciniais slankiojo kablelio metodais. Mūsų sistemos veikia įprastuose procesoriuose, ARM įrenginiuose ir net naršyklėse per „WebAssembly“. Jokios egzotiškos aparatinės įrangos. Jokių specializuotų duomenų centrų. Jokio megavatų energijos suvartojimo.
Štai kodėl mes sutelkiame dėmesį į Suverenumą. „Dweve“ sistemos diegiamos Europos infrastruktūroje, o duomenys niekada nepalieka jurisdikcinės kontrolės. Europos duomenų centrai Nyderlanduose, Vokietijoje ir Prancūzijoje. BDAR atitiktis įdiegta nuo pat pagrindų. Jokia priklausomybė nuo Amerikos debesijos paslaugų teikėjų pagrindinėms operacijoms.
Mes kuriame nematomą, patikimą, suverenią protingos ateities infrastruktūrą. Mes kuriame vamzdynus agentų ekonomikai. Kelius, tiltus ir elektros tinklą dirbtinio intelekto amžiuje.
Nes 2030 metais niekam neberūpės dirbtinis intelektas. Jie juo nesistebės. Jie neberašys jam komandų. Jie net negalvos apie jį. Jiems rūpės tik tai, ką dirbtinis intelektas jiems padarė: susitikimą, kurį jis suplanavo, ataskaitą, kurią parašė, problemą, kurią išsprendė, sprendimą, kurį jis teisingai priėmė jų vardu, kol jie buvo užsiėmę savo gyvenimais.
Tai ateitis, kurią kuriame. Tokį 2030-ųjų vaizdą matome. Ir mums būtų malonu kurti jį kartu su jumis.
„Dweve“ kuria agentų ekonomikos infrastruktūrą. Mūsų „Loom“ architektūra teikia 456 specializuotus domeno ekspertų apribojimų rinkinius standartinėje aparatinėje įrangoje. Mūsų „Nexus“ platforma orkestruoja kelių agentų darbo eigas su formaliu patikrinimu ir šešiais saugos lygiais. Mūsų „Core“ sistema įgalina dvejetainį dirbtinio intelekto kūrimą su 1 937 algoritmais, kurie veikia bet kur. Esame įsipareigoję Europos dirbtinio intelekto suverenumui: efektyviam, skaidriam ir nepriklausomam. Pasiruošę 2030-iesiems? Pradėkite pokalbį.