2030. gada prognoze: tērzēšanas botu nāve un aģentu uzplaukums
Jaunuma fāze tuvojas beigām
Iedomājieties sevi pirms pieciem gadiem, vērojot, kā kāds pirmo reizi raksta ChatGPT. Atceraties šo sajūtu? To vieglo neticību, kad sāka parādīties sakarīgi teikumi. To nervozo smieklu, kad tas uzrakstīja dzejoli par jūsu suni. To eksistenciālo šausmu, kad tas kvantu fiziku izskaidroja labāk nekā jūsu universitātes profesors jebkad.
Šis brīnuma mirklis? Tas jau izgaist. Mēs dzīvojam mākslīgā intelekta "jaunuma fāzē", īsā laika posmā, ko raksturo izbrīns un skats. Mēs brīnāmies, ka dators spēj runāt. Mēs stundām ilgi rakstām tērzēšanas logos, izturoties pret MI kā pret smieklīgu orākulu, gudru rotaļlietu vai (lai būtu godīgi) nedaudz iereibušu praktikantu, kurš reizēm rada spožas lietas.
Mēs pat esam radījuši jaunu amata nosaukumu šim laikmetam: "Prompt Engineer". Padomājiet par to mirkli. Mēs maksājam cilvēkiem sešciparu algas, lai viņi čukstētu pareizās burvestības datoram. Mēs izturamies pret mākslīgo intelektu kā pret noslēpumainu būtni, kura ir jāpierunā, jāpielabinās un rūpīgi jāvirza, lai tā veiktu noderīgu darbu. Tas ir kā nolīgt kādu, lai tas kaulētos ar jūsu mikroviļņu krāsni.
Šī situācija mums šķiet pamatā absurda. Ne tāpēc, ka tehnoloģija nebūtu iespaidīga, bet tāpēc, ka mēs to izmantojam nepareizi. Mēs esam radījuši visspēcīgākos izziņas rīkus cilvēces vēsturē, un mēs tos izmantojam kā īpaši runīgus meklētājprogrammas. Mums ir kodolreaktori, un mēs tos izmantojam grauzdiņu grauzdēšanai.
Līdz 2030. gadam šī fāze izskatīsies arhaiska. Pat apkaunojoši arhaiska. Mēs uz "prompt inženieriju" atskatīsimies tāpat kā uz perfokartēm vai MS-DOS komandrindām. Tas bija nepieciešams, primitīvs interfeiss primitīvam laikmetam. AI nākotne nav par sarunāšanos ar datoru. Tā ir par to, ka dators pilnībā pazūd.
Turpmāk sniegtas mūsu prognozes par inteliģences attīstību nākamajos piecos gados. Ne mārketinga fantāzijas vai zinātniskās fantastikas sapņi, bet pamatotas ekstrapolācijas, kas balstītas uz tehnoloģiju attīstības trajektorijām, kuras redzam šodien. Dažas notiks ātrāk, nekā gaidām. Dažas lēnāk. Taču virziens ir skaidrs, un tā izpratne jau tagad sniedz stratēģiskas priekšrocības, ko dod sagatavotība.
Izpratne par tehnoloģiju pārmaiņām
Pirms ķeramies pie prognozēm, noskaidrosim, kas patiesībā mainās. AI revolūcija 2022.-2025. gadā būtībā bija par vienu izrāvienu: transformatoru arhitektūras, kas mērogotas līdz milzīgiem apmēriem, spēja veikt vispārējas nozīmes teksta ģenerēšanu. Tas bija iespaidīgi. Tas bija arī, raugoties atpakaļ, ievērojami neapstrādāti.
Pašreizējie lielie valodas modeļi būtībā ir ļoti sarežģītas automātiskās pabeigšanas sistēmas. Tie prognozē nākamo vienību, pamatojoties uz statistikas modeļiem, kas apgūti no apmācības datiem. Tiem nav izpratnes par patiesību, nav pasaules modeļa, nav spējas pārbaudīt savus rezultātus. Tie pārliecinoši maldās, jo tiem nav mehānisma, kā atšķirt faktu no izdomājuma. Tie ir varbūtību modeļu atpazītāji, un tie sasniedz robežas tam, ko vien spēj paveikt modeļu atpazīšana.
Nākamās paaudzes mākslīgais intelekts būs būtiski atšķirīgs. Tā vietā, lai paļautos tikai uz apgūtām statistiskām korelācijām, sistēmas ietvers simbolisko spriešanu, formālu verifikāciju un skaidru zināšanu attēlojumu. Tā vietā, lai minētu atbildes, tās tās atvasinās no pirmajiem principiem un pierādīs, ka tās ir pareizas. Tā vietā, lai būtu vispārīgas un neskaidras, tās būs specializētas un precīzas.
Tas nav minējums. Pētījumi jau ir publicēti. Arhitektūras jau tiek izstrādātas. Vienīgais jautājums ir, cik ātri tās nonāks ražošanā un tirgū. Mūsu prognozes balstās uz reālistiskiem šo pāreju termiņiem.
1. prognoze: interfeiss pazūd
Vislabākā tehnoloģija ir neredzama. Jums nav "sarunas" ar jūsu pretbloķēšanas bremžu sistēmu; tā vienkārši novērš sānslīdi. Jūs "nepamudināt" savu e-pasta surogātpasta filtru; tas vienkārši filtrē surogātpastu. Jūs nekad nedomājat par TCP/IP protokolu, kas piegādā šo rakstu jūsu ekrānam. Laba tehnoloģija strādā. Lieliska tehnoloģija strādā, jums to nemanot.
Līdz 2030. gadam mākslīgais intelekts atkāpsies fonā. Tas kļūs par pasaules apkārtējo operētājsistēmu. Tā nebūs vieta, kuru apmeklējat (tīmekļa vietne, piemēram, ChatGPT). Tā būs lietderība, kas caurstrāvo visu, tikpat ikdienišķa un būtiska kā elektrība.
Šī pāreja atbilst modelim, ko tehnoloģiju vēsturē esam redzējuši atkārtoti. Agrīnajiem automobiļiem bija nepieciešams apmācīts šoferis, kurš saprata sarežģīto iekšdedzes mehāniku. Agrīnajiem datoriem bija nepieciešami programmētāji, kuri prata mašīnkodu. Agrīnajiem tālruņiem bija nepieciešami operatori, kuri manuāli savienoja zvanus. Katrā gadījumā tehnoloģija galu galā kļuva pietiekami vienkārša, lai starpnieks pazustu. Interfeiss saplacinājās, līdz kļuva neredzams.
Mēs pāriesim no skaidras mijiedarbības (komandas ievadīšanas, lai iegūtu rezultātu) uz netiešu nolūku (sistēma paredz vajadzību un to apmierina). Apsveriet, kā tas izskatās praksē:
Jūsu kalendārs šodien: Jūs lasāt e-pasta pavedienu. Jūs domājat "mums vajadzētu satikties." Jūs atverat savu kalendāru. Jūs pārbaudāt visu pieejamību (trīs dažādas sistēmas). Jūs ierosināt laikus. Jūs gaidāt atbildes. Jūs rezervējat telpu. Jūs nosūtāt ielūgumus. Divdesmit minūtes berzes trīsdesmit minūšu sapulcei.
Jūsu kalendārs 2030. gadā: MI novēro jūsu e-pasta pavedienu. Tas pamana nodomu satikties (to izsecinot no konteksta, nevis atslēgvārdiem). Tas pārbauda visu pušu pieejamību viņu kalendāra sistēmās. Tas saskaņo optimālo laiku. Tas rezervē telpu. Tas nosūta ielūgumus. Jūs redzat paziņojumu: "Sapulce ieplānota ar Saru un Džeimsu, ceturtdien plkst. 14.00." Jūs neko nedarījāt. Berze pazuda.
Vai arī apsveriet piegādes ķēdes pārvaldību:
Šodien: Jūsu operāciju komanda uzrauga informācijas paneļus. Analītiķis pamana, ka Meksikas līcī veidojas viesuļvētra. Viņš manuāli pārbauda, kurus sūtījumus tā varētu ietekmēt. Viņš sazinās ar vadītāju. Vadītājs sasauc sapulci. Viņi nolemj mainīt kravas maršrutu. Kāds atjaunina krājumu prognozi izklājlapā. Pagājušais laiks: 48 stundas. Kavēšanās izmaksas: 200 000 eiro.
2030. gadā: Piegādes ķēdes MI pamana viesuļvētras veidošanos (tas uzrauga laikapstākļus, nevis informācijas paneļus). Tas prognozē, kuri sūtījumi kavēsies, ar 94 % pārliecību. Tas automātiski pārvirza kravu uz alternatīvām ostām. Tas atjaunina krājumu prognozi. Tas informē attiecīgos cilvēkus ar viena teikuma kopsavilkumu: "14 konteineri pārvirzīti caur Roterdamu viesuļvētras Marijas dēļ. Paredzamais ierašanās laiks nemainīts." Pagājušais laiks: 3 minūtes. Kavēšanās izmaksas: 0 eiro.
Vai arī apsveriet medicīnisko diagnostiku:
Šodien: Pacients apraksta simptomus ģimenes ārstam. Ģimenes ārsts, ņemot vērā ierobežoto laiku un plašo apmācību, veic sākotnējo novērtējumu. Viņš nosūta pacientu pie speciālista. Speciālists nozīmē izmeklējumus. Paiet nedēļas. Rezultāti pienāk. Tiek ieplānota vēl viena vizīte. Tiek noteikta diagnoze. Ārstēšana sākas mēnešus pēc pirmo simptomu parādīšanās.
2030. gadā: Pacienta valkājamās ierīces jau ir atklājušas novirzi. Viņa personīgais veselības MI ir izsekojis smalkām izmaiņām sirdsdarbības ātruma mainībā, miega modeļos un kustībās, kas liecina par agrīnas stadijas slimību. Pirms pacients pat sajūt simptomus, viņa ārsts saņem brīdinājumu ar provizorisku analīzi un ieteikto diagnostikas ceļu. Līdz brīdim, kad pacients būtu pamanījis, ka kaut kas nav kārtībā, ārstēšana jau ir sākusies.
Tehnoloģijas mērķis ir samazināt berzi. Rakstīšana ir berze. Runāšana ir berze. Pat domāšana par to, ko rakstīt, ir berze. Galvenais mākslīgā intelekta mērķis ir novērst berzi pilnībā. Jūs to neizmantojat. Tas izmanto sevi, jūsu vārdā, ar jūsu pilnvarām.
2. prognoze: no vārdiem uz darbībām
Mūsdienu lielie valodas modeļi (LLM) ir teksta dzinēji. Tie ģenerē vārdus. Tie ir ārkārtīgi izteiksmīgi. Tie var rakstīt dzeju, izskaidrot fiziku, apkopot dokumentus un izlikties par pirātu, kurš skaidro blokķēdi. Taču galu galā tie rada tekstu, uz kura pamata jums, cilvēkam, pēc tam ir jārīkojas.
Tas ir būtisks ierobežojums. Teksts ir lēts. Darbība ir vērtīga. Dokumentam, kurā aprakstīts, kā novērst kļūdu, ir zināma vērtība. Faktiskai kļūdas novēršanai ir desmitkārtīga vērtība. Ieteikums par to, kuras akcijas pirkt, sniedz informāciju. Faktiska darījumu izpilde (pareizi, droši, īstajā laikā) sniedz vērtību.
Rītdienas lielie darbības modeļi (LAM) būs rīcībspējas dzinēji. Tie ģenerēs darbības. Tie darīs lietas pasaulē, nevis tikai runās par lietu darīšanu.
Aģents ne tikai pastāsta, kā rezervēt lidojumu; tas rezervē lidojumu. Tas piesakās aviokompānijas vietnē (vai izmanto API). Tas izvēlas jums vēlamo sēdvietu (pie loga, avārijas izejas rindā, jo tas ir apguvis jūsu vēlmes no pēdējiem 47 lidojumiem). Tas ievada jūsu pases datus. Tas norēķinās ar jūsu korporatīvo karti. Tas pievieno čeku jūsu ceļa izdevumu atskaitei ar pareizo projekta kodu. Tas pievieno lidojumu jūsu kalendāram. Tas pat iestata atgādinājumu reģistrēties 24 stundas pirms izlidošanas.
Jūs lūdzāt lidojumu. Jūs saņēmāt lidojumu. Ne instrukcijas. Ne iespēju sarakstu. Ne noderīgu ieteikumu. Īstu biļeti, kas ir iegādāta, apstiprināta un ievietota kalendārā.
Šī pāreja no informācijas iegūšanas uz uzdevumu izpildi ir lielākā ekonomiskā iespēja programmatūras vēsturē. Tā pārveido mākslīgo intelektu no "meklētājprogrammas" (kas palīdz strādāt ātrāk) par "darbaspēku" (kas darbu paveic jūsu vietā). Ietekme ir satriecoša.
Saskaņā ar McKinsey pētījumu, zināšanu darbinieki aptuveni 28% sava laika pavada e-pasta un kalendāra pārvaldībā, 19% informācijas meklēšanā un 14% administratīvos uzdevumos. Tas ir 61% darba dienas, ko aģenti varētu pilnībā pārņemt. Ja mēs varētu atgūt pat pusi šī laika radošam un stratēģiskam darbam, globālā produktivitāte pieaugtu par triljoniem eiro gadā.
Tomēr šī pāreja prasa milzīgu uzticamības uzlabojumu. Jūs varat paciest izdomātu dzejoli. (Tas var pat būt burvīgs.) Jūs nevarat paciest izdomātu bankas pārskaitījumu. Jūs nevarat paciest aģentu, kas nejauši izdzēš jūsu ražošanas datubāzi, jo tas "domāja", ka jūs to vēlējāties. Jūs nevarat pieņemt aģentu, kas rezervē lidojumu uz Sidneju Austrālijā, kad jūs domājāt Sidneju Jaunskotijā.
Pašreizējās mākslīgā intelekta sistēmas šo uzticamības pārbaudi izgāž iespaidīgi. Pētījumi liecina, ka izdomājumu līmenis ir 15-25% pat vienkāršiem faktu vaicājumiem. Sarežģītiem vairāku soļu uzdevumiem kļūdu līmenis palielinās. Ja katram solim ir 90% veiksmes rādītājs un uzdevumam nepieciešami desmit soļi, kopējais veiksmes rādītājs ir tikai 35%. Tas nav darba plūsmas automatizācijas rīks. Tas ir haosa ģenerators.
Šī uzticamības plaisa ir iemesls, kāpēc nākotne pieder arhitektūrām, kas var garantēt pareizību, nevis tikai varbūtības modeļiem, kas var tikai minēt. Kad aģents pārvalda jūsu finanses, "95% precizitāte" nav priekšrocība. Tā ir gaidāma tiesas prāva par atbildību.
Prognoze 3: Mazo modeļu revolūcija
Pēdējos piecus gadus nozares mantra ir bijusi "Scale is All You Need." Lielāki modeļi, vairāk datu, vairāk GPU. Mēs steidzāmies no miljoniem uz miljardiem un triljoniem parametru. GPT-3 bija 175 miljardi parametru. GPT-4 ir (pēc ziņojumiem) vairāk nekā triljons. Katra paaudze prasīja eksponenciāli vairāk skaitļošanas jaudas, vairāk enerģijas un vairāk kapitāla. Mēs uzcēlām katedrāles lieluma datu centrus, lai tos izvietotu.
Trīsdesmitie gadi iezīmēs būtisku pavērsienu. Mēs ieejam mazu, specializētu ekspertu laikmetā.
Kāpēc? Tāpēc, ka, palielinot modeļa izmēru, ieguvums kļūst arvien mazāks. Parametru skaita palielināšana no 100 miljardiem līdz 1 triljonam uzlabo etalonu rezultātus varbūt par 5-10%. Taču tas palielina apmācības izmaksas no 10 miljoniem eiro līdz 100 miljoniem eiro. Tas 10 reizes palielina secinājumu izmaksas. Tas palielina enerģijas patēriņu līdz tādam līmenim, ka viena apmācības sesija rada vairāk oglekļa emisiju nekā 500 automašīnas, kuras brauc gadu.
Matemātika par mazāku atdevi ir nežēlīga. Sākotnējā mērogošana nodrošināja aptuveni lineārus uzlabojumus: dubultojiet parametrus, dubultojiet iespējas. Tagad esam režīmā, kur parametru dubultošana sniedz, iespējams, 10-15% uzlabojumu. Ekonomika vairs nav jēga lielākajai daļai lietojumu.
Vēl svarīgāk, mēs apzināmies, ka milzīgs, vispārējas nozīmes modelis, kas zina visu, sākot no Šekspīra līdz Python, franču virtuvei un kvantu mehānikai, pēc būtības ir neefektīvs. Tas ir kā nolīgt vienu cilvēku, kurš vienlaikus ir jurists, pavārs, mehāniķis un dzejnieks, un lūgt viņam sagatavot jūsu nodokļu deklarācijas. Jā, viņš, iespējams, mazliet zina par nodokļiem. Bet specializēts grāmatvedis būtu ātrāks, lētāks un precīzāks.
Cilvēka smadzenes nedarbojas kā viena monolīta sistēma. Tās sastāv no specializētiem reģioniem: redzes garoza apstrādā attēlus, valodas centri pārvalda runu, hipokamps pārvalda atmiņu. Šīs specializētās sistēmas darbojas kopā, katra sniedzot savu kompetenci kopumam. Spējīgākās mākslīgā intelekta sistēmas 2030. gadā sekos tam pašam modelim.
Nevis "Die God-Model" in die wolk nie, ons sal miljoene klein, hoogs gespesialiseerde modelle hê:
- Viens, kas ir eksperts Vācijas līgumtiesībās (trenēts uz katru Vācijas tiesas lēmumu kopš 1949. gada)
- Viens, kas ir eksperts TypeScript optimizācijā (trenēts uz miljoniem koda pārskatu)
- Viens, kas ir eksperts 2015. gada Ford dzinēju problēmu diagnosticēšanā (trenēts uz katru servisa rokasgrāmatu un remonta biļeti)
- Viens, kas ir eksperts jūsu uzņēmuma konkrētajā produktu dokumentācijā
- Viens, kas ir eksperts jūsu personīgajā saziņas stilā
Šie modeļi būs pietiekami mazi, lai tos varētu palaist lokāli jūsu ierīcē (Edge AI). Tie darbosies jūsu tālrunī, brillēs, automašīnā, ledusskapī. Tiem nebūs nepieciešams 500 vatu GPU; tie darbosies ar 2 vatu neironu apstrādes vienību. Tie savā starpā sazināsies tīklā, novirzot vaicājumus atbilstošajam ekspertam. Tie būs ātri (bez tīkla latentuma), privāti (dati nepametīs jūsu ierīci) un lēti (bez maksas par katru žetonu).
Šī pāreja jau sākas. Atvērtā pirmkoda modeļi, piemēram, Llama un Mistral, ir pierādījuši, ka mazāki, labi apmācīti modeļi var sasniegt vai pārspēt lielāku patentētu modeļu veiktspēju konkrētos uzdevumos. Kvantizācijas metodes ļauj darbināt modeļus ar miljardiem parametru uz patērētāju aparatūras. Rīku komplekts specializēta, efektīva mākslīgā intelekta veidošanai strauji nobriest.
Uzņēmumā Dweve mēs šo pieeju esam noveduši līdz loģiskam noslēgumam ar Loom: 528 specializētu ierobežojumu kopu, kas darbojas saskaņoti, katra satur 64-128MB bināru ierobežojumu, kopā spējīgākas par jebkuru monolītu milzeni. Ar īpaši retu aktivāciju (vienlaikus aktīvi ir tikai 4-8 domēnu speciālisti), darba atmiņa paliek no 256MB līdz 1GB, kamēr pilns katalogs tiek saspiests līdz aptuveni 150GB. Šī arhitektūra sniedz labākus rezultātus nekā modeļi ar triljoniem parametru par niecīgu daļu no skaitļošanas izmaksām, darbojoties uz aparatūras, kas jums jau pieder.
4. prognoze: verifikācija kļūst par valdnieci
Lūk, domu eksperiments. Ir 2028. gads. 1000 vārdu gara raksta izveides izmaksas ir samazinājušās no 100 eiro (cilvēks rakstītājs) līdz 0,001 eiro (mākslīgā intelekta ģenerators). Kas notiks ar internetu?
Tas tiks appludināts. Noslīcināts. Aprakts zem sintētiskā trokšņa lavīnas. Katrs SEO surogātpasta sūtītājs, katra propagandas fabrika, katra satura ferma dienā saražos miljoniem rakstu. Surogātpasts, dziļviltojumi un izfantazētas "ziņas" veidos 99% tīmekļa. Signāla un trokšņa attiecība sabruks līdz gandrīz nullei.
Mēs jau redzam pirmās pazīmes. Akadēmiskie pētnieki ir atklājuši, ka arvien lielāka daļa zinātnisko rakstu iesniegumu ir mākslīgā intelekta radīti atkritumi. Sociālo mediju platformas cīnās ar mākslīgā intelekta robotu armijām. Krājuma fotogrāfijas tiek aizstātas ar mākslīgā intelekta attēliem, kuros reizēm redzami cilvēki ar septiņiem pirkstiem. Ziņu organizācijas ir publicējušas mākslīgā intelekta rakstītus rakstus ar pilnībā izdomātiem citātiem un notikumiem.
Ekonomiskie stimuli garantē, ka tas kļūs vēl sliktāk. Sintētiska satura radīšana ir praktiski bezmaksas. Robežizmaksas tuvojas nullei. Ikviens ar savu mērķi, vai tas būtu komerciāls, politisks vai ļaunprātīgs, var appludināt informācijas ekosistēmu ar jebkuru sev vēlamu stāstījumu. Patiesība kļūst tikai par vienu viedokli starp miljoniem izdomātu alternatīvu.
Šādā vidē prēmija par Patiesību strauji pieaugs. Mēs redzēsim "Patiesības tehnoloģiju" uzplaukumu:
Kriptogrāfiskā ūdenszīmēšana: Neredzami paraksti, kas iestrādāti saturā un pierāda, kad un kas to ir radījis. Ja fotogrāfijai trūkst derīgas ūdenszīmes no reģistrētas kameras, tiek pieņemts, ka tā ir mākslīgā intelekta radīta, līdz netiek pierādīts pretējais. Lielākie kameru ražotāji jau ievieš šo tehnoloģiju. Adobe satura autentiskuma iniciatīva veido infrastruktūru satura izcelsmes izsekošanai.
Izcelsmes izsekošana: Blokķēdei līdzīgas sistēmas, kas izseko katras datu vienības izcelsmi un pārveidošanas vēsturi. Jūs varēsiet izsekot attēlu līdz sākotnējam kameras sensoram, kas to uzņēmis, cauri katrai rediģēšanai. Katra modifikācija rada jaunu kriptogrāfisku parakstu, kas savienojas ar oriģinālu. Pilnu vēsturi var pārbaudīt ikviens.
Formālā verifikācija: Matemātiski pierādījumi, ka mākslīgā intelekta rezultāti ir pareizi. Nevis "iespējams pareizi" vai "parasti pareizi", bet gan pierādāmi, apliecināmi, neapgāžami pareizi. Kad jūsu mākslīgā intelekta aģents pārskaitīs naudu, jums būs kriptogrāfisks pierādījums, ka tas pārskaitīja tieši to summu uz tieši to kontu, kuru jūs pilnvarojāt. Kad mākslīgais intelekts ģenerē juridisku dokumentu, jums būs verifikācija, ka katra klauzula atbilst attiecīgajiem noteikumiem.
Uz ierobežojumiem balstīta spriešana: Mākslīgā intelekta sistēmas, kas izdara secinājumus no skaidrām loģiskām attiecībām, nevis statistiskām korelācijām. Tā kā spriešana notiek saskaņā ar formāliem noteikumiem, katru soli var pārbaudīt. Ja mākslīgais intelekts iesaka medicīnisku ārstēšanu, jūs varat izsekot, kuri simptomi precīzi atbilda kuriem diagnostikas kritērijiem, lai nonāktu pie šī ieteikuma.
Interneta pārlūkprogrammās būs "Realitātes filtri" (tāpat kā mūsdienās reklāmu bloķētāji), kas filtrēs nepārbaudītu, ar mākslīgo intelektu ģenerētu saturu. Uzticamākie ziņu avoti un datu sniedzēji būs tie, kas kriptogrāfiski var pierādīt sava satura izcelsmes ķēdi.
Uzticēšanās pāries no zīmola atribūta ("The New York Times ir uzticams, jo tam ir reputācija") uz kriptogrāfisku pierādījumu ("Šis raksts ir uzticams, jo es varu pārbaudīt žurnālista parakstu, redaktora apstiprinājumu un faktu pārbaudītāja apliecinājumu"). Reputācijai joprojām būs nozīme, taču to pamatos pārbaudāmi pierādījumi, nevis pieņēmumi, kas balstīti uz vēsturi.
"Netici, pārbaudi" jau ir kriptovalūtu pasaules devīze. Līdz 2030. gadam tā būs visas informācijas laikmeta devīze.
5. prognoze: Enerģijas norēķins
Ir viena prognoze, no kuras mēs nevaram izvairīties, lai gan nozare par to labprāt nerunā: pašreizējā mākslīgā intelekta enerģijas patēriņa trajektorija ir fiziski neilgtspējīga.
GPT-4 apmācība, pēc ziņojumiem, patērēja pietiekami daudz elektroenerģijas, lai gadu apgādātu 50 000 Eiropas mājsaimniecību. Lielu modeļu secinājumu izmaksas sasniedz miljoniem dolāru mēnesī. Datu centri, kas veltīti mākslīgajam intelektam, patērē veselu pilsētu apjoma elektroenerģiju. Īrija, nozīmīgs mākslīgā intelekta datu centru centrs, tuvojas brīdim, kad mākslīgā intelekta skaitļošana patērē vairāk elektroenerģijas nekā visas valsts mājsaimniecības kopā.
Šī trajektorija sasniedz fiziskos ierobežojumus. Elektroenerģijas var saražot tikai tik daudz. Ir tikai noteikts skaits vietu, kur datu centrus var efektīvi dzesēt. Mākslīgā intelekta oglekļa pēdas nospiedums pašreizējā mērogošanās tempā līdz 2030. gadam patērētu ievērojamu daļu no pasaules oglekļa budžeta.
Kaut kam ir jāpiekāpjas. Vai nu mākslīgais intelekts kļūs ievērojami efektīvāks, vai arī tā ieviešana kļūs ievērojami ierobežota enerģijas pieejamības un izmaksu dēļ. Mēs uzskatām, ka uzvarēs efektivitāte, jo ekonomiskie stimuli ir nepārprotami un tehniskie risinājumi jau pastāv.
Binārā skaitļošana piedāvā izeju. Tradicionālie neironu tīkli katram aprēķinam izmanto 32 bitu vai 16 bitu peldošā komata skaitļus. Binārie neironu tīkli izmanto 1 bita attēlojumu. Aprēķinu, kam GPU nepieciešami 1 200 vati, var veikt ar 50 vatiem CPU, kas izpilda binārās darbības.
Tas nav tikai teorija. Pētījumi ir pierādījuši, ka binārie neironu tīkli var sasniegt konkurētspējīgu precizitāti daudzos uzdevumos, vienlaikus patērējot par vairākām kārtām mazāk enerģijas. Efektivitātes ieguvumi no XNOR-popcount darbībām (bināro neironu tīklu pamatelementiem), salīdzinot ar peldošā komata reizināšanu ar uzkrāšanu, ir tik lieli, ka tie maina to, kāda aparatūra vispār ir nepieciešama.
Mēs prognozējam, ka līdz 2030. gadam energoefektivitāte būs viens no galvenajiem kritērijiem mākslīgā intelekta sistēmu novērtēšanā, tikpat svarīgs kā precizitāte vai iespējas. Regulatīvais spiediens (īpaši Eiropā), ekonomiskais spiediens (enerģijas izmaksas) un reputācijas spiediens (oglekļa pēdas bažas) piespiedīs šo pāreju.
Uzņēmumi, kas jau ir izveidojuši efektīvas arhitektūras, iegūs milzīgas priekšrocības. Tiem, kuri joprojām paļaujas uz brutāla spēka peldošā komata mērogošanu, to biznesa modeļi kļūs ekonomiski neizdevīgi.
6. prognoze: Eiropas suverenitātei ir nozīme
Mākslīgā intelekta atkarības ģeopolitiskās sekas kļūst neiespējami ignorēt. Ja jūsu valsts uzņēmumi, valdības pakalpojumi un kritiskā infrastruktūra ir atkarīgi no mākslīgā intelekta sistēmām, kuras kontrolē saujiņa amerikāņu uzņēmumu, kas darbojas ar Kalifornijā izstrādātu un Taivānā ražotu aparatūru, jums ir stratēģiska neaizsargātība.
Eiropa ir īpaši pakļauta riskam. ES nav neviena liela mākslīgā intelekta pamatmodeļu nodrošinātāja. Eiropas uzņēmumi gandrīz pilnībā ir atkarīgi no OpenAI, Google, Anthropic un Meta mākslīgā intelekta iespējām. Eiropas valdības izmanto amerikāņu mākoņpakalpojumus sensitīvām darbībām. Eiropas veselības aprūpes sistēmas apsver amerikāņu mākslīgā intelekta izmantošanu diagnostikas atbalstam.
Šī atkarība rada vairākus riskus. Amerikāņu uzņēmumi var patvaļīgi paaugstināt cenas. Viņi var mainīt pakalpojumu sniegšanas noteikumus tā, ka tie nonāk pretrunā ar Eiropas vērtībām (privātums, darba ņēmēju aizsardzība, satura moderācija). Ārkārtējos scenārijos viņi var pilnībā pārtraukt piekļuvi ģeopolitiskas spriedzes vai regulatīvu konfliktu dēļ.
Mēs prognozējam, ka līdz 2030. gadam mākslīgā intelekta suverenitāte būs tikpat svarīga kā enerģētiskā vai pārtikas suverenitāte. Valstis prasīs, lai kritiskās mākslīgā intelekta sistēmas darbotos uz valsts kontrolētas infrastruktūras. Sensitīvām lietojumprogrammām tiks noteikta prasība, ka dati nekad nepamet valsts jurisdikciju. Stratēģiskās nozares prasīs mākslīgā intelekta sistēmas, kas var darboties neatkarīgi no ārvalstu nodrošinātājiem.
ES Mākslīgā intelekta akts jau virzās šajā virzienā ar prasībām par pārredzamību, datu aizsardzību un cilvēka uzraudzību, kuras amerikāņu nodrošinātājiem ir grūti izpildīt. Taču regulējums ir tikai daļa no risinājuma. Eiropai ir vajadzīgas reālas mākslīgā intelekta iespējas, kas atbilst vai pārspēj amerikāņu piedāvājumu, vienlaikus saglabājot Eiropas vērtības.
Tas rada milzīgas iespējas mākslīgā intelekta nodrošinātājiem, kuri var piedāvāt suverēnu ieviešanu. Sistēmas, kas darbojas uz Eiropas infrastruktūras, glabā datus Eiropas jurisdikcijās, atbilst Eiropas regulatīvajām prasībām un nodrošina Eiropas uzņēmumiem neatkarību no amerikāņu tehnoloģiju gigantiem, iegūs ievērojamas priekšrocības.
Uzņēmumā Dweve suverenitāte nav pēcpārdoma. Mūsu sistēmas jau no paša sākuma ir veidotas lokālai izvietošanai. Tās darbojas uz standarta Eiropas aparatūras. Tās glabā datus tur, kur tiem jāatrodas. Tās nodrošina pārredzamību, ko prasa Eiropas regulējums. Tās piedāvā Eiropas uzņēmumiem ceļu uz mākslīgā intelekta iespējām bez atkarības no mākslīgā intelekta.
Ko tas nozīmē uzņēmējdarbībai
Šīm sešām prognozēm ir dziļa ietekme uz to, kā uzņēmumiem būtu jādomā par AI stratēģiju šodien:
1. Beidziet veidot tērzēšanas robotus, sāciet veidot aģentus. Ja jūsu AI stratēģija ir "pievienot mūsu vietnei tērzēšanas robotu", jūs veidojat 2023. gada risinājumu. Uzņēmumi, kas uzvarēs 2030. gadā, būs tie, kuru AI patiešām kaut ko dara, nevis tikai runā par lietām. Pajautājiet sev: kādus uzdevumus mēs varam automatizēt no sākuma līdz beigām, nevis tikai atvieglot? Kuri darba procesi patērē stundām ilgu cilvēku laiku, ko varētu deleģēt pārbaudītiem un uzticamiem aģentiem?
2. Investējiet uzticamībā, nevis iespējās. Nākamās paaudzes uzņēmumu AI tiks vērtēts nevis pēc tā, cik iespaidīgi tas izklausās, bet gan pēc tā, vai tam var uzticēt kritisku biznesa procesu izpildi bez uzraudzības. Nedaudz mazāk spējīgs AI, kas nekad nepieļauj kļūdas, ir bezgalīgi vērtīgāks par spožu AI, kas reizēm katastrofāli maldās. Vērtējot AI sistēmas, pieprasiet formālas garantijas, nevis etalonu rezultātus.
3. Domājiet par perifērijas ierīcēm, nevis mākoni. AI darbināšanas ekonomika perifērijas ierīcēs (ierīcē, uz vietas) kļūs ievērojami izdevīgāka nekā secinājumu veikšana mākonī. Uzņēmumi, kas spēj izvietot intelektu lokāli, iegūs izmaksu, latentuma un privātuma priekšrocības, kuras no mākoņa atkarīgi konkurenti nespēs panākt. Sāciet plānot sadalītas AI arhitektūras jau tagad.
4. Veidojiet uzticības infrastruktūru jau tagad. Uzņēmumi, kas agri izveidos verifikācijas un uzticības sistēmas, iegūs pirmā virzītāja priekšrocības, kad pienāks sintētiskā satura plūdi. Ja jūsu dati un rezultāti ir kriptogrāfiski verificēti, bet konkurentu nav, jūs pēc noklusējuma kļūstat par uzticamo avotu. Ieviesiet satura izcelsmes izsekošanu, pirms tā kļūst obligāta.
5. Plānojiet enerģijas ierobežojumus. AI enerģijas patēriņš kļūs par stratēģisku jautājumu. Neatkarīgi no tā, vai tas būs oglekļa nodoklis, enerģijas izmaksas vai vienkārši pieejamības ierobežojumi, efektivitātei būs nozīme. Vērtējiet AI sistēmas pēc to enerģijas pēdas nospieduma, nevis tikai pēc to iespējām. Dodiet priekšroku arhitektūrām, kas darbojas uz standarta aparatūras, nevis tām, kurām nepieciešami specializēti paātrinātāji.
6. Nodrošiniet savu AI piegādes ķēdi. Atkarība no viena ārvalstu pakalpojumu sniedzēja kritisku AI iespēju jomā ir stratēģisks risks. Izstrādājiet alternatīvas. Testējiet Eiropas pakalpojumu sniedzējus. Veidojiet hibrīdas arhitektūras, kas var pārslēgties starp pakalpojumu sniedzējiem. Nodrošiniet, ka varat darboties pat tad, ja jūsu galvenais AI pārdevējs maina nosacījumus, paaugstina cenas vai kļūst nepieejams.
Dweve vīzija
Mēs neveidojam Dweve 2024. gada AI tirgum. Mūs neinteresē nedaudz labāka tērzēšanas robota izveide, lai konkurētu ar OpenAI etalonu rezultātos. Mēs nedzenamies pēc "lielākā modeļa" trofejas. Mēs veidojam 2030. gadam.
Tāpēc mēs koncentrējamies uz aģentiem (ne tikai tērzēšanu). Mūsu Nexus platforma nodrošina vairāku aģentu orķestrāciju ar vairāk nekā 38 specializētiem aģentiem 12 spriešanas režīmos, kas no paša sākuma veidota, lai droši un uzticami veiktu darbības pasaulē, nevis tikai ģenerētu tekstu, kas izklausās ticami. Seši drošības arhitektūras līmeņi nodrošina ierobežotu autonomiju ar nodomu verifikāciju, ētikas ieviešanu un darbības uzraudzību.
Tāpēc mēs koncentrējamies uz maziem modeļiem (bināri, reti, izvietojami perifērijas ierīcēs). Permuted Agreement Popcount (PAP) maršrutēšanas sistēma nodrošina, ka vaicājumi nonāk pie pareizajiem domēna speciālistiem ar strukturālās modeļa noteikšanu, kas novērš viltus pozitīvus rezultātus.
Tāpēc mēs koncentrējamies uz verifikāciju (uz ierobežojumiem balstīta arhitektūra, formālā loģika, Glass Box caurskatāmība). Katru lēmumu var izsekot caur kristalizētām loģiskajām attiecībām. Nekādu melno kastu. Nekāda "ticiet mums, tas strādā". Pierādījums.
Tāpēc mēs koncentrējamies uz efektivitāti. Mūsu sistēmas darbojas uz standarta CPU, ARM ierīcēm un pat pārlūkprogrammās, izmantojot WebAssembly. Nekādas eksotiskas aparatūras. Nekādu īpašu datu centru. Nekādu megavatu enerģijas patēriņu.
Tāpēc mēs koncentrējamies uz datu apstrādi Eiropā. Jūsu dati tiek glabāti un apstrādāti Eiropā. Dweve izmanto apakšapstrādātājus, kā aprakstīts publicētajos datu apstrādes noteikumos.
Mēs veidojam neredzamo, uzticamo un suverēno inteliģentās nākotnes infrastruktūru. Mēs veidojam Agent ekonomikas infrastruktūru. Ceļus, tiltus un elektrotīklu AI laikmetam.
Jo 2030. gadā nevienam nerūpēs pats AI. Cilvēki tam nebrīnīsies. Viņi tam nerakstīs uzvednes. Viņi par to pat nedomās. Viņiem rūpēs tikai tas, ko AI viņu labā izdarīja: sapulce, ko tas ieplānoja, ziņojums, ko tas uzrakstīja, problēma, ko tas atrisināja, lēmums, ko tas viņu vietā pieņēma pareizi, kamēr viņi dzīvoja savu dzīvi.
Tā ir nākotne, ko mēs veidojam. Tāds ir 2030. gads, ko mēs redzam tuvojamies. Un mēs labprāt to veidotu kopā ar jums.
Dweve veido infrastruktūru Agent ekonomikai. Mūsu Loom arhitektūra nodrošina 528 specializētus domēna speciālistu ierobežojumu kopumus uz standarta aparatūras. Mūsu Nexus platforma orķestrē vairāku aģentu darbplūsmas ar formālu verifikāciju un sešiem drošības līmeņiem. Mēs esam apņēmušies nodrošināt Eiropas AI suverenitāti: efektīvu, caurskatāmu un neatkarīgu. Gatavi 2030. gadam? Sāciet sarunu.