لا تبني ذكاءك الاصطناعي على الوصول المقترض

تم بناء جميع تطبيقات الذكاء الاصطناعي وتنصيبها في الشركات حتى الآن مع افتراض أن الوصول إلى نماذج الذكاء الاصطناعي المتقدمة سيبقى ممكنًا و几乎 غير محدود. كان ذلك هو المنهج الصحيح حتى الآن. كان الاتجاه هو أن القدرات الجديدة لنماذج الذكاء الاصطناعي المتقدمة يتم توفيرها أو إتاحتها مفتوحة المصدر في غضون 6 أشهر، وبالتالي كان التركيز فقط على فهم القدرات المستقبلية في أقرب وقت ممكن. كانت الشركات والفرق أو الأشخاص الذين يمكنهم بناء منتجات عن طريق فهم وتكيف مع القدرات الجديدة لنماذج الذكاء الاصطناعي المتقدمة في أقرب وقت ممكن لإنشاء تطبيقات هي التي كانت تفوز. ومع ذلك، قد تشير بعض الإشارات إلى أن هذه الحقبة ستنتهي قريبًا. كان قرار وزارة التجارة الأمريكية بمنع الوصول إلى نماذج Fable وMythos من Anthropic للمواطنين الأجانب كان فقط إشارة أولى. ومع ذلك، تم رفع هذا الحظر لاحقًا بعد التنسيق مع Anthropic، مما يظهر مدى سرعة تغيير شروط الوصول وضرورة بناء أنظمة ذكاء اصطناعي قابلة للتكيف في الشركات.

أربعة أسباب لعدم ضمان الوصول إلى نماذج الذكاء الاصطناعي المتقدمة

قد يتوقف تفكير بناء نماذج الذكاء الاصطناعي المتقدمة فقط إذا توقفت إتاحتها عن كونها garantied. هناك أربعة أسباب على الأقل لذلك. أولاً، يتم بناء اقتصاد نماذج الذكاء الاصطناعي المتقدمة على أساس أسعار مدعومة لن تدوم. أجبرت التحضيرات الأخيرة لشركة OpenAI وAnthropic للاكتتاب العام على فتح الكتب و明ح تقرير التكاليف الحقيقية لخدمات الذكاء الاصطناعي الراعية الحالية، والتي قد لا تكون قابلة للتطبيق اقتصاديًا بعد الاكتتاب العام. هناك شائعات أن اشتراك الشركة الخاص بـ 200 دولار يكلّف الشركة آلاف الدولارات. وبالتالي، من المتوقع أن تظل أسعار الرموز متزايدة، وتنتهي حقبة الوصول الرخيص لنماذج الذكاء الاصطناعي المتقدمة.

ثانيًا، لا تصبح نماذج الذكاء الاصطناعي المتقدمة أرخص في التشغيل. على عكس الحوسبة الكلاسيكية، حيث خفض قانون مور التكاليف الحقيقية لأي عملية معينة مع مرور الوقت، لا يبدو أن الذكاء الاصطناعي يتبع هذه المنحنيات. النماذج أكبر وأكثر تعقيدًا، وتتطلب المزيد من العمليات الحسابية. كل مهندسينا استنفدت أرصدة Claude الخاصة بهم في غضون 10 دقائق بعد إطلاق Fable 5 المؤقت. قد يشير هذا إلى أن النماذج التالية ستحتاج إلى المزيد من الرموز، والمزيد من العمليات الحسابية، والمزيد من البنية التحتية مع كل تكرار.

ثالثًا، يبدو أن عدد الأطراف الفاعلة التي لا تزال في السباق للحصول على نماذج الذكاء الاصطناعي المتقدمة يتناقص. Mistral، التي كانت أمل أوروبا للمنافسة في ساحة نماذج الذكاء الاصطناعي المتقدمة، أعادت تقييم طموحاتها لتكون متابعة متواضعة. النماذج الصينية سريعة في اتباع الأفضل، لكنها لا تزال متأخرة عن إصدارات مختبرات الرائدة.

أخيرًا، قد تكون نماذج الذكاء الاصطناعي المتقدمة خطيرة جدًا للاستخدام في كل تطبيق. نحن لا نستخدم مفاعلات نووية مصغرة في السيارات، جزئيًا لأن هذا المجال يتم تنظيمه بشكل كبير ومن خطر. تجارب Anthropic الخاصة تظهر أنه من الصعب جدًا الحفاظ على نموذج متقدم في حدوده لضمان أنه يبقى آمنًا مع الحفاظ على قدراته. قد يكون هذا درسًا طويل الأمد ودوافع منطقية وراء تنظيم الولايات المتحدة لنموذج Fable 5. في أي حال، من المحتمل جدًا أن تعامل نماذج الذكاء الاصطناعي المتقدمة كأصول استراتيجية من قبل الدول، وبالتالي لن تكون متاحة بحرية كما هي الآن.

لذلك، قد ندخل إلى عالم حيث تهم تكاليف الرموز، وحيث لا تكون نماذج الذكاء الاصطناعي المتقدمة متاحة لجميع التطبيقات في جميع البلدان.

دخول طبقة التطبيقات

في عالم لا تذهب كل مكالمة نموذج إلى أفضل نموذج متاح، كيف يمكننا ضمان أن كل مهمة يتم حلها بشكل موثوق وبدقة أفضل؟ الجواب قد يكمن في ما يسمى “طبقة التطبيقات”.

وصف Jensen Huang، الرئيس التنفيذي لشركة NVIDIA ، الذكاء الاصطناعي على أنه كعكة ذات 5 طبقات: الطاقة، الشريحة، مراكز البيانات، النماذج، والتطبيقات. يجادل بأن طبقة التطبيقات هي الأكثر أهمية والأكثر غيابًا.

لبعض التطبيقات، مثل بوتات الدردشة، تكون هذه الطبقة رقيقة جدًا – في الأساس واجهة دردشة فقط. في تطبيقات أخرى، مثل التطبيقات الصناعية والهندسية المتقدمة، تكون هذه الطبقة أكثر أهمية وحرجة. إنها الطبقة الحاسمة في سلسلة القيمة. مع توقف ضمان الوصول إلى نموذج متقدم معين، ستكون دور طبقة التطبيقات هو موحد النتائج عبر النماذج وضبط تكاليف الرموز.

على سبيل المثال، إذا أردت أداء مهمة معقدة وحاسمة مثل إعادة تصميم سلسلة إنتاجي لنموذج طائرة جديد، سأطلب من نموذج قوي مساعدتي. قد يكون النموذج قادرًا على اكتشاف كيفية القيام بذلك بمفرده، وبناء أداة تخطيط لي، والتواصل مع جميع فرق العمل. ومع ذلك، إذا قمت بتبديل النماذج إلى نموذج أكثر قدرة أو أقل تكلفة أو من مورد مختلف، قد أفقد الأداء أو أفقدها في مخرجاتي النهائية. في العديد من الحالات العملية في إعدادات الشركات، هذه الغير متوقعة ليست مقبولة. هنا يأتي دور طبقة التطبيقات: بدلاً من السماح للنموذج بالعمل في مساحة مفتوحة والاعتماد على قدراته الخام لإنتاج النتيجة، تحدد طبقة التطبيقات لوحة واضحة، مجموعة محددة من الإجراءات المتاحة، وحدود محددة ضمنها يمكنه العمل. لم يُطلب من النموذج أن يكتشف كل شيء من البداية، بل تم إعطاؤه لوحة محددة ستزيد بشكل كبير من احتمال أداء أي نموذج جيدًا.

من حيث التكلفة، قد يقرر نموذجي أداء إجراءات منخفضة المستوى للغاية لتحقيق هدفي. قد يكتب خوارزمية تخطيط جديدة من الصفر، أو يبني واجهة جديدة لي لأتمتة عمله، أو حتى يطور حلولاً جديدة لتحسين الأداء. ومع ذلك، قد يكون هذا باهظ التكلفة للغاية، في حين أن التوجيهات الجيدة أو الأدوات المسبقة قد تساعد النموذج على تحقيق نفس النتيجة بأقل رموز. هذا هو دور طبقة التطبيقات. الجيد هو أن النماذج تميل إلى أن تكون كسولة وتبحث عن مسارات أقصر، لذلك قد لا نحتاج إلى تقييدها كثيرًا بمجرد أن يكون لديها الوصول إلى مجموعة مناسبة من المهارات والأدوات والموارد الحسابية.

باختصار، ستوفر طبقة تطبيقات جيدة مهارات وأدوات وتوجيهات واضحة للنموذج للعمل بشكل موثوق وفعّال من حيث التكلفة. بالإضافة إلى تحسين الأداء وضبط تكاليف الرموز، هذا يعني أيضًا أن الاعتماد على نموذج معين يتناقص. إذا قمت بتضمين ذكاءك في طبقة التطبيقات بدلاً من النموذج نفسه، يصبح النموذج الأساسي قابلًا للتبادل. في العديد من الحالات، قد يكون هذا هو ما يصنع الفرق بين الذكاء الاصطناعي التجريبي والقابل للتوسع في الشركات.

نداء للعمل لقيادات الشركات

عبر الصناعات، نلتقي كل يوم مع قيادات الشركات التي تعمل على إنشاء حزمة الذكاء الاصطناعي الخاصة بهم. معظم الشركات تبدأ بواحد أو أكثر من مقدمي نماذج الذكاء الاصطناعي المتقدمة لتأسيس طبقة النموذج اللازمة في حزمتها.对于 طبقة التطبيقات، إما أن تعتمد على أدوات مخصصة أو قدرات مشتراة بالكامل أو مزيج من كليهما.

كان حظر Anthropic تذكيرًا بأن هذه الحزمة يمكن أن تتضرر في الليلة. يجب أن تكون هندسة الشركات جاهزة لما سيحدث مرة أخرى. للتحضير، يجب على الشركات أن تأخذ في الاعتبار سرعة النشر، ولكن أيضًا بناء حلول ستخفف من تأثير تغييرات النماذج وتكاليف الرموز المتزايدة. ليس هذا مسارًا سهلًا، ولكن نصيحتي ستكون:

• استثمر في تطبيقك بشكل استراتيجي ومبكر. الشركات التي تفقد القطار دائمًا سيكون لديها فجوة مقارنة بالمتقدمين
• اجعل مبدأ عدم الاعتماد على نموذج معين جزءًا من التصميم، وليس حيلة
• لا يجب أن يكون تكلفة تبديل النماذج سؤالاً وجودياً لعملياتك
• اشترك مع شركات متخصصة يمكنها أن تُقارن النماذج، وتُثبت الأداء عبر إعدادات متعددة، وتساعد على ضمان ضمانات الأداء على المدى الطويل.

الشركات التي ستفوز باللعبة في المرحلة القادمة من الذكاء الاصطناعي في الشركات ليست بالضرورة تلك التي لديها الوصول إلى أفضل النماذج، بل تلك التي ستبني الطبقة الصحيحة حولها. الشركات التي يمكنها أن تُقارن النماذج، وتُثبت الأداء عبر إعدادات متعددة، وتساعد على ضمان ضمانات الأداء على المدى الطويل.