Det er tid til at give AI-baton fra software til hardware

Det er usandsynligt, at vi vil møde nogen teknologi, der er mere konsekvensrig og vigtig end AI i vores liv. Tilstedeværelsen af kunstig intelligens har allerede ændret den menneskelige oplevelse og hvordan teknologi kan forme vores liv, og dens indflydelsesbane er kun blevet bredere.

Med det i mente har AI-innovatører og ledere brugt det sidste kvart århundrede på at samle data og udvikle modeller for at opnå softwaren, der driver generativ AI. AI repræsenterer toppen af softwaren: Et amorf værktøj, der kan reproducere værktøjer til at løse problemer på tværs af abstraktionslag. Virksomheder, der bygger compute-imperier eller de, der erhverver LLM’er for at styrke deres software-tilbud, er nu almindelige syn.

Så hvor går vi fra her?

Selv med ubegrænset compute, vil samlingen af deduktioner ved hjælp af alle eksisterende data asymptotisk nærme sig den eksisterende mængde af menneskelig viden. Ligesom mennesker skal eksperimentere med den ydre verden, ligger den næste front i AI i at få teknologien til at interagere meningsfuldt med den fysiske verden for at generere nyt data og udvide grænserne for viden.

Interaktion gennem eksperimenter

At udforske AI’s potentiale kræver, at man transcenderer dets brug på personlige computere eller smartphones. Ja, disse værktøjer er sandsynligvis de letteste adgangspunkter for AI-teknologi, men det sætter en grænse for, hvad teknologien kan opnå.

Selv om udførelsen efterlod meget at ønske, demonstrerede Ray-Ban Smart Solbriller, der er drevet af Meta’s AI-system, en bevis for begrebet i wearables, der er infuseret med AI-teknologi. Disse eksempler på hardware-først-integrationer er kritiske for at bygge bekendtskab og brugervenlighed af AI uden for en enhed-indstilling, fordi de viser, hvordan man kan gøre disse store teknologiske fremskridt ubemærkede.

Ikke hver eksperiment med AI i den virkelige verden vil være en succes, det er præcis, hvorfor de er eksperimenter. Men ved at demonstrere potentialet for hardware-først-AI-applikationer udvider man spektret af, hvordan denne teknologi kan være både nyttig og anvendelig uden for “personlig assistent”-boksen, den er sat i nu.

Til sidst vil virksomheder, der viser, hvordan man kan gøre AI praktisk og legitimt, være dem, der genererer eksperimentelle datapunkter, som man simpelthen ikke kan få fra web-applikationer. Selvfølgelig kræver alt dette compute og infrastruktur for at fungere ordentligt, hvilket nødvendiggør en større tilførsel af investeringer i at bygge ud AI’s fysiske infrastruktur.

Men er AI-virksomhederne parate og villige til at gøre det?

Hardware- og software-dialog

Det er let at sige, at computermæssigt intense AI-applikationer i fysiske produkter vil blive normen til sidst, men at gøre det til virkelighed kræver langt mere rigor. Der er kun en vis mængde ressourcer og vilje til rådighed for at gå ned ad den mindre befærdede vej.

Hvad vi ser i dag er en form for kortvarig AI-overeksitement, der spejler den typiske markedsreaktion på disruptiv teknologi, der er klar til at skabe nye industrier. Så det er klart, hvorfor der kan være tøven fra virksomheder, der bygger AI-software eller leger med det, til at påbegynde dyre og computermæssigt intense hardware-udflugter.

Men enhver med en bredere udsigt kan se, hvorfor dette måske er en myopisk tilgang til innovation.

Uventet er der mange sammenligninger mellem AI-boomet og den tidlige internettets dot-com-boble, hvor projekter fokuserede på korte mål, døde af, når det brast. Men hvis vi kollektivt skulle afvise internettet på grund af dot-com-boblens efterspil i stedet for at fokusere på de lange idéer, der har overlevet langt efter det, ville vi ikke være nær den teknologiske landskab, vi er i i dag. Store idéer overlever enhver trend.

Desuden er compute-nøglen til enhver AI-innovation for at fortsætte med at udvikle sig. Og som enhver AI-udvikler vil fortælle dig—compute er værd at sin vægt i guld. Men det sætter også en grænse for, hvor mange projekter kan realistisk tale om at udforske virkelige AI-applikationer, når modeludviklingen allerede sluger ressourcer. Men ingen virksomhed kan opretholde markedsdominans på software alene—uanset hvor imponerende deres LLM er.

Det er komfortabelt for AI-virksomheder at føre an med software og vente tålmodigt på, at en hardware-udbyder kommer og køber eller licenserer deres teknologi. Det er ikke kun begrænsende, men efterlader også mange fantastiske projekter til nåde for udefrakommende, der måske aldrig kommer.

AI er en multi-generations-teknologi, der kun vil blive mere tilpasset og designet til individer, efterhånden som tiden skrider. Men det er op til projekter at udnytte en stort set jævn spillebane software-mæssigt til at tage virkelige skridt ind i den fysiske verden. Uden dristige eksperimenter og endda fejl, vil der ikke være nogen vej frem for AI-teknologi til at realisere sin fulde potentiale i forbedring af den menneskelige oplevelse.