DeepSeek’s R1: En nyttig påmindelse

Som universitetslærer og tidligere IT-brancheveteran finder jeg, at den hype om Kinas DeepSeek R1-model er en nyttig påmindelse om tre ting.

Det første er, at generativ AI ikke længere kun handler om at bearbejde enorme mængder af indhold for at generere relevante svar på prompts, men også om kognitiv resonans (det “R” i R1).

Løftet om resonans store sprogmodeller (LLM’er) er, at massive videnhentings- og kognitive bearbejdningsfunktioner – tidligere kun tilgængelige for supercomputere – nu er til rådighed for næsten alle. Takket være en ny generation af effektivitetsforbedrende teknikker findes der modeller, der er små nok til at køre på en konventionel laptop, og som kan understøtte multiple intelligente agenter, der kan udføre komplekse, interaktive opgaver selvstændigt.

For det andet handler generativ AI-revolutionen i første række om innovation og kreativitet – det handler ikke kun om en kapløb om den mest kraftfulde hardware, størrelsen af træningsdata eller antallet af modellparametre. En succesfuld tilpasning af disse teknologier vil ikke blive bestemt af de store teknologivirksomheder med massive, energislugende supercomputere, der træner milliarddollarmodeller – men af lande og organisationer, der investerer i menneskelig kapital for at forberede dem på denne nye bølge.

Tredje, og bygning på det sidste punkt, synes Amerika ikke at være særlig godt positioneret for de dramatiske ændringer, der kommer til vores økonomi og samfund. Jeg vil nævne to eksempler: højere uddannelse og corporate America.

Uddannelse

På de fleste uddannelsesinstitutioner er det første store valg for en bachelorstuderende, om han eller hun skal følge en Bachelor of Arts (BA)-uddannelse, der er forbundet med en bredere, mere tværfaglig uddannelse, eller en Bachelor of Science (BS)-uddannelse, der er mere fokuseret på at udvikle færdigheder og praktisk erfaring i bestemte fag.

I AI-alderen er denne dikotomi håbløst forældet, da begge sæt af fag er blevet essentielle på arbejdspladsen.

Faktum er, at de fleste førsteårsstuderende ikke har nær så megen viden eller indsigt i, hvad det er at arbejde i forskellige typer af job, eller endda de relative styrker og svagheder i deres egne evner, talenter, færdigheder og anlæg. Og alligevel skal de fleste førsteårsstuderende erklære sig til en hovedfag, hvilket kun vil være en let beslutning for den lille procent, der (for bedre eller værre) ved (eller i hvert fald tror, de ved), hvilket felt de vil forfølge: ingeniørvidenskab, naturvidenskab, medicin, jura osv.

Vi har brug for en meget anderledes, karriereparat, bredere, tværfaglig tilgang til højere uddannelse, der anerkender, at en universitetsuddannelses første fuldtidsjob måske ikke har noget at gøre med den uddannelse, de har erhvervet, eller deres hovedfag; at deres universitetserfaring vil udgøre kun det første stadium i en livslang rejse af kontinuerlig læring – opskoling, certificering, genopfindelse, karriereskiftning – for roller, vi endnu ikke kan forestille os.

Også som uddannere har vi brug for at udvikle nye strategier til at håndtere AI-plagiat og navigere i farene med, at chatbots bliver intellektuelle genveje eller “kognitiv aflasting” – tendensen til at stole på eksterne værktøjer i stedet for at udvikle interne evner.

I en tid, hvor viden er adskilt fra forståelse, er der blot for stor fristelse til at prompte AI for et øjeblikkeligt svar eller løsning i stedet for at kæmpe for at forstå et begreb eller løse et problem.

Corporate IT

De fleste virksomheder synes heller ikke at være klar over de organisatoriske implikationer af disse nye teknologier.

Nuværende IT-roller og -strukturer afspejler de organisatoriske krav fra den forrige digitale revolution. Disse funktioner opstod fra den specialiserede ekspertise, der var nødvendig for mennesker for at bruge og interagere med computere – programmering, dataingeniørarbejde, computerarkitektur, netværksadministration, informations sikkerhed osv.

Til gengæld handler generativ AI (og hele feltet Natural Language Processing, der gik forud for det) om at designe og træne computere til at interagere med mennesker.

Som følge heraf opfinder medarbejdere på lavere niveauer brillante (og nogle gange farlige) måder at bruge disse teknologier på. Organisationer kæmper for at udvikle brugbare politikker, procedurer og kontroller for at maksimere de potentielle produktivitetsfordele, samtidig med at de minimiserer risikoen.

Et nøgleproblem er, at i de fleste virksomheder tenderer datavidenskabelig ekspertise til at være koncentreret i IT-afdelinger, de fleste af disse fungerer stadig som hemmelige laug med deres eget sprog og praksis, der er organisatorisk og funktionelt adskilt fra kerneforretningsenheder. Jeg mener, at den kommende produktivitetsrevolution kræver nye typer af organisatoriske roller og strukturer, hvor dataekspertise ikke er isoleret i en specialiseret funktion, men forbundet med næsten alle aspekter af operationen.

Og der er også udfordringen med data. I de fleste organisationer handler AI-tilpasning om at tilpasse LLM’er til at udføre specialiserede brugstilfælde med hjælp af proprietær data. Mens brugerne af data i forretningsenhederne ønsker fuldstændigt nøjagtige, rene og godt styrede data, har de enkelte ejere af data i IT ikke budget, finansielle incitamenter eller organisatorisk myndighed til at sikre dette niveau af kvalitet og gennemsigtighed.

Som følge heraf er interne datasæt ikke opdagelige/styret godt på tværs af virksomheden. Typisk gemmes forskellige typer data på forskellige steder. I respons til forretningsbrugeres anmodninger giver IT forskellige visninger af data, laver forskellige kopier (og kopier af kopier) af data og skaber eksponeringer og abstraktioner af data af forskellige årsager… På dette tidspunkt ved ingen, hvilke versioner er forældede, ufuldstændige, duplikate, urigtige eller hvilken kontekst de har.

Konklusion

​Generativ AI har potentialet til at transformere alle former for videnarbejde. I dens kerne handler denne teknologi om demokratiseringen af ekspertise (for godt og ondt) – at afmellematisere specialister som kodere, videografere, illustratører, forfattere, redaktører og næsten enhver type af videnarbejder eller “ekspert”. Aldrig før har mennesker haft at gøre med en teknologi, der kan matche deres egne kognitive bearbejdnings- og resonansfunktioner – kun deres fysiske styrke, udholdenhed, præcision og evne til at bearbejde enorme mængder af data.

Denne spændende nye produktivitetsrevolution kræver nye kompetencer, evner og organisatoriske strukturer, hvor dataekspertise er integreret i næsten alle typer af forretningsprocesser.

Ironien er, at når maskiner opnår større analytiske kræfter, kan statussen og værdien af en medarbejder i en organisatorisk hierarki blive mindre en funktion af specialiseret ekspertise, erfaring og kvalifikationer og mere af deres kreative, tværfaglige og interpersonlige færdigheder.

Tiden til at udvikle og investere i disse evner er nu.