روب ماي، الرئيس التنفيذي ومؤسس NeuroMetric – سلسلة المقابلات

روب ماي، الرئيس التنفيذي ومؤسس NeuroMetric، هو رجل أعمال مستثمر ذو سجل طويل في مجال الحوسبة السحابية والشركات الناشئة في مجال الذكاء الاصطناعي ورأس المال الاستثماري، ويقود حاليًا Neurometric AI إلى جانب دوره كمدير تنفيذي في HalfCourt Ventures، حيث دعم أكثر من 100 شركة تكنولوجية. إلى جانب أدوار التشغيل والاستثمار، شارك في تأسيس مجتمع المبتكرين في مجال الذكاء الاصطناعي وسبق أن بنى وخرج من شركات مثل Backupify، مما يعكس خبرة عميقة عبر دورات تكنولوجية متعددة. وهو أيضًا معروف على نطاق واسع بنشرة Investing in AI الشهرية، التي بدأ في كتابتها قبل أكثر من عقد من الزمن لتحليل الاتجاهات الناشئة في مجال الذكاء الاصطناعي وстрatégies الاستثمار وتغيرات السوق، والتي تطورت منذ ذلك الحين إلى منصة لتقديم رؤى أعمق في مشهد الذكاء الاصطناعي سريع التغير.

NeuroMetric AI يركز على حل واحدة من التحديات الأكثر حرجة في الذكاء الاصطناعي اليوم: تكلفة وكفاءة الاستدلال على نطاق واسع. يقوم المنصة بتقييم ديناميكي لتحميلات الذكاء الاصطناعي وتطبيق استراتيجيات تحسين – مثل الجمع بين نماذج متخصصة أصغر مع تقنيات الحوسبة المتقدمة في وقت الاختبار – لتحسين الأداء مع تقليل التكاليف بشكل كبير، مما يسمح للمؤسسات بالحصول على عائد أفضل من الاستثمارات في تكنولوجيا الذكاء الاصطناعي. من خلال تنسيق التحميلات وتailoring استخدام النماذج للمهام المحددة، يهدف Neurometric إلى جعل أنظمة الذكاء الاصطناعي أسرع وأكثر ملاءمة، مما يضع نفسه في تقاطع بين بنية تحتية للذكاء الاصطناعي والكفاءة والتنفيذ العملي عندما تتحرك المنظمات من التجارب إلى الإنتاج.

لقد أسست وقادت شركات متعددة في مجال الذكاء الاصطناعي، واستثمرت في أكثر من 100 شركة ناشئة من خلال HalfCourt Ventures، وسبق أن بنيت وخرجت من شركة Backupify. كيف شكلت تلك الخبرات منظورك حول مكان خلق القيمة المستدامة في مجال الذكاء الاصطناعي اليوم؟

أعتقد أن معظم المستثمرين والرواد يطاردون الحصون قصيرة الأمد – أشياء تبدو مثل الفجوات الواضحة في السوق اليوم ولكن الفجوات التي ستُغلق بسرعة من قبل الشركات الحالية. الذكاء الاصطناعي سيجعل تشغيل الأعمال ينهار في سلسلة من القرارات الاحتمالية. الشركات التي يجب الاستثمار فيها أو بناؤها هي تلك التي لديها أفضل تقديرات عامة لتلك الاحتمالات. أحيانًا يأتي ذلك من التكامل الرأسي وأحيانًا من التوسع الأفقي – يعتمد على السوق.

في نشرة Investing in AI، لقد جادلت بأن النماذج تصبح متبادلة بشكل متزايد وأن الحصانة الحقيقية تنتقل إلى طبقة الأنظمة. ما هو شبه “حصانة الأنظمة” في الممارسة؟

حصانة الأنظمة الحقيقية لها ثلاثة خصائص: تتراكم مع الاستخدام، وهي محددة للعميل، ولا يمكن复licationها من خلال استبدال نموذج أفضل.

الحصانة تعيش في ما أسميه “نظام السياق” – هيكل متكامل يربط نماذج الأساس بكل ما يجعل شركة فريدة: بياناتها، تدفقات عملها، معرفتها بالمجال، تاريخ اتخاذ القرارات. النظام يلتقط الإشارات من كل互одействة – أي نماذج تنجح في مهام معينة، حيث يهم التأخير، ما هي الأنماط الخاصة بالشركة التي تظهر – ويغذي ذلك обратًا إلى تحسين نفسه.

الفرق الرئيسي هو أن هذا يخلق عجلة طرد مركبة، وليس عجلة طرد إضافية. أنت لا تتراكم سجل بحث قابل للبحث عن القرارات السابقة. أنت تنتج إشارات تدريب تنتج نماذج متخصصة تحسن التوجيه، والتي تلتقط بيانات أكثر قيمة. الحصانة تتسع مع كل استدلال.

في الممارسة، يبدو حصانة الأنظمة مثل التكامل العميق لتدفقات العمل حيث لا تكون تكاليف التبديل حول واجهات برمجة التطبيقات – بل حول إعادة كتابة منطق الأعمال. يبدو مثل السياق الخاص الذي لا يمكن لمنافس nào复licationه لأنه تم إنشاؤه من خلال أشهر من الاستخدام الإنتاجي داخل شركة معينة. ويبدو مثل حلقة التخصص المستمرة حيث يصبح النظام أفضل بشكل значي للعميل في طرق لن يفعلها مزود نموذج عام.

عصر النماذج أعطانا القدرة الخام. عصر الأنظمة هو حيث تصبح هذه القدرة قيمة حقيقية في العالم.

كيف يجب على المؤسسات التفكير في بناء استراتيجية متعددة النماذج، بما في ذلك منطق التوجيه، مسارات الترفع، والتقييم المستمر، بدلاً من الاعتماد على نموذج متقدم واحد؟

الأمر الأول الذي يجب على المؤسسات أن يدركوه هو أن “استخدام أفضل نموذج” هو استراتيجية خاسرة في النطاق الكبير. إنه مثل تشغيل كل استفسار من خلال مهندسك الأعلى. إنه مكلف، إنه بطيء، ومن المفارقات أنه غالبًا لا ينتج أفضل النتائج.

هذا يأتي إلى ما أسميه “الحد الجغرافي للاستدلال”: أداء النموذج هو محدد بالمهام وغامض. النماذج المتقدمة تفقد أمام نماذج متخصصة أصغر في مهام محددة دائمًا. لقد رأينا أنظمة متعددة النماذج تصل إلى 72.7% دقة في مهام إدارة علاقات العملاء حيث سجلت النماذج المتقدمة 58%. سطح الأداء لا يرتبط بشكل جيد مع عدد المعاملات.，因此 السؤال الحقيقي ليس “أي نموذج هو الأفضل؟” – بل “أي نموذج هو الأفضل لهذه المهمة المحددة؟”

هذا الإعادة صياغة هو أساس استراتيجية متعددة النماذج حقيقية. هنا كيف أقول للمؤسسات أن تفكر فيها في ثلاث طبقات.

منطق التوجيه يبدأ بتحديد مخطط الاستدلال. قم بتوثيق كل نقطة في نظامك حيث يتم إجراء مكالمة LLM، وقم بتوثيق نوع المهمة و複雑ية الإدخال والإخراج ومتطلبات التأخير وحد الأمان ودقة الحد الأدنى وكمية المكالمات. هذا يعطيك خريطة حرارية. سترى بسرعة أن معظم حجمك هو عمل عالي التردد ومدى ضيق – تصنيف، استخراج الكيانات، توجيه النية، إنشاء قوالب – حيث نموذج متخصص أصغر يطابق أو يفوق نموذج الحدود في جزء من التكلفة. احتفظ بمكالماتك المكلفة الحدودية لأعمال التي تتطلب حقًا التفكير المعقد.

مسارات الترفع هي حول بناء عمليات استدعاء ذكية، وليس فقط استبدال. النظام يحتاج إلى التعرف على عندما يعيد نموذج أصغر نتائج ذات ثقة منخفضة ورفعها إلى نموذج أكثر قدرة – أو إلى مزيج نموذج-استراتيجية مختلف تمامًا. هذا هو حيث تأتي استراتيجيات الحوسبة في وقت الاختبار. أحيانًا الجواب الصحيح ليس نموذجًا أكبر – بل هو نفس النموذج مع سلسلة الفكر أو بحث луч أو عينة أفضل.

التقييم المستمر هو الجزء الذي تفقده معظم المؤسسات تمامًا، وهو حيث تظهر الحصانة الحقيقية. اختيار النموذج ليس قرارًا واحدًا – بل هو مشكلة تحسين مستمرة. النماذج الجديدة تُصدر باستمرار، وتتطور حالات الاستخدام، وتتدهور الأداء بطرق تفشل بصمت. لن تعرف أن بوت خدمة العملاء قدم جوابًا أسوأ بنسبة 40% لأنك استخدمت النموذج الخطأ لنوع الاستفسار – سترى فقط انخفاضًا بعد ثلاثة أشهر. تحتاج إلى بنية تحتية تقيس ما يعمل حقًا عبر مجموعات نموذج-مهمة وتضبط التوجيه بناءً على بيانات الأداء الفعلية، وليس المعايير.

السبب في أن معظم الشركات لم تقم بهذا التحول هو أن لا أحد يُفطر لاختيار نموذج الحدود – إنه “لا أحد يُفطر لشراء IBM” في الذكاء الاصطناعي. نظام البائع يدفع الحدود لأن ذلك هو حيث الهامش. والبنية التحتية للتنسيق المطلوبة لتشغيل هيكل متعددة النماذج حقًا – منطق التوجيه، آليات الاستدعاء، إدارة النماذج، الرصد – ببساطة لا tồn tại في معظم الشركات. إنهم عالقون في أقصى حد محلي حيث يبدو التكلفة وال不确定ية متعددة النماذج أعلى من الإنفاق المُستمر على استدلال الحدود.

ما هي أكبر الأخطاء التي ترى الشركات تقوم بها عند الانتقال من تجارب الذكاء الاصطناعي إلى أنظمة الإنتاج؟

ي假定 أن اختياراتهم يمكن أن تكون ثابتة وطويلة الأمد. في الواقع، كل طبقة من طبقات التكنولوجيا للذكاء الاصطناعي تتغير بسرعة. الشركات تحتاج إلى اتخاذ قرارات توفر خيارات وتنوع.

في أي أنواع التدفقات العملية رأيت نماذج أصغر ومحددة للمهام تتفوق على نماذج الحدود الكبيرة، ولماذا هذا الأمر مهم استراتيجيًا؟

لقد رأيناه في几乎 كل مهمة عمل يومية شائعة – أشياء مثل المحاسبة الأساسية و تلخيص النص و استخراج الكيانات من وثائق مختلفة. لقد قمنا بتحقيق نماذج متخصصة لأعمال مئات و几乎 دائمًا تفوز إذا كانت المشكلة محددة بشكل صحيح.

لقد كتبت عن انخفاض التكلفة الحدودية لتشغيل الذكاء الاصطناعي في حالات استخدام جديدة. كيف يغير ذلك الاقتصاد طويل الأمد لاعتماد الذكاء الاصطناعي في المؤسسات؟

سرد القصة يفترض أن إيرادات الذكاء الاصطناعي تتطلب استثمار بحث وتطوير متناسب في نماذج جديدة. لا يفعل. النماذج مبنية. البنية التحتية موجودة. كل حالة استخدام إضافية هي سؤال، وصلة بيانات، ربما بعض التعديلات الخفيفة – وليس تشغيل تدريب آخر بقيمة 100 مليون دولار. منحنى التكلفة الهامشية ينحنيลง مع نضج المنصة.

هذا هو العكس من السكك الحديدية أو الاتصالات، حيث كل ميل إضافي من المسار كان مكلفًا. في الذكاء الاصطناعي، بناء المحرك كان مكلفًا. الاتصال بأشياء إلى المحرك رخيص ويتقلص – تكاليف الاستدلال انخفضت تقريبًا 1000 مرة في عامين. السؤال للمؤسسات ليس ما إذا كان الذكاء الاصطناعي يؤتي ثماره. إنه كم عدد حالات الاستخدام التي يمكنك وضعها على نفس البنية التحتية قبل أن يغلب منحنى الإيرادات منحنى التكلفة.

ما الإشارات التي يجب على الفرق الفنية استخدامها لتحديد متى переключить النماذج، أو ضبط دقيق، أو بناء نماذج متخصصة صغيرة للمهام؟

الإشارات ليست تقنيًا بالضرورة. هي أكثر أداء أو اقتصادية. على سبيل المثال، переключ نموذج أو ضبط دقيق أو بناء نموذج SLM مخصص قد يعمل كلها. القرار يعتمد على ما إذا كنت تحسن لاتENCY أو التكلفة، وكيف يتم تنفيذ المهمة، وكيف طويل الوقت لبناء وتنفيذ كل حل.

كيف يمكن تصميم الحواجز، والرصد، والرقابة بطريقة تتناسب مع الاستخدام بدلاً من أن تصبح عائقًا؟

الخطأ الذي تقترفه معظم المؤسسات هو معاملة الرقابة كточكة – طبقة مراجعة يدوية مثبتة على أنظمة الذكاء الاصطناعي. هذا لا يتناسب. يصبح عائقًا في اللحظة التي تزيد فيها الاستخدام.

الرقابة يجب أن تكون متأصلة في طبقة التنسيق نفسها. عندما تقييم بنية التوجيه بالفعل كل مكالمة استدلال – أي نموذج، أي مهمة، ما مستوى الثقة – إضافة حواجز هي تكلفة هامشية، وليس نظامًا جديدًا. نفس الطبقة التي تقرر أي نموذج يتعامل مع استفسار يمكن أن تفرض السياسة: تصفية PII قبل المكالمة، وتحقق من الإخراج بعد، وتسجيل سجلات التدقيق تلقائيًا، وتخصيص التكلفة حسب القسم.

الفرق الرئيسي هو أن المؤسسات لا تفشل داخل أنظمة الذكاء الاصطناعي. تفشل بينها – في التبديل، والترقية، والاستثناءات. الرقابة التي تتناسب معها تبدو مثل طبقة تحكم تجعل كل عمل ذكاء اصطناعي آمنًا ويمكن تدقيقها ومتكررًا كผล من التنفيذ، وليس عائقًا أمامه.

لقد قارنت مشهد الذكاء الاصطناعي اليوم بالانتقال من الحواسيب الكبيرة إلى الحواسيب الشخصية. ماذا يعني ذلك للاستارتآب التي تبني في طبقة الأنظمة؟

نحن في مرحلة الحواسيب الكبيرة من الذكاء الاصطناعي الآن. النماذج المتقدمة المركزية من OpenAI وAnthropic وGoogle كانت ضرورية لتركيز الجهود وتبين ما يمكن للذكاء الاصطناعي فعله. تلك المرحلة نجحت. القدرات مفهومة جيدًا. لكن كما لم تظل الحوسبة مركزية، لن يظل الذكاء الاصطناعي كذلك. نحن ندخل عصر الحواسيب الشخصية – نظام مركزي حيث تعمل نماذج متخصصة أصغر بالقرب من العمل.

بيانات الإنفاق تعكس ذلك بالفعل. استثمار المؤسسات في الذكاء الاصطناعي الآن مقسم تقريبًا بالتساوي بين البنية التحتية والتطبيقات، ويتزايد حصة التطبيقات بشكل أسرع. التوسع هو توسع أفقي – عبر الموارد البشرية والقانونية والتسويقية والتشغيلية والمالية – وليس رأسياً إلى نماذج أكبر.

للاستارتآب التي تبني في طبقة الأنظمة، هذا هو فرصة العصر. في عالم مركزي، يلتقط مزود النموذج معظم القيمة. في عالم مركزي، تنتقل القيمة إلى الشركات التي تحل مشاكل التنسيق والتوجيه والتقييم والتخصص – التحديات التشغيلية لتشغيل نظام نموذج متكامل على نطاق واسع.

توقعاتي هي أن حوالي 25% من استدلال الذكاء الاصطناعي سيتطلب نماذج متقدمة. تلك الشركات ستكون على ما يرام – ذلك سوق بمليارات الدولارات. لكن 75% سيعمل على نماذج مفتوحة المصدر ونماذج مهام صغيرة مخصصة. لقد دربنا نموذجًا بقيمة 4 مليارات معامل تفوق نماذج الحدود على مهمة CRM محددة، وهو رخيص جدًا لدرجة أنه تقريبًا مجاني. هذا هو المستقبل – ويتطلب طبقة أنظمة جديدة تمامًا لإدارته.

التناظر يظل حتى النهاية: بائعو الحواسيب الكبيرة فعلوا على ما يرام، لكن خلق الثروة الحقيقي حدث في نظام الحواسيب الشخصية. سيكون نفس الشيء صحيحًا في الذكاء الاصطناعي.

نظرًا إلى خمس سنوات قادمة، هل تعتقد أن مزودي نماذج الحدود سيكسبون معظم القيمة، أو سيأتي التأثير الاقتصادي الرئيسي من التنسيق والتحسين والنظم التطبيقية المبنية حولها؟

أعتقد أن سوق استدلال الذكاء الاصطناعي سيكون واحدًا من أكبر الأسواق في تاريخ العالم. هذا يعني أن معاملات نماذج الحدود ستفعل بشكل رائع وهناك ستكون فرص هائلة للشركات التي تبني حولها. عندما يكون لديك أسواق بمليارات الدولارات، حل حالات حافة صغيرة في تلك الأسواق يمكن أن يتحول إلى شركات بمليارات الدولارات.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم المزيد يمكنهم زيارة NeuroMetric AI، أو ينبغي لهم الاشتراك في نشرة Investing in AI.