Γιατί η φυσική τεχνητή νοημοσύνη δεν μπορεί απλώς να είναι συνομιλίαGPT με πόδια

Γελάμε όταν το ChatGPT λέει με σιγουριά ότι ο Ναπολέων εφηύρε τον φούρνο μικροκυμάτων. Αλλά όταν η Τεχνητή Νοημοσύνη ελέγχει ένα χειρουργικό ρομπότ, ένα αυτόνομο όχημα ή ένα βιομηχανικό σύστημα, δεν υπάρχει χώρος για... ψευδαισθήσειςΗ ακρίβεια έχει σημασία. Αυτό δημιουργεί μια πραγματική πρόκληση στην επανεξέταση του τρόπου με τον οποίο κατασκευάζουμε και αναπτύσσουμε τεχνητή νοημοσύνη.

Οι περισσότεροι οργανισμοί που προσεγγίζουν την φυσική Τεχνητή Νοημοσύνη κάνουν ένα θεμελιώδες λάθος: εφαρμόζουν στρατηγικές ψηφιακής Τεχνητής Νοημοσύνης σε προκλήσεις φυσικής Τεχνητής Νοημοσύνης. Δεν λειτουργεί. Η φυσική Τεχνητή Νοημοσύνη απαιτεί διαφορετική υποδομή, διαφορετικά χρονοδιαγράμματα και διαφορετικά επιχειρηματικά μοντέλα από οτιδήποτε έχουμε δημιουργήσει στο παρελθόν.

Έχω δει αυτή την αλλαγή από πρώτο χέρι, συνεργαζόμενος με επιχειρήσεις που αναπτύσσουν Τεχνητή Νοημοσύνη παντού, από πετρελαιοπηγές έως καταστήματα λιανικής. Οι εταιρείες που πετυχαίνουν δεν ανταλλάσσουν απλώς τεχνολογία - λειτουργούν με ένα εντελώς διαφορετικό σύνολο υποθέσεων σχετικά με το τι σημαίνει ανάπτυξη.

Η πραγματικότητα των υποδομών για την οποία κανείς δεν μιλάει

Να τι παραβλέπουν πολλοί άνθρωποι σχετικά με την φυσική Τεχνητή Νοημοσύνη: δεν τρέχει στο cloud. Δεν μπορεί.

Όταν οι εταιρείες ρομποτικής μου περιγράφουν την αρχιτεκτονική τους, η εικόνα συχνά εκπλήσσει τους παραδοσιακούς ηγέτες της πληροφορικής. Τα ρομπότ χειρίζονται βασικές λειτουργίες τοπικά. Οι υπολογιστές edge στην ίδια εγκατάσταση επεξεργάζονται πολύπλοκες αποφάσεις. Το cloud διαχειρίζεται την εκπαίδευση και τις ενημερώσεις. Είναι μια κατανεμημένη προσέγγιση που αναγκάζει τις εταιρείες να επανεξετάσουν την υποδομή από την αρχή.

Τα πλυντήρια αυτοκινήτων δεν είναι παραδοσιακά επιχειρήσεις υψηλής τεχνολογίας, αλλά ορισμένοι πάροχοι χρησιμοποιούν την Τεχνητή Νοημοσύνη για προγνωστική συντήρηση, την υπολογιστική όραση για την αναγνώριση οχημάτων και τις συνομιλιακές διεπαφές πελατών. Αυτά τα συστήματα χρειάζονται τοπική επεξεργασία και απαντήσεις σε πραγματικό χρόνο, επειδή η συνδεσιμότητα στο cloud δεν είναι αρκετά αξιόπιστη.

Το νέο της NVIDIA Τσιπ Jetson Thor δείχνει πού οδεύει αυτό—δίνοντας ισχύ επιπέδου κέντρου δεδομένων σε συμπαγείς συσκευές edge. Αυτό δεν είναι ένα χαρακτηριστικό ευκολίας. Είναι αυτό που κάνει το σύστημα να λειτουργεί.

Το αναδυόμενο πρότυπο μοιάζει περισσότερο με τρία επίπεδα: οι συσκευές χειρίζονται άμεσες αποκρίσεις, τα τοπικά συστήματα edge διαχειρίζονται βαρύτερες αποφάσεις για μια ομάδα συσκευών και το cloud φροντίζει για την εκπαίδευση. Οι περισσότεροι οργανισμοί εξακολουθούν να σκέφτονται με προτεραιότητα το cloud — και αυτή η νοοτροπία δεν θα τους οδηγήσει πολύ μακριά.

Γιατί η ανάπτυξη σε επιχειρήσεις είναι διαφορετική

Η ψηφιακή Τεχνητή Νοημοσύνη επικεντρώνεται στην υιοθέτηση από τους χρήστες και στις βελτιώσεις στην ακρίβεια. Η φυσική Τεχνητή Νοημοσύνη απαιτεί τη διαχείριση κατανεμημένων υποδομών, τη διασφάλιση της συμμόρφωσης με την ασφάλεια και τη διατήρηση της λειτουργίας των λειτουργιών σε περιβάλλοντα όπου η παραδοσιακή υποστήριξη IT ενδέχεται να μην υπάρχει καν.

Δείτε τις πραγματικότητες ανάπτυξης στον τομέα της υγειονομικής περίθαλψης. Η γενετική τεχνητή νοημοσύνη μπορεί να αναλύσει ιατρικές σαρώσεις με πολύ υψηλή ακρίβεια, αλλά τα δεδομένα των ασθενών δεν μπορούν να φύγουν από τις εγκαταστάσεις του νοσοκομείου λόγω των κανόνων HIPAA. Τα αρχεία ιατρικής απεικόνισης έχουν συχνά μέγεθος δεκάδων έως εκατοντάδων gigabyte, γεγονός που καθιστά την μεταφόρτωση στο cloud για επεξεργασία μη πρακτική. Τα νοσοκομεία χρειάζονται συστήματα που μπορούν να επεξεργάζονται ευαίσθητα δεδομένα τοπικά, παρέχοντας παράλληλα προηγμένη ανάλυση επιπέδου cloud.

Τα εμπόδια δεν είναι μόνο τεχνικά. Στο δικό μας πρόσφατη έρευνα, το 37% των CIO επιχειρήσεων επεσήμανε την έλλειψη ταλέντων ως την κορυφαία πρόκληση. Αυτές δεν είναι οι συνηθισμένες δεξιότητες Τεχνητής Νοημοσύνης — απαιτούν εξειδίκευση στη διασταύρωση της Τεχνητής Νοημοσύνης, της υπολογιστικής αιχμής, της ασφάλειας και των κανονισμών που αφορούν συγκεκριμένους κλάδους. Δεξιότητες που δεν υπήρχαν πριν από πέντε χρόνια.

Τα χρονοδιαγράμματα αποτελούν μια άλλη διαφορά. Οι εφαρμογές ψηφιακής τεχνητής νοημοσύνης αναπτύσσονται και επαναλαμβάνονται γρήγορα. Τα φυσικά συστήματα τεχνητής νοημοσύνης απαιτούν εκτεταμένες δοκιμές, κανονιστική έγκριση και επικύρωση ασφάλειας. Τα αυτόνομα οχήματα βρίσκονται σε εξέλιξη για περισσότερο από μια δεκαετία και εξακολουθούν να λειτουργούν μόνο σε περιορισμένες περιοχές.

Όταν η Τεχνητή Νοημοσύνη ελέγχει τα φυσικά συστήματα, η αποτυχία δεν αφορά μια κακή εμπειρία χρήστη. Αφορά την ασφάλεια, τη συμμόρφωση και τη σταθερότητα.

Πέρα από το πρόβλημα του «μαύρου κουτιού»

Η παραδοσιακή επιχειρηματική Τεχνητή Νοημοσύνη συχνά περιλαμβάνει λύσεις υλικού ειδικά για κάθε προμηθευτή. Ένα στέλεχος τεχνολογίας λιανικής πώλησης τις περιέγραψε ως «μαύρα κουτιά που κάνουν τα δικά τους μαγικά πράγματα με τα widget». Το αποτέλεσμα: πονοκεφάλους στη διοίκηση καθώς οι εταιρείες συνδυάζουν διαφορετικές εφαρμογές Τεχνητής Νοημοσύνης, καθεμία με τις δικές της προκλήσεις υλικού και ασφάλειας.

Οι κορυφαίες επιχειρήσεις στρέφονται προς προσεγγίσεις πλατφόρμας που εκτελούν πολλαπλά φόρτα εργασίας Τεχνητής Νοημοσύνης (ΤΝ) σε κοινόχρηστη υποδομή. Αντί να αγοράζουν μια νέα συσκευή για κάθε περίπτωση χρήσης ΤΝ, αναπτύσσουν μοντέλα ως εφαρμογές σε ένα ενοποιημένο σύστημα edge.

Οι λιανοπωλητές αντιλαμβάνονται αμέσως την ελκυστικότητα. Μπορεί να χρειάζονται υπολογιστική όραση για το απόθεμα, προγνωστική ανάλυση για συστήματα HVAC και ψύξης, καθώς και εξυπηρέτηση πελατών με τεχνητή νοημοσύνη. Αντί να λειτουργούν τρία ξεχωριστά συστήματα, ενοποιούν τα πάντα σε κοινόχρηστη υποδομή με κεντρική διαχείριση.

Οι επικεφαλής της πληροφορικής βλέπουν τη διαφορά — η διαχείριση εφαρμογών είναι καλύτερη από τα ζογκλερικά.

Ο Έλεγχος Πραγματικότητας των Επενδύσεων

Παρά τον εκτεταμένο ενθουσιασμό, οι περισσότερες επενδύσεις στην Τεχνητή Νοημοσύνη δυσκολεύονται με τη μέτρηση της απόδοσης επένδυσης (ROI). Οι εφαρμογές ψηφιακής Τεχνητής Νοημοσύνης, όπως η γενετική Τεχνητή Νοημοσύνη, αντιμετωπίζουν μια ιδιαίτερη πρόκληση: ενώ είναι σχετικά εύκολες στην ανάπτυξη, η μέτρηση του αντίκτυπού τους στην παραγωγικότητα των εργαζομένων με γνώση παραμένει αόριστη.

Η φυσική Τεχνητή Νοημοσύνη παρουσιάζει μια διαφορετική πρόταση αξίας. Τα εμπόδια ανάπτυξης είναι υψηλότερα — απαιτώντας κατανεμημένη υποδομή, επικύρωση ασφάλειας και κανονιστική συμμόρφωση — αλλά οι πιθανές αποδόσεις είναι πιο συγκεκριμένες. Η βελτιστοποίηση της εφοδιαστικής αλυσίδας, ο χρόνος λειτουργίας του εξοπλισμού και οι βελτιώσεις στην ασφάλεια των εργαζομένων μπορούν να μετρηθούν άμεσα με λειτουργικούς και οικονομικούς όρους.

Αυτή η διαφορά στη μετρησιμότητα μπορεί να εξηγήσει γιατί οι προϋπολογισμοί των επιχειρήσεων μεταβάλλονται. Το ενενήντα τοις εκατό των οργανισμών αναφέρουν αύξηση των επενδύσεων σε edge computing το 2025, με σχεδόν το ένα τρίτο να αυξάνει τις δαπάνες κατά περισσότερο από 25%. Αυτές οι επενδύσεις αντικατοπτρίζουν την αναγνώριση ότι η φυσική Τεχνητή Νοημοσύνη, παρά την πολυπλοκότητά της, προσφέρει σαφέστερες οδούς για ποσοτικοποιήσιμο επιχειρηματικό αντίκτυπο.

Το ανταγωνιστικό παράθυρο κλείνει

Οι οργανισμοί δεν έχουν απεριόριστο χρόνο για να προσαρμοστούν. Οι κύκλοι ανάπτυξης και εγκατάστασης της φυσικής τεχνητής νοημοσύνης μετρώνται σε χρόνια, όχι σε μήνες. Οι πρώτοι που την υιοθετούν αναπτύσσουν λειτουργικές δυνατότητες που οι ανταγωνιστές τους θα δυσκολευτούν να αναπαράγουν.

Οι επιτυχημένες εταιρείες σκέφτονται διαφορετικά. Αντί να επικεντρώνονται στην ίδια την τεχνολογία, επικεντρώνονται στο πώς αυτή αναδιαμορφώνει την ανταγωνιστική τους θέση.

Οι κατασκευαστές που χρησιμοποιούν Τεχνητή Νοημοσύνη για προγνωστική συντήρηση αποτρέπουν τον δαπανηρό χρόνο διακοπής λειτουργίας. Οι λιανοπωλητές που χρησιμοποιούν Τεχνητή Νοημοσύνη σε πραγματικό χρόνο για διαχείριση αποθεμάτων προσφέρουν στους πελάτες εμπειρίες που οι ανταγωνιστές τους δεν μπορούν να συναγωνιστούν. Τα συστήματα υγειονομικής περίθαλψης που χρησιμοποιούν τοπική Τεχνητή Νοημοσύνη για διαγνωστική υποστήριξη βελτιώνουν τα αποτελέσματα των ασθενών, προστατεύοντας παράλληλα το απόρρητο.

Αυτά τα πλεονεκτήματα επιδεινώνονται με την πάροδο του χρόνου, επειδή οι φυσικές δυνατότητες της Τεχνητής Νοημοσύνης χρειάζονται χρόνια για να αναπτυχθούν και να αναπτυχθούν αποτελεσματικά.

Τι σημαίνει αυτό για τους επιχειρηματικούς ηγέτες

Η φυσική Τεχνητή Νοημοσύνη επιτυγχάνει εκεί που η ψηφιακή Τεχνητή Νοημοσύνη συχνά αποτυγχάνει: προσφέρει μετρήσιμα επιχειρηματικά αποτελέσματα σε πραγματικά περιβάλλοντα. Η τεχνολογία απαιτεί συστήματα που λειτουργούν κάθε φορά, σε κάθε συνθήκη, με μετρήσιμο επιχειρηματικό αντίκτυπο. Αυτό είναι θεμελιωδώς διαφορετικό από την ψηφιακή Τεχνητή Νοημοσύνη.

Οι οργανισμοί που αναγνωρίζουν αυτήν την αλλαγή και προσαρμόζουν τις στρατηγικές τους τώρα θα ηγηθούν της επόμενης εποχής ανάπτυξης της Τεχνητής Νοημοσύνης. Όσοι προσπαθούν να επιβάλουν τα ψηφιακά εγχειρίδια Τεχνητής Νοημοσύνης στις φυσικές προκλήσεις της Τεχνητής Νοημοσύνης θα μείνουν πίσω όταν αυτό γίνει συνήθης πρακτική.

Η φυσική τεχνητή νοημοσύνη θα μεταμορφώσει τις επιχειρηματικές δραστηριότητες. Το μόνο πραγματικό ερώτημα είναι αν ο οργανισμός σας ηγηθεί αυτής της αλλαγής ή αν θα σπεύσει να καλύψει τη διαφορά.

Αυτό αντιπροσωπεύει μια διαρθρωτική αλλαγή στον τρόπο με τον οποίο αναπτύσσεται η νοημοσύνη στον πραγματικό κόσμο. Οι εταιρείες που την αναγνωρίζουν έγκαιρα και σχεδιάζουν ανάλογα θα καθορίσουν την επόμενη δεκαετία επιχειρηματικού πλεονεκτήματος.