شركات الذكاء الاصطناعي لا تملك حصنًا – إلا إذا توقفت عن اختيار الجانب

الحقيقة المزعجة حول منتجات الذكاء الاصطناعي: ميزتك التنافسية لها صلاحية مدتها أسابيع، وليس سنوات.

في حين أن مختبرات الذكاء الاصطناعي الأساسية تُقدم مليارات لنمذجة تستغرق سنوات للبناء، اكتشفت شركات層 التطبيق أن الحصون لا توجد في المعنى التقليدي. ميزتك القاتلة؟ تم تكرارها بحلول يوم الجمعة. حافتك التقنية؟ انتهت بحلول الربع التالي. تنوع اللاعبين، وسهولة الوصول إلى النماذج الأساسية، وسرعة الابتكار خلقت سوقًا حيث أن كونك الأول أو الأفضل أو المختلف لا يضمن البقاء.

لكن هناك طريقة معاكسة للخروج: أوقف محاولة الفوز بالتكنولوجيا، وبدلاً من ذلك ابني القدرة على البقاء. الحصن الحقيقي ليس في الذكاء الاصطناعي الذي تستخدمه – بل في khảيتك باستخدام أي ذكاء اصطناعي.

الانقسام الأساسي

هناك طبقة أساسية – النماذج الكبيرة مثل ChatGPT وGrok وGemini. عدة عشرات من النماذج، تم تدريبها بشكل مختلف، كل منها يمتلك مزاياه الخاصة. لكن هذا هو العمل الأساسي والبحثي: مهندسون يعملون لسنوات، يتطلبون استثمارًا كبيرًا للموارد. كل واحدة من هذه النماذج تملك حصنًا فريدًا – وإلا فإن استثمار الموارد لا يمكن تبريره. هذا هو السبب في أن محاولات استقطاب مهندسين من OpenAI يتم الإعلان عنها على نطاق واسع: إنهم يمتلكون خبرة فريدة لا يمكن تطويرها بسرعة بأي سعر.

لكن على مستوى التطبيق، الأمور مختلفة تمامًا. الموارد المطلوبة أقل بكثير، على الرغم من أن المزيد من الإبداع مطلوب لتعديل نموذج LLM وحل مشكلة تجارية. كل شخص لديه لعبة riêng، ونهج riêng، ومنتج خاص. تنوع اللاعبين يقتل أي إمكانية لوجود حصن فريد في أي سوق – نص، صوت، أو صورة. حلول الأعمال التي تعتمد على الذكاء الاصطناعي الأساسي تظهر يوميًا، وشركات تظهر بانتظام، وأحيانًا لا يمكن تمييزها عن بعضها البعض.

المميزات المحتملة في صناعة الصوت توضح هذه التطور: في البداية، حاول الجميع جعل الأصوات ت听 مثل الإنسان، ثم أصبح السرعة هي السؤال وبدأ الجميع يحلون نفس المهمة بسرعة. الآن نحن في عصر العلامات العاطفية. في التعرف على الكلام، تحسن المقياس الرئيسي – معدل الخطأ الكلمة – بشكل ملحوظ مع ظهور نماذج LLM قادرة على فهم ملاءمة الكلمة السياقية.

باختصار، يُفسر عدم وجود حصن ب欠 глубية في أي جانب من جوانب وجود منتج على مستوى التطبيق: إنه ضحل في مكون الذكاء الاصطناعي وفي تطبيقه التجاري. تمامًا كما يُفسر حصن منتج أساسي بعمق تطوره.

لكن هل مشاريع مستوى التطبيق تحتاج إلى حصن؟ إذا كنت تعمل في سوق كبير نسبيًا، ولديك أقل من 30 منافسًا – يمكنك ترك كل شيء على ما هو. بالطبع، المنافسين يمكن أن يكونوا كبيرين مثل OpenAI وAnthropic – لكن هنا عليك أن تعتمد على شعور موضوعي بحجم السوق وديناميكياتها، وهل هناك ما يكفي من الطعام للجميع أم لا. لكن إذا كان السوق صغيرًا نسبيًا والمنافسون ينتشرون مثل الفطر – thì عليك أن تحدد بوضوح ميزتك التنافسية. لا يهم إذا قام المنافسون بتبنيها بسرعة.

التوزيع كالحصن الحقيقي

أظن أن هذا هو ادعاء صالح إلى حد ما، والحصن الحقيقي يكمن في مجال التوزيع، لا في التكنولوجيا نفسها. ما يهم أكثر هو كيف تقوم بتعزيز وجودك مع العملاء بسرعة، وهل تقدم قيمة المنتج ضمانًا جيدًا للقيمة الحياتية. وإلا فقد تبني بعض التطبيقات للاستخدامات التجارية للمستخدمين، وربما ينتشرون بسرعة، لكنهم يتوقفون عن استخدامها عندما يظهر التطبيق التالي.

النوعان من الميزة التنافسية – ولما لا يبقى إلا واحد

هناك نوعان من الميزات التنافسية. النوع الأول يسمح لك بالفوز هنا والآن مع حافة واضحة – بفضل بعض المعرفة الفريدة أو ميزة قاتلة لا يمتلكها المنافسون. النوع الثاني يسمح لك بتجنب الخسارة في الأجل الطويل، لأنك تبني الاستدامة.

مع منتجات الذكاء الاصطناعي، تظهر الممارسة العملية بالفعل أن النوع الأول من الميزة يتم محوه بسرعة خيالية: المنافسون يغلقون الفجوة بسرعة مخيفة.

لذلك يبدو من المنطقي التركيز على النوع الثاني: أقصى متانة للمنتج. هذا يتم تحقيقه من خلال بناء منتج يمكنه العمل مع أي مورد LLM وتبديل بينهم في لحظة – في لحظة بدء نموذج الأعمال الذي يتم بناؤه عليه في التأخر بوضوح عن أفضل نموذج قادم.

بناءً على ذلك، يصبح mesure الاستقلالية من طبقات LLM الحقيقية حصنًا أقوى من الجهود التسويقية أو التقنية بمفردها. أن تكون غير متعصب不是 مجرد ميزة لطيفة – إنه الموقع الدفاعي الوحيد عندما تتغير الأرض تحتك بشكل شهرية.

ال复잡ية الخفية لاستراتيجية النموذج المتعدد

في حين أن الاستقلالية عن الموردين تقدم حماية طويلة الأمد، تكشف التنفيذ عن تحديات كبيرة. كما يشرح Alexey Aylarov، “ليس من السهل، لأن جميع النماذج لها خصائص ومشاكل خاصة بها”.

المشكلة الأساسية: النماذج LLM ليست قابلة للتبادل. يختلف الإخراج مع نفس الإدخال – حتى داخل نفس LLM، ولكن بشكل أكثر دراماتيكية عند التبديل بين الموردين. كل نموذج يتفاعل مع الإرشادات والتعليمات بشكل مختلف: بعضها يتبع الإرشادات بشكل أفضل، والبعض الآخر أسوأ؛ يمكن أن يكون الأداء محددًا باللغة أو بالهدف.

مثال ملموس: فكر في خدمات توليد الصور والفيديو مثل Sora أو Veo. أعطهم نفس الإدخال وستحصل على نتائج مختلفة تمامًا. هذا التباين يطبق على جميع تطبيقات LLM.

تحدي التعديل: لتحافظ على توافق متعدد النماذج، عليك:

• إنشاء إرشادات و تعليمات منفصلة لكل LLM تنتج النتيجة المرغوبة
• معرفة كيفية اختلاف كل LLM وتعديل الإدخال وفقًا لذلك
• الاشتراك في عمل غالبًا ما يكون إبداعيًا أكثر من الروتيني
• قبول أن هذا العملية “صعب نسبيًا للتأتمت في معظم الحالات”

يتطلب هذا جهدًا كبيرًا في التعديل لكل نموذج. الاستثمار الأولي كبير: عليك تطوير إرشادات لجميع LLM قبل أن تتمكن من التبديل بينهم بحرية. بالإضافة إلى ذلك، هذا التحضير يغطي فقط النماذج الحالية – عندما تظهر نماذج LLM جديدة، يبدأ عملية التعديل مرة أخرى.

يأتي الحصن من الاستثمار في بنية الاختبار، وخبرة هندسة الإرشادات، والانضباط التشغيلي للحفاظ على التوافق عبر نماذج LLM متعددة – وإعادة هذا العملية مع تطور المناظر. يصبح هذا القدر من العمق التقني حصنًا لا يمكن للمنافسين تكراره بسهولة، حتى لو فهموا الاستراتيجية.

التناقض: حصنك يكمن في عدم وجود حصن

هذا ما يجعل الاستقلالية عن الموردين قوية جدًا: إنه الميزة التنافسية الوحيدة التي تزداد قوة مع زيادة الفوضى في السوق.

عندما يبني منافسك منتجه بأكمله على GPT-4 ويتجاوزه نموذج أفضل، فهو يواجه إعادة تصميم وجودية. عندما تبني البنية التحتية للتبديل بين النماذج، فأنت تواجه يومًا ثلاثاء. الشركات التي ستبقى لن تكون تلك التي اخترت النموذج الصحيح – بل تلك التي لم تكن بحاجة إلى الاختيار على الإطلاق.

نعم، بناء المنتج لعدة نماذج LLM مكلف في البداية. نعم، يتطلب عملًا هندسيًا إبداعيًا يصعب تلقينه. نعم، أنت تحتفظ ب استراتيجيات إرشادات متوازية لكل مورد. لكن هذا هو ما يخلق حاجز الدخول. الحصن ليس في التكنولوجيا نفسها – بل في الذاكرة العضلية التشغيلية لإدارة التغيير التكنولوجي.

معظم شركات الذكاء الاصطناعي تُحسّن للفوز اليوم. الشركات غير المتعصبة تُحسّن للاستمرار في الغد. في سوق حيث الإنجاز البارز ليوم الأمس يصبح معيارًا أساسيًا لغد، هذا التمييز هو كل شيء.