إيتان جينسبيرغ، المؤسس المشارك لمارتين – سلسلة المقابلات

إيتان جينسبيرغ هو المؤسس المشارك لمارتين، منصة توجيه ديناميكي لكل التحفيزات إلى أفضل LLM. من خلال التوجيه، تحقق مارتين أداءً أعلى وتكلفة أقل من أي مزود فردي، بما في ذلك GPT-4. يتم بناء النظام على تقنية الخرائط النموذجية الفريدة للشركة التي تفكك LLMs من صناديق سوداء معقدة إلى هيكل أكثر تفسيرًا، مما يجعلها أول تطبيق تجاري للتفاسير الميكانيكية.

إيتان كان يкод، وتصميم المواقع، وبناء الأعمال الإلكترونية للعملاء منذ كان في المدرسة الإعدادية. وهو متعدد المواهب، إيتان هو منافس في بطولة العالم للذاكرة ومصنف thứ 2 في بطولة العالم لسرعة القراءة في شينزين، الصين.

هو منافس في هاكاثون الفيديو. الجوائز السابقة تشمل الجائزة الثالثة في تيك كرانش SZ، ومرشح نهائي في هاكاثون برينستون، و3 جوائز في هاكاثون ييل.

كنت مؤسسًا لشركة بدء تشغيل سابقة مرتين، ما كانت هذه الشركات وماذا تعلمت من هذه التجربة؟

كانت شركتي الأولى هي المنصة الأولى للترويج وتقدم رياضة الأمريكي نينجا واريور. في عام 2012، رأيت الأمريكي نينجا واريور كرياضة تحت الأرض (مثل الملاكمة في التسعينيات) وصنعت أول منصة حيث يمكن للناس شراء المخططات، وطلب العوائق، وfinding صالات الألعاب الرياضية للتدريب. استشيرت شركات تبحث عن بدء صالات رياضية الخاصة بها، بما في ذلك مساعدة قوات العمليات الخاصة الأمريكية مع دورة تدريبية وتوسيع منشأة من مخطط إلى 300 ألف دولار في الإيرادات في أول 3 أشهر. على الرغم من أنني كنت في المدرسة الثانوية، كان لي أول تجربة لإدارة فرق من 20+ عاملًا وتعلمت عن الإدارة الفعالة والعلاقات الشخصية.

كانت شركتي الثانية شركة إدارة أصول بديلة التي أسستها في عام 2017 قبل موجة ICO في العملة المشفرة. كانت هذه أول تعرض لي لتحليل النص الطبيعي حيث استخدمنا تحليل المزاج لبيانات وسائل التواصل الاجتماعي كاستراتيجية استثمارية.

تعلمت الكثير من المهارات الصعبة واللينة التي تدخل في تشغيل شركة بدء تشغيل — من كيفية إدارة فريق إلى الجوانب الفنية لتحليل النص الطبيعي. في نفس الوقت، تعلمت أيضًا الكثير عن نفسي وعن ما أريد العمل عليه. أعتقد أن أكثر الشركات نجاحًا يتم تأسيسها من قبل مؤسسين لديهم رؤية أو هدف أوسع ي驱شونهم. غادرت العملة المشفرة في عام 2017 للتركيز على تحليل النص الطبيعي لأن تعزيز وفهم ذكاء الإنسان هو شيء يحركني حقًا. كنت سعيدًا لاكتشاف ذلك.

في حين كنت تحضر جامعة بنسيلفانيا، قمت ببعض الأبحاث حول الذكاء الاصطناعي، ما كنت تبحث عنه تحديدًا؟

كان بحثنا في البداية يركز على بناء تطبيقات لتحليل النص الطبيعي. على وجه التحديد، عملنا على التطبيقات التعليمية لتحليل النص الطبيعي وكنا نبني أول معلم认知 مدعوم بتحليل النص الطبيعي. كانت النتائج جيدة جدًا — رأينا تحسنًا بمقدار 0.3 من الانحراف المعياري في نتائج الطلاب في التجارب الأولية — ونظامنا قد استخدم من جامعة بنسيلفانيا إلى جامعة بوتان.

يمكنك مناقشة كيف أدى هذا البحث إلى تأسيس مارتين؟

بسبب كوننا من بين أول الناس الذين يبنيون تطبيقات على تحليل النص الطبيعي، كنا أيضًا من بين أول الناس الذين واجهوا مشاكل الناس الذين يبنيون تطبيقات على تحليل النص الطبيعي. ذلك أرشد بحثنا إلى طبقة البنية التحتية. على سبيل المثال، في وقت مبكر جدًا، كنا ن tinhine نماذج أصغر على مخرجات نماذج أكبر مثل GPT-3، وninhine نماذج على مصادر بيانات مخصصة لمهام مثل برمجة وحل مشاكل الرياضيات. ذلك أدى في النهاية إلى مشاكل حول فهم سلوك النموذج وتوجيه النموذج.

أصل اسم مارتين وعلاقةه بالذكاء أيضًا مثير للاهتمام، يمكنك مشاركة قصة كيف تم اختيار هذا الاسم؟

تم تسمية شركتنا على اسم مجموعة من العلماء الهنغاريين الأمريكيين المعروفين باسم “المريخيون“. هذه المجموعة، التي عاشت في القرن العشرين، كانت تتألف من بعض أذكى الناس الذين عاشوا على الإطلاق:

• الأكثر شهرة بينهم كان جون فون نيومان؛ اخترع نظرية الألعاب، وهيكل الحاسوب الحديث، ونظرية الآلات، وساهم بشكل أساسي في عشرات المجالات الأخرى.
• بول إردوس كان أبرز رياضياتي على الإطلاق، ونشر أكثر من 1500 ورقة.
• ثيودور فون كارمان أسس النظريات الأساسية لأيروديناميكية وساهم في تأسيس برنامج الفضاء الأمريكي. الحد الذي يحدد بين الأرض والفضاء الخارجي يسمى “خط كارمان” تقديرًا لعمله.
• ليو سزيلارد اخترع القنبلة الذرية، وعلاج الإشعاع، ومسرعات الجسيمات.

كان هؤلاء العلماء و14 آخرين مثلهم (بما في ذلك مخترع القنبلة الهيدروجينية، الرجل الذي أدخل نظرية المجموعة إلى الفيزياء الحديثة، والمساهمين الأساسيين في مجالات مثل نظرية المجموعات، ونظرية الأعداد، والتحليل العددي، ونظرية الاحتمال) يشاركون تشابهًا ملحوظًا — جميعهم ولدوا في نفس جزء من بودابست. ذلك أدى الناس إلى التساؤل: ما هو مصدر इतन من الذكاء؟

في الاستجابة، سزيلارد मजاك أن “المريخيون موجودون بالفعل، ويدعون أنفسهم مجريين!” في الواقع… لا أحد يعرف.

الhumanity يجد نفسه في وضع مماثل اليوم مع relação إلى أذهان超ذكية جديدة: الذكاء الاصطناعي. الناس يعرفون أن النماذج يمكن أن تكون ذكية جدًا، ولكن لا يعرفون كيف تعمل.

مهمتنا هي الإجابة على ذلك السؤال — لفهم وتحقيق الذكاء الحديث.

لديك تاريخ من الإنجازات الذاكرة المذهلة، كيف أصبحت متعمقًا في هذه التحديات الذاكرة وكيف ساعدت هذه المعرفة في مفهوم مارتين؟

في معظم الرياضات، يمكن لمحترف رياضي أن يؤدي حوالي 2-3 مرة أفضل من الشخص العادي (قارن بين مدى بعيد يمكن لشخص عادي ركل كرة قدم أو مدى سرعة رمي الكرة السريعة مقارنة بمحترف). رياضات الذاكرة مثيرة للاهتمام لأن الرياضيين الأفضل يمكنهم تذكر 100 مرة أو حتى 1000 مرة أكثر من الشخص العادي مع تدريب أقل من معظم الرياضات. بالإضافة إلى ذلك، غالبًا ما يكون هؤلاء الأشخاص ذوي ذاكرة طبيعية متوسطة يعتمدون أدائهم على تقنيات محددة يمكن لأي شخص تعلمها. أريد تحقيق أقصى حد من معرفة الإنسان، ورأيت بطولة العالم للذاكرة كفكرة غير متقنة حول كيف يمكننا تحقيق عوائد استثنائية لزيادة ذكاء الإنسان.

أردت تطبيق تقنيات الذاكرة في جميع أنحاء نظام التعليم، لذلك بدأت في استكشاف كيف يمكن لتحليل النص الطبيعي وLLMs مساعدة في تقليل تكلفة الإعداد التي تمنع معظم الأساليب التعليمية الفعالة من استخدامها في نظام التعليم الرئيسي. ياش وأنا أنشأنا أول معلم认知 مدعوم بتحليل النص الطبيعي، وأدى ذلك إلى اكتشافنا لمشاكل مع تطبيق LLMs التي نساعد في حلها اليوم.

مارتين أساسًا يabstracts بعيدًا عن قرار ما LLM لاستخدامه، لماذا هذا هو نقطة الألم الحالية للمطورين؟

من السهل越来越 أن يصبح إنشاء نماذج لغة — تقل تكلفة الحوسبة، وت trở nên أكثر كفاءة، وأدوات مفتوحة المصدر متاحة لإنشاء هذه النماذج. ونتيجة لذلك، أكثر الشركات والمطورين يخلقون نماذج مخصصة مدربة على بيانات مخصصة. نظرًا لأن هذه النماذج لها تكاليف وقدرات مختلفة، يمكنك الحصول على أداء أفضل باستخدام نماذج متعددة، ولكن من الصعب اختبارها جميعًا وfinding النماذج الصحيحة لاستخدامها. نحن نهتم بذلك للمطورين.

يمكنك مناقشة كيف يفهم النظام ما LLM هو الأفضل لاستخدامه لكل مهمة محددة؟

التوجيه جيدًا هو أساسًا مشكلة حول فهم النماذج. لتوجيه النماذج بشكل فعال، تريد أن تتمكن من فهم ما يسبب فشلها أو نجاحها. أن تكون قادرًا على فهم هذه الخصائص مع الخرائط النموذجية يسمح لنا بتحديد كيف سيعمل أي نموذج معين على طلب دون الحاجة إلى تشغيل ذلك النموذج. ونتيجة لذلك، يمكننا إرسال ذلك الطلب إلى النموذج الذي سيولد أفضل نتيجة.

يمكنك مناقشة نوع التوفير التكلفي الذي يمكن رؤيته من تحسين ما LLM لاستخدامه؟

نسمح للمستخدمين بتحديد كيفية تداولهم بين التكلفة والأداء. إذا كنت تهتم فقط بالأداء، يمكننا أن نتفوق على GPT-4 على openai/evals. إذا كنت تبحث عن تكلفة معينة لجعل اقتصاديات الوحدة الخاصة بك تعمل، نسمح لك بتحديد التكلفة القصوى لطلبك، ثم najdeme أفضل نموذج لإكمال ذلك الطلب. وإذا كنت تريد شيئًا أكثر ديناميكية، نسمح لك بتحديد مقدار ما ترغب في دفعه مقابل إجابة أفضل — بهذه الطريقة، إذا كان نموذجان لهما أداء مشابهًا ولكن فرقًا كبيرًا في التكلفة، يمكننا أن نسمح لك باستخدام النماذج الأقل تكلفة. بعض عملائنا رأوا انخفاضًا في التكلفة يصل إلى 12 مرة.

ما هو رؤيتك لمستقبل مارتين؟

كل مرة نتحسن من فهمنا الأساسي للنماذج، يؤدي ذلك إلى تحول نموذجي للذكاء الاصطناعي. التخصيص كان النموذج المحرك بواسطة فهم المخرجات. التوجيه هو النموذج المحرك بواسطة فهم الإدخالات. تلك الفرق الواحدة في فهمنا للنماذج هي الكثير من ما يميز الذكاء الاصطناعي التقليدي (“دعنا نتدرب على الانحدار”) والذكاء الاصطناعي التوليدي الحديث (“دعنا نوجه نموذجًا للأطفال AGI”).

هدفنا هو تقديم اختراقات مستمرة في تفسيرية حتى يتم فهم الذكاء الاصطناعي بالكامل ونحصل على نظرية ذكاء قوية مثل نظرياتنا للمنطق أو الحسبان.

لنا، هذا يعني بناء. يعني إنشاء أدوات الذكاء الاصطناعي الرائعة ووضعها في أيدي الناس. يعني إصدار أشياء تكسّر القوالب، التي لم يقم أحد بذلك من قبل، والتي — أكثر من أي شيء آخر — مثيرة للاهتمام ومفيدة.

بالكلمات sir فرانسيس بيكون، “المعرفة هي القوة”. وبالتالي، أفضل طريقة للتأكد من أننا نفهم الذكاء الاصطناعي هي إصدار أدوات قوية. في رأينا، توجيه النموذج هو أداة من هذا النوع. نحن متحمسون لإنشاءه، وتوسيعه، ووضعه في أيدي الناس.

هذه هي الأولى من العديد من الأدوات التي سنصدرها في الأشهر القليلة القادمة. لاكتشاف نظرية جميلة للذكاء الاصطناعي، لتمكين أنواع جديدة تمامًا من البنية التحتية للذكاء الاصطناعي، لمساعدة بناء مستقبل أكثر إشراقًا للإنسان والآلة — لا نستطيع الانتظار لمشاركة تلك الأدوات معكم.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا مارتين.