Bo Li, CEO, Virtue AI – Συνέντευξη

Bo Li, CEO της Virtue AI, είναι एक εξέχων ερευνητής και επιχειρηματίας που ειδικεύεται στην ασφάλεια και την ασφάλεια των συστημάτων τεχνητής νοημοσύνης. Ηγείται της Virtue AI ενώ παράλληλα υπηρετεί ως Καθηγητής στο Πανεπιστήμιο του Ιλινόις στο Urbana-Champaign, όπου η έρευνά του επικεντρώνεται στην ασφάλεια της μηχανικής μάθησης, την αξιόπιστη τεχνητή νοημοσύνη και την ανταγωνιστική αντοχή. Η καριέρα του εκτείνεται τόσο στην ακαδημία όσο και στην βιομηχανία, επιτρέποντάς του να μεταφράσει την προηγμένη έρευνα της τεχνητής νοημοσύνης σε πρακτικές εφαρμογές που βοηθούν τις οργανώσεις να xây dựng ασφαλέστερες και πιο ανθεκτικές τεχνολογίες τεχνητής νοημοσύνης.

Virtue AI είναι μια εταιρεία που επικεντρώνεται στην προστασία και τη διακυβέρνηση των συστημάτων τεχνητής νοημοσύνης που χρησιμοποιούνται σε επιχειρηματικά περιβάλλοντα. Η πλατφόρμα της παρέχει ικανότητες όπως αυτόματη εχθρική δοκιμή, φραγμοί σε πραγματικό χρόνο και συνεχής παρακολούθηση για την αναγνώριση ευπαθειών όπως η ένεση προτύπων, οι οπτασιασμοί και η διαρροή δεδομένων. Ενσωματώνοντας απευθείας στα ρεύματα ανάπτυξης και ανάπτυξης της τεχνητής νοημοσύνης, η εταιρεία βοηθά τις οργανώσεις να κλιμακωθούν με ασφάλεια τη χρήση μεγάλων μοντέλων γλωσσών και εφαρμογών που βασίζονται στην τεχνητή νοημοσύνη, διατηρώντας παράλληλα ισχυρά πρότυπα ασφαλείας και διακυβέρνησης.

Τι σας έκανε να μεταβείτε από μια καθαρά ακαδημαϊκή καριέρα στο ιδρυματικό και ηγετικό ρόλο της Virtue AI, και ποιο πρόβλημα νιώσατε ότι η βιομηχανία δεν αντιμετωπίζει επαρκώς σε κλίμακα;

Τα παραδοσιακά εργαλεία ασφαλείας κατασκευάστηκαν για προβλέψιμες εφαρμογές με σταθερούς δρόμους. Δεν κατασκευάστηκαν ποτέ για συστήματα που συλλογίζονται, προσαρμόζονται και ενεργούν αυτονομικά. Οι συνιδρυτές μου και εγώ είδαμε ένα κενό μεταξύ της θεμελιώδους έρευνας ασφαλείας της τεχνητής νοημοσύνης και αυτού που είχαν διαθέσιμο οι επιχειρήσεις. Η έρευνα υπήρχε. Η παραγωγή πραγματικότητας δεν υπήρχε. Αυτό είναι αυτό που αποφασίσαμε να αλλάξουμε.

Η Virtue AI επικεντρώνεται στην ασφάλεια, την ασφάλεια και τη συμμόρφωση για μεγάλα μοντέλα γλωσσών και αυτόνομους πράκτορες. Ποια από αυτές τις περιοχές πιστεύετε ότι οι επιχειρήσεις υποτιμούν περισσότερο σήμερα;

Οι επιχειρήσεις κατανοούν όλες αυτές τις περιοχές σε κάποιο βαθμό, ιδιαίτερα την ασφάλεια, αλλά υπάρχει ακόμη ένα μεγάλο κενό.

Οι επιχειρήσεις έχουν αρχίσει να λαμβάνουν σοβαρά την ασφάλεια του μοντέλου, τουλάχιστον στην επιφάνεια. Αλλά οι πράκτορες είναι ένα διαφορετικό πρόβλημα. Τους έχουν χορηγηθεί πρόσβαση στα πιο ευαίσθητα μέρη της υποδομής της επιχείρησης: εκτέλεση κώδικα, κλήσεις API, περιήγηση στο διαδίκτυο και λήψη αλυσίδων αποφάσεων που αγγίζουν δεδομένα, οικονομικά και λειτουργίες. Οι περισσότερες ομάδες ασφαλείας δεν είναι διαμορφωμένες για να συλλογιστούν για αυτό το είδος συστήματος. Τα εργαλεία που έχουν δεν κατασκευάστηκαν για αυτό.

Ο κίνδυνος δεν είναι θεωρητικός. Χωρίς ασφάλεια που να είναι ειδικά σχεδιασμένη για συστήματα πρακτόρων, οι μικρές αποτυχίες peuvent να συσσωρευτούν γρήγορα. Μια απροσδόκητη κλήση εργαλείου, μια αμφίβολη οδηγία, μια πρόταση που διαφεύγει από τους φράκτες—οποιοδήποτε από αυτά μπορεί να εξελιχθεί σε μη εξουσιοδοτημένες ενέργειες ή έκθεση δεδομένων πριν κανείς παρατηρήσει ότι κάτι πήγε λάθος.

Η συνεχής εχθρική δοκιμή είναι κεντρική στη προσέγγισή σας. Ποιοι τύποι αποτυχιών ή κινδύνων τείνουν να εμφανιστούν μόνο όταν τα συστήματα είναι ζωντανα σε παραγωγή;

Οι περισσότεροι από τους σοβαρούς.

Σε ένα ελεγχόμενο περιβάλλον, ελέγχετε το μοντέλο και τους πράκτορες. Σε παραγωγή, ελέγχετε το σύστημα—και αυτά είναι διαφορετικά πράγματα. Μόλις ένα μοντέλο συνδεθεί με εργαλεία, αγωγούς ανάκτησης, εισαγωγές χρηστών και άλλους πράκτορες, ο χώρος συμπεριφοράς επεκτείνεται με τρόπους που η δοκιμή πριν από την ανάπτυξη δεν καταγράφει. Ένας “ασφαλής” πράκτορας μπορεί να ενεργήσει πολύ διαφορετικά όταν συνδεθεί με πραγματικές βάσεις δεδομένων, νέους διακομιστές MCP ή άλλους πράκτορες. Το σύστημα γίνεται μη детерμινιστικό. Αρχίζει να λαμβάνει αποφάσεις με βάση το контекст που δεν υπήρχε κατά τη διάρκεια της αξιολόγησης.

Αυτό είναι όταν βρίσκετε τις αποτυχίες που πραγματικά μετράνε.

Πώς σκέφτεστε το μέτρημα της “ασφαλείας της τεχνητής νοημοσύνης” στην πράξη, ιδιαίτερα όταν τα συστήματα εξελίσσονται μέσω της λεπτομερούς ρύθμισης, ανάκτησης και χρήσης εργαλείων;

Στην πράξη, η ασφάλεια της τεχνητής νοημοσύνης δεν μπορεί να μετρηθεί μέσω ενός đơnικού στατικού βENCHMARK, επειδή τα σύγχρονα συστήματα τεχνητής νοημοσύνης εξελίσσονται συνεχώς μέσω της λεπτομερούς ρύθμισης, της ανάκτησης και της αλληλεπίδρασης με εργαλεία ή πράκτορες. Αντίθετα, η ασφάλεια πρέπει να αξιολογηθεί ως ιδιότητα του συστήματος σε όλη τη διάρκεια ζωής μιας εφαρμογής τεχνητής νοημοσύνης. Αυτό περιλαμβάνει την δοκιμή μοντέλων και πρακτόρων με διαφορετικές εχθρικές επιθέσεις, την παρακολούθηση πραγματικών συμπεριφορών όπως προτύπων, κλήσεων εργαλείων και ενεργειών, και την αξιολόγηση αποτελεσμάτων με βάση καθορισμένες πολιτικές κινδύνου (π.χ. κακοποίηση, οπτασιασμός, διαρροή δεδομένων ή μη εξουσιοδοτημένες ενέργειες).

Για παράδειγμα, η βραβευμένη εργασία μας (Καλύτερο Έργο στο Εθνικό Ίδρυμα Ασφάλειας και NeurIPS), DecodingTrust, παρείχε綜合ική ασφάλεια και δοκιμή ασφαλείας για μοντέλα θεμελίωσης. Η πλατφόρμα DecodingTrust-Agent έχει κατασκευάσει έναν πραγματικό симουλάτορα πρακτόρων που φιλοξενεί διαφορετικά περιβάλλοντα με εχθρικούς πράκτορες για να πραγματοποιήσει δυναμική, προσαρμοστική και συνεχής εχθρική δοκιμή.

Σημαντικά, η μέτρηση της ασφαλείας πρέπει να είναι συνεχής και προσαρμοστική,既然 ότι οι ενημερώσεις των προτύπων, των πηγών ανάκτησης ή των εργαλείων μπορούν να εισαγάγουν νέες ευπαθειές. Στην πράξη, αυτό σημαίνει την συνδυασμένη αυτόματη εχθρική δοκιμή, φραγμοί σε πραγματικό χρόνο και παρατηρησιμότητα για να μετρήσετε όχι μόνο τις απαντήσεις του μοντέλου αλλά και την ασφάλεια του ολοκληρωμένου συστήματος τεχνητής νοημοσύνης που λειτουργεί στον πραγματικό κόσμο.

Η έρευνά σας στο παρελθόν καλύπτει την αντοχή, την ιδιωτικότητα και τις ανταγωνιστικές επιθέσεις. Ποια από αυτές τις περιοχές έχει αποδειχθεί πιο δύσκολο να μεταφραστεί σε πραγματικές άμυνες;

Η μετάφραση της έρευνας στην αντοχή, την ιδιωτικότητα και τις ανταγωνιστικές επιθέσεις σε πραγματικές άμυνες είναι στην πραγματικότητα πολύ εφικτή. Στην πραγματικότητα, πολλές από τις ερευνητικές κατευθύνσεις της ομάδας μου είναι直接 εμπνευσμένες από πρακτικά προβλήματα ασφαλείας που παρατηρήθηκαν σε αναπτυγμένα συστήματα τεχνητής νοημοσύνης. Η πραγματική δυσκολία δεν βρίσκεται στην κατασκευή αμυνών, αλλά στη παροχή αξιόπιστων εγγυήσεων ασφαλείας σε δυναμικά, πραγματικά περιβάλλοντα.

Στην ακαδημαϊκή έρευνα, η ομάδα μας έχει κάνει ισχυρές προόδους όπως η πιστοποιημένη αντοχή και οι εγγυήσεις ιδιωτικότητας, αλλά αυτά τα αποτελέσματα συνήθως βασίζονται σε υποθέσεις που μπορεί να μην ισχύουν πλήρως σε σύνθετα συστήματα παραγωγής. Τα σύγχρονα συστήματα τεχνητής νοημοσύνης εξελίσσονται συνεχώς μέσω νέων δεδομένων, λεπτομερούς ρύθμισης, αγωγών ανάκτησης και ενσωματώσεων εργαλείων, που μπορούν να εισαγάγουν νέες ευπαθειές με την πάροδο του χρόνου.

Ως αποτέλεσμα, η αποτελεσματική ασφάλεια της τεχνητής νοημοσύνης δεν μπορεί να βασιστεί σε μια φορά προστασία—απαιτεί συνεχής εχθρική δοκιμή, ανακάλυψη κινδύνου και προσαρμοστικούς φράκτες που εξελίσσονται παράλληλα με το σύστημα. Αυτή είναι ακριβώς η φιλοσοφία πίσω από την Virtue AI: συνδυάζοντας την μακροχρόνια έρευνά μας στην ασφάλεια της τεχνητής νοημοσύνης με αυτόματη μεγάλης κλίμακας εχθρική δοκιμή και προστασία σε πραγματικό χρόνο για να αναγνωρίσουμε συνεχώς εμφανιζόμενους κινδύνους και να ενημερώσουμε τις άμυνες, ενεργοποιώντας πρακτική και κλιμακωτή ασφάλεια για πραγματικά συστήματα τεχνητής νοημοσύνης.

Τι κάνει την ασφάλεια των αυτόνομων πρακτόρων της τεχνητής νοημοσύνης θεμελιωδώς διαφορετική από την ασφάλεια του παραδοσιακού λογισμικού ή ακόμη και των chatbots;

Οι πράκτορες δεν είναι στατικά προγράμματα. Δεν ακολουθούν προβλέψιμους δρόμους, και δεν παραμένουν εντός του περιμέτρου που σχεδιάσατε για αυτούς κατά την ανάπτυξη.

Η παραδοσιακή ασφάλεια υποθέτει σταθερούς δρόμους εκτέλεσης, σταθερές API και детерμινιστική συμπεριφορά. Οι αυτόνομοι πράκτορες παραβιάζουν όλες αυτές τις υποθέσεις. Συλλογίζονται για το τι να κάνουν επόμενο, επιλέγουν εργαλεία με βάση το контекστ και παράγουν αποτελέσματα σε πολλαπλά συστήματα σε μια seule εκτέλεση.

Δεν можете σκανάρετε μια πρόταση, σκληροποιήσετε ένα μοντέλο ή παρακολουθήσετε μια seule API κλήση και θεωρήσετε την δουλειά ολοκληρωμένη. Πρέπει να ασφαλίσετε τον πράκτορα ως ένα ολοκληρωμένο σύστημα—τη λογική του, τη χρήση εργαλείων, το περιβάλλον και ότι συμβαίνει στο hạ游.

Αυτό είναι το κεντρικό σημείο του προβλήματος που οι έλεγχοι δεν μπορούν να λύσουν. Δεν κατασκευάστηκαν ποτέ για αυτό.

Πού οι υπάρχουσες εργαλεία ασφαλείας δεν επαρκούν όταν οι πράκτορες μπορούν να ενεργήσουν σε πολλά συστήματα, εργαλεία και πηγές δεδομένων ταυτόχρονα;

Σας αφήνουν τυφλούς στο πώς ο πράκτορας λειτουργεί πραγματικά από άκρο σε άκρο.

Τα περισσότερα εργαλεία κατασκευάστηκαν για εφαρμογές με σαφείς περιμέτρους και σταθερούς συμπεριφορές. Μπορούν να σας πουν τι ήταν μια seule API κλήση. Δεν μπορούν να σας πουν πώς ο πράκτορας συλλογίστηκε τον δρόμο του μέσω πέντε κλήσεων εργαλείων για να παράγει ένα αποτέλεσμα που κανείς δεν πρότεινε.

Το κενό ορατότητας είναι το πρόβλημα. Αν δεν μπορείτε να δείτε την πλήρη αλυσίδα ενεργειών και αποφάσεων, δεν μπορείτε να τις κυβερνήσετε, και δεν μπορείτε να τις ελέγξετε μετά το γεγονός.

Πώς οι φράκτες σε πραγματικό χρόνο μειώνουν τον κίνδυνο σε σύγκριση με την παρακολούθηση ή το logging μόνο;

Το logging σας λέει τι πήγε λάθος μετά την ζημιά έχει ήδη γίνει. Είναι χρήσιμο για την εύρεση και την συμμόρφωση, αλλά δεν σταματάει τίποτα.

Με τους αυτόνομους πράκτορες, η καθυστέρηση μεταξύ της ενέργειας και της ανίχνευσης μπορεί να είναι πραγματικά κοστοβόρο. Ένας πράκτορας που έχει ήδη εκτελέσει μια κακή API κλήση ή έχει εξαγάγει δεδομένα δεν περίμενε την πipeline logging να τη φτάσει.

Οι φράκτες σε πραγματικό χρόνο intercept την ενέργεια πριν από την εκτέλεση. Αν ένας πράκτορας προσπαθήσει να κάνει κάτι εκτός πολιτικής, μπλοκάρεται ή σημειώνεται πριν από την εκτέλεση, όχι μετά.

Η συνδυασμένη επίσης. Η πρόληψη σε πραγματικό χρόνο συνδυασμένη με ένα συνεχές σημείο επιβολής σε όλες τις αλληλεπιδράσεις του πράκτορα με εργαλεία είναι ένα διαφορετικό προφίλ κινδύνου από την παθητική παρακολούθηση των μεμονωμένων компонентів.

Η Virtue AI ιδρύθηκε από βαθιά τεχνικούς ερευνητές. Πώς αυτό διαμορφώνει τις αποφάσεις του προϊόντος σε σύγκριση με πιο εμπορικά οδηγούμενες startups της τεχνητής νοημοσύνης;

Η ασφάλεια και η διακυβέρνηση της τεχνητής νοημοσύνης είναι θεμελιωδώς ένα βαθιά τεχνικό πρόβλημα. Τα συστήματα που προστατεύουμε—όπως τα μεγάλα μοντέλα γλωσσών, τα μοντέλα πολλαπλών μεσοφόρων και τα συστήματα πρακτόρων—are themselves κατασκευασμένα σε προηγμένη έρευνα. Χωρίς ισχυρή θεμελιώδη εμπειρογνωσία στην ασφάλεια της τεχνητής νοημοσύνης, είναι σχεδόν αδύνατο να σχεδιαστεί αποτελεσματική ασφάλεια για αυτά.

Σε πολλές περιπτώσεις, η μεγαλύτερη πρόκληση στην ασφάλεια της τεχνητής νοημοσύνης είναι όταν μια προηγμένη αλγόριθμος εχθρικής δοκιμής αναγνωρίζει ευπαθειές των πρακτόρων της τεχνητής νοημοσύνης σε ένα ερευνητικό έγγραφο—πώς να μεταφράσετε αυτήν την ερμηνεία σε μια άμυνα παραγωγής που μπορεί να προστατεύσει πραγματικά συστήματα σε κλίμακα; Στην Virtue AI, η κλείσιμο αυτού του κενού μεταξύ έρευνας και ανάπτυξης είναι θεμελιώδους σημασίας για το πώς λειτουργούμε και τι είμαστε εξοικειωμένοι.

Επειδή η Virtue AI ιδρύθηκε από ερευνητές που έχουν δαπανήσει δεκαετίες εργαζόμενοι στην αντοχή της τεχνητής νοημοσύνης, την ανταγωνιστική μάθηση και την αξιόπιστη τεχνητή νοημοσύνη, οι ερευνητικές και μηχανικές μας ομάδες εργάζονται στα ίδια προβλήματα παράλληλα. Οι ερευνητές μας συνεχίζουν να μελετούν τις εξελισσόμενες αρχιτεκτονικές μοντέλων, τις νέες εργασιακές ροές πρακτόρων και τις εξελισσόμενες τεχνικές επιθέσεων, ενώ οι ομάδες μηχανικής μας ενσωματώνουν αυτές τις ερμηνείες απευθείας στα συστήματα παραγωγής.

Όταν ανακαλύπτουμε μια νέα ευπαθής—όπως μια νέα πρόταση ένεσης ή μια στρατηγική χειραγώγησης πρακτόρων—μπορεί να μεταφραστεί γρήγορα σε νέα μοντέλα ανίχνευσης, φράκτες ή στρατηγικές εχθρικής δοκιμής. Αυτό συμβαίνει συνεχώς, όχι μόνο σε ένα τετραμηνιαίο οδικό χάρτη προϊόντος.

Ως αποτέλεσμα, τα προϊόντα μας παραμένουν καινοτόμα και έτοιμα για την entreprise, βοηθώντας τις οργανώσεις να ασφαλίσουν τα συστήματα τεχνητής νοημοσύνης τους καθώς τα xây dựng και αναπτύσσουν. Πολλοί από τους πελάτες μας μας λένε ότι αυτή η έρευνα-οδηγούμενη προσέγγιση είναι ακριβώς αυτό που τους επιτρέπει να κινούνται γρηγορότερα ενώ διατηρούν την ασφάλεια και τη συμμόρφωση.

Σε αντίθεση, οι καθαρά εμπορικά οδηγούμενες ομάδες συχνά βελτιστοποιούν αυτό που οι πελάτες ζητούν σήμερα, το οποίο μπορεί να οδηγήσει σε επικαιρικές λειτουργίες αλλά μπορεί να μείνει πίσω από το γρήγορο τοπίο απειλών των συστημάτων τεχνητής νοημοσύνης. Στην ασφάλεια της τεχνητής νοημοσύνης, οι απειλές εξελίσσονται τόσο γρήγορα όσο και η τεχνολογία herself. Μια έρευνα-πρώτη θεμελίωση μας επιτρέπει να προβλέψουμε νέους κινδύνους νωρίτερα και να xây dựng άμυνες πριν γίνουν ευρέως διαδεδομένα προβλήματα.

Τι είναι η πιο κοινή λάθος που έχουν οι επιχειρήσεις για την ασφάλεια της τεχνητής νοημοσύνης όταν πρώτα έρχονται στην Virtue AI;

Μια από τις πιο κοινές λάθος που έχουν οι επιχειρήσεις όταν πρώτα έρχονται στην Virtue AI είναι ότι η ασφάλεια της τεχνητής νοημοσύνης μπορεί να αντιμετωπιστεί απλώς εφαρμόζοντας παραδοσιακά εργαλεία ασφαλείας ή βασικά φίλτρα ελέγχου περιεχομένου.

Στην πραγματικότητα, τα συστήματα τεχνητής νοημοσύνης εισάγουν εντελώς νέες επιφάνειες απειλών, όπως η ένεση προτύπων, οι jailbreaks, οι οπτασιασμοί που οδηγούν σε κακοποίηση, η διαρροή δεδομένων μέσω συστημάτων ανάκτησης, και η χειραγώγηση πρακτόρων μέσω εργαλείων ή εξωτερικών API. Αυτοί οι κίνδυνοι προκύπτουν από τη συμπεριφορά και τη λογική του μοντέλου نفسه, όχι μόνο από την περιβάλλουσα υποδομή.

Ως αποτέλεσμα, η προστασία των συστημάτων τεχνητής νοημοσύνης απαιτεί μηχανισμούς ασφαλείας που κατανοούν το μοντέλο και τους πράκτορες’ εισαγωγές, εξαγωγές και διαδικασίες λήψης αποφάσεων σε όλη τη διάρκεια ζωής μιας εφαρμογής τεχνητής νοημοσύνης, το οποίο απαιτεί θεμελιώδεις ικανότητες έρευνας της τεχνητής νοημοσύνης.

Αυτό είναι γιατί τονίζουμε την ασφάλεια της τεχνητής νοημοσύνης: συνδυάζοντας την αυτόματη εχθρική δοκιμή για την ανακάλυψη ευπαθειών, τους φράκτες σε πραγματικό χρόνο για την επιβολή πολιτικών, και την παρατηρησιμότητα του συστήματος για την παρακολούθηση προτύπων, κλήσεων εργαλείων και ενεργειών πρακτόρων.

Μόλις οι επιχειρήσεις δουν πόσο διαφορετικές είναι οι απειλές της τεχνητής νοημοσύνης από τις παραδοσιακές απειλές λογισμικού, γρήγορα καταλαβαίνουν ότι η ασφάλεια της τεχνητής νοημοσύνης απαιτεί ένα θεμελιωδώς νέο στρώμα ασφαλείας.

Τέλος, τι σημαίνει “υπεύθυνη ανάπτυξη της τεχνητής νοημοσύνης” για σας στην πράξη—όχι στη θεωρία, αλλά μέσα σε μια entreprise που αποστέλλει προϊόντα σήμερα;

Γρηγορότερα και ασφαλέστερα δεν είναι αντίθετα,尽管 ότι οι περισσότερες επιχειρήσεις τις αντιμετωπίζουν così. Η υπόθεση είναι ότι η σοβαρή ασφάλεια επιβραδύνει—περισσότεροι κύκλοι αναθεώρησης, περισσότερα πύλη, περισσότερη τριβή πριν από την αποστολή.

Στην πράξη, οι επιχειρήσεις που αναπτύσσουν πράκτορες με εμπιστοσύνη είναι αυτές που xây dựng την ασφάλεια στο διαδικασία αντί να την προσθέτουν στο τέλος: αυτόματη εχθρική δοκιμή πριν από την ανάπτυξη, έλεγχοι σε πραγματικό χρόνο όταν ο πράκτορας είναι ζωντανός, και κεντρική ορατότητα σε όλη τη διάρκεια ζωής του πράκτορα.

Αυτό δεν είναι μια άσκηση συμμόρφωσης. Είναι αυτό που σας επιτρέπει να κινούστε γρηγορότερα, επειδή δεν ανακαλύπτετε στην παραγωγή αυτό που θα έπρεπε να έχετε πιάσει νωρίτερα.

Η υπεύθυνη ανάπτυξη, σε συγκεκριμένους όρους, σημαίνει ότι γνωρίζετε τι μπορούν να κάνουν οι πράκτορες σας, μπορείτε να δείτε τι κάνουν, και μπορείτε να τους σταματήσετε όταν κάτι πάει λάθος.

Η υπεύθυνη ανάπτυξη της τεχνητής νοημοσύνης ermöglicht την συνεχής, μεγάλης κλίμακας ανάπτυξη συστημάτων τεχνητής νοημοσύνης με εμπιστοσύνη, αντί να επιβραδύνει την καινοτομία της τεχνητής νοημοσύνης.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Virtue AI.