Případ pro decentralizaci vaší technologické sady AI

Tak velká část konverzace o vývoji AI se stala futuristickou a filozofickou debatou – měli bychom se zaměřit na obecnou umělou inteligenci, kde se AI stane dostatečně pokročilou, aby mohla provádět jakoukoli úlohu stejně jako člověk? Je to vůbec možné?

Zatímco diskuse o urychlení versus zpomalení je důležitá a aktuální s pokroky, jako je model Q-star, existují i další důležité aspekty. Hlavně důležitost decentralizace vaší technologické sady a jak to udělat bez toho, aby to bylo příliš nákladné. Tyto dvě výzvy mohou vypadat jako protichůdné: budování a nasazování modelů je neuvěřitelně nákladné, ale přílišná závislost na jednom modelu může být škodlivá v dlouhodobém horizontu. Osobně znám tuto výzvu jako zakladatel AI.

Abyste vybudovali inteligenci, potřebujete talent, data a škálovatelné výpočty. Abyste urychlili čas na trhu a mohli dělat více s méně, mnoho společností zvolí budování na základě existujících modelů, místo aby budování od základů. A tento přístup má smysl, když to, co stavíte, je tak náročné na zdroje. Tento problém je ještě více komplikován tím, že na rozdíl od softwaru většina pokroků v AI byla dosud dosažena přidáním více škály, což vyžaduje více výpočetní síly a tedy nákladů.

Ale co se stane, když společnost, ve které jste postavili své řešení, zažije selhání governance nebo produktový výpadek? Z praktického hlediska závislost na jednom modelu pro budování vašeho produktu znamená, že jste nyní součástí negativního efektu pro cokoli, co se stane.

Musíme si také uvědomit rizika spojená s prací se systémy, které jsou probabilistické. Není nám zvykem a svět, ve kterém žijeme, byl dosud navržen a vytvořen tak, aby fungoval s definitivní odpovědí. Modely jsou tekuté z hlediska výstupu a společnosti neustále upravují modely, což znamená, že kód, který jste napsali pro podporu těchto a výsledky, na které se vaše zákazníci spoléhají, se mohou změnit bez vašeho vědomí nebo kontroly.

Centralizace také vytváří bezpečnostní obavy, protože zavádí jeden bod selhání. Každá společnost pracuje ve svém nejlepším zájmu. Pokud existuje bezpečnostní nebo riziko spojené s modelem, máte mnohem méně kontroly nad opravou tohoto problému nebo méně přístupu k alternativám.

Kam nás to vede?

AI bezpochyby změní, jak žijeme. Existuje tolik věcí, kterých je schopná dosáhnout a vyřešit, od toho, jak shromažďujeme informace, až po to, jak chápeme obrovské množství dat. Ale s touto příležitostí také přichází riziko. Pokud se příliš spoléháme na jeden model, všechny společnosti se otevřeně vystavují bezpečnostním a produktovým výzvám.

Abyste tohle vyřešili, musíme snížit náklady na inference a učinit to snazší pro společnosti, aby měly přístup k více modelům. A samozřejmě, všechno se točí kolem dat. Data a vlastnictví dat budou důležité. Čím více unikátních, kvalitních a dostupných dat, tím více budou užitečná.

Pro mnoho problémů můžete optimalizovat modely pro konkrétní aplikaci. Poslední míle AI jsou společnosti, které staví logiku směrování, hodnocení a orchestrace vrstev na základě těchto různých modelů, specializujících se na různé vertikály.

Byly provedeny several významné investice v tomto prostoru, které nás přivádějí blíže k tomuto cíli. Nedávné (a působivé) financování společnosti Mistal je slibný vývoj směrem k alternativě OpenAI. Existují také společnosti, které pomáhají jiným poskytovatelům AI membuat cross-model multiplexing realitou a snižují náklady na inference prostřednictvím specializovaného hardwaru, softwaru a modelové destilace, jako několik příkladů.

Také uvidíme, jak se otevřený zdroj stane realitou, a vládní orgány musí umožnit otevřený zdroj, aby zůstal otevřený. S otevřenými modely je snazší mít více kontroly. Nicméně, mezery ve výkonu jsou stále tam.

Předpokládám, že skončíme ve světě, kde budete mít junior modely optimalizované pro méně komplexní úlohy ve velkém měřítku, zatímco větší superinteligentní modely budou fungovat jako oracle pro aktualizace a budou stále více využívat výpočetní zdroje pro řešení složitějších problémů. Nebudete potřebovat model s trillionem parametrů, aby jste odpověděli na žádost zákaznické podpory. Líčím to jako situaci, kdy byste neměli senior manažera spravovat úlohu, kterou může zvládnout stážista. Stejně jako máme různé role pro lidské protějšky, většina společností bude také spoléhat na kolekci modelů s různými úrovněmi sofistikovanosti.

Abyste dosáhli této rovnováhy, potřebujete jasný rozbor úloh a benchmarking, zohledňující čas, výpočetní složitost, náklady a požadovanou škálu. V závislosti na použití můžete priorizovat entsprechingly. Určete základní pravdu, ideální výsledek pro srovnání, a příklad vstupních a výstupních dat, abyste mohli spustit různé proměnné a optimalizovat a získat nejbližší výsledek k základní pravdě.

Pokud společnosti AI mohou úspěšně decentralizovat svou technologickou sadu a stavět na více modelech, můžeme zlepšit bezpečnost a spolehlivost těchto nástrojů a tím maximalizovat pozitivní dopad AI. Už jsme tidak v místě teoretických debat – je čas se soustředit na to, jak použít AI k práci, aby tyto technologie byly účinnější a odolnější.