Val Bercovici, WEKA:n AI-johtaja – Haastattelusarja

Val Bercovici, WEKA:n AI-johtaja, on tekoäly‑ ja data‑infrastruktuuri‑johtaja, joka keskittyy edistämään seuraavan sukupolven tekoälyä tukevia teknologioita. Liityttyään WEKA:an AI‑johtajana tammikuussa 2025, hän on panostanut AI‑agenttien infrastruktuurin rakentamiseen, koulutus‑ ja inferenssityökuormien nopeuttamiseen sekä AI‑laskennan taloudellisuuden parantamiseen. WEKA‑roolinsa ohella Bercovici toimii AI‑neuvonantajana Home Dockille, strategisena neuvonantajana FermiHDI:lle ja The Hive:lle sekä PencilDATAn puheenjohtajana, missä hänen työnsä kattaa tekoälyn, kyberturvallisuuden, lohkoketjut, pilvipalvelut ja data‑infrastruktuurin. Hänen uransa heijastaa pitkäaikaista keskittymistä kehittyviin teknologioihin, jotka on suunniteltu tukemaan yhä data‑intensiivisempiä AI‑järjestelmiä.

WEKA on AI‑natiivi data‑infrastruktuuriyritys, joka rakentaa ohjelmistopohjaista alustaa suunniteltuna tekoälyn, koneoppimisen, suorituskykyisen laskennan ja muiden kiihtyvien työkuormien vaativiin data‑tarpeisiin. WEKA Data Platform tarjoaa organisaatioille yhtenäisen arkkitehtuurin, joka voi toimia paikallisissa, pilvi‑, hybridi‑ ja reunaympäristöissä, auttaen poistamaan tallennuspulmia, parantamaan GPU‑hyödyntämistä ja nopeuttamaan AI‑mallien koulutusta ja inferenssiä. Yritys asettaa yhä enemmän teknologiansa nousevan inferenssieconomyn ja agenttipohjaisen AI:n ympärille, ja sen infrastruktuuri on suunniteltu tarjoamaan suuritehoista, matalan viiveen data‑pääsyä massiivisessa mittakaavassa samalla kun se yksinkertaistaa monimutkaisia AI‑dataputkia. WEKA palvelee yrityksiä, pilvipalveluntarjoajia, tutkimusorganisaatioita ja AI‑kehittäjiä, jotka toimivat maailman suorituskykyisimmissä laskenta‑ympäristöissä.

Uraasi on vienyt sinut NetAppin varhaisen pilviasetelman muokkaamisesta ja Kubernetesin perustavan hallintoneuvoston jäsenyydestä WEKA:n AI‑infrastruktuurin rakentamiseen. Miten tämä kehitys on muokannut ajattelutapaasi infrastruktuurin valmistelussa seuraavaa AI‑vaihetta varten?

Jokainen urani kausi on määrittynyt samalla kaavalla: pullonkaula siirtyy, ja teollisuus huomaa sen vasta vuosien kuluttua. Varhaisissa pilvi‑ ja Kubernetes‑aikoina havaitsimme, että laskenta tuli elastiseksi ja orkestrointi nousi uudeksi pullonkaulaksi. Poistuessani NetAppista, jossa toimin CTO:nä SolidFire‑hankinnan jälkeen, luulin tietäväni, miltä nopeus näyttää: matalat millisekunnit todellisen satunnaisen ensimmäisen tavun lukemisessa tuotantokuormien alla.

Syynä siihen, että liityin WEKA:an, on puhtaasti geek‑syistä. Yksi mittari oli: ensimmäinen välimuistiton satunnainen tavun luku on 70 microseconds, mikä ei ole tallennusluokan luku. En ollut koskaan ajatellut mikrosekuntitasoista viivettä tältä järjestelmäluokalta. Se oli kuin valopilkku: tämä teknologia voisi palvella muistisovelluksia, DRAM‑luokan sovelluksia kuten Redis ja KV‑välimuistia, ei pelkästään tallennusta. Ja juuri kun se tapahtui, inferenssi alkoi syrjäyttää koulutuksen, koska teollisuuden täytyi kaupallistaa nämä mallit, ja agentit saapuivat tekemään muistista koko pelin.

Tämä on se näkökulma, jonka tuon AI‑infrastruktuuriin. Olemme nähneet tämän elokuvan aiemmin. Cloud‑FinOps nousi esiin, koska yritykset käynnistivät infrastruktuuria ilman yksikkötalouden tarkkuutta, ja sitten saivat laskun. AI on samalla käyrällä, mutta liikkuu nopeammin.   Yritykset työntyvät väistämättä takaisin token‑maksimoinnin rajoituksiin API‑kulutuslaskujen myötä, jotka ylittävät suunnitellut token‑budjetit, ja näemme AI‑FinOpsin nousun. Tämä on se hetki, jolloin organisaatiot lakkaavat pitämästä inferenssiä halpana hyödykkeenä ja alkavat hallita token‑tehokkuutta taloudellisena kurssina. AI‑FinOps alkaa tokenomiikasta: jokaisen inferenssikerran laitteisto‑ ja ohjelmistokerroksen optimoinnista, joka vaikuttaa token‑kohtaisen kustannuksen yksikköhintaan. Tällä hetkellä suurin hukka tässä pinossa on kalliit GPU:t ja uudet ASIC:t, jotka odottavat muistia ja dataa (ns. ‘decode’) sen sijaan, että ne tekisivät FLOPS‑laskentaa (ns. ‘prefill’). Kuka tahansa, joka korjaa tämän, omistaa seuraavan AI‑vaiheen.

White House pitää uuden AI‑turvallisuuskehyksensä yksityiskohdat salassa. Kuinka yritykset voivat valmistautua sääntelyvaatimuksiin, kun ne eivät vielä tiedä tarkalleen, mitä tullaan testaamaan tai vaatimaan?

Yritysten ei tulisi odottaa lopullista tarkistuslistaa. Tarkat testit muuttuvat, mutta niiden alla oleva velvoite pysyy samana: sinun täytyy osoittaa, mitä AI‑mallisi teki, mitä dataa se käsitteli ja miten se käyttäytyi tiettynä ajankohtana. Ja odottaminen ei ole jo globaaleissa olosuhteissa vaihtoehto. EU:n AI‑asetus tuli täytäntöön tässä kuussa, ja se luokittelee suurimman osan agenttien orkestroinnista korkean riskin.

Tämä tarkoittaa, että valmistelutyö on infrastruktuurityötä. Data‑linjaus, havaittavuus, toistettavuus ja kyky rekonstruoida mallin tila pyynnöstä ovat kaikki kriittisiä, jotta yritykset saavat ne oikein. Lopuksi organisaatioiden täytyy toteuttaa suojamallit ennen tuloksia, liitettynä viive‑ ja token‑budjetteihin semanttisten puolustuskerrosten osalta. Jos rakennat nämä kyvyt nyt, mikä tahansa kehys muuttuu muotoiluharjoitukseksi. Jos odotat lopullisia sääntöjä, joudut jälkiasentamaan vastuullisuuden järjestelmiin, joita ei koskaan suunniteltu selittämään itseään. Tämä jälkiasennus on aina kalliimpaa kuin sen sisällyttäminen alusta alkaen.

Lopulta turvallisen AI:n rakentamisen ratkaisu on enemmän AI:ta, sovellettuna optimaalisesti ja erittäin tarkoituksellisesti.

Millaisia uusia infrastruktuurivaatimuksia AI‑turvallisuustestaus voisi luoda, ja miten nämä työkuormat eroavat perinteisestä mallikoulutuksesta tai inferenssistä?

Koulutus on kuin vesiputous. Työnnät valtavia datamääriä mallin läpi tasaisessa, ennustettavassa mallissa. Turvallisuustestaus on päinvastaista: tuhansia arviointiskenaarioita, toistuvaa porautumista, versio‑kerran‑versio‑vertailua ja vastustavaa red‑team‑testausta, joka ei koskaan lopu.

Tämä profiili on merkittävä. Turvallisuuskoulutus ja -testaus on räjähdysherkkää, luku‑intensiivistä ja vertailullista. Se tuottaa ja kuluttaa valtavia määriä väli­tilan tilaa. Suojamallien on oltava luontaisesti heterogeenisia ja kerrostettuja, toteutettu tiukoissa viive‑budjeteissa, vahvistaen arviointeja tällä uudella turvallisuuskriteerien ulottuvuudella. Tällaisille edistyneille tai kybertaitaville malleille työkuorma on 24/7 jatkuva eikä episodinen. Et ainoastaan suorita testiä kerran ja tallenna tulokset. Suoritat jatkuvia agentti‑parvi‑työkuormia, jotka kilpailevat tuotannossa laskennan, muistin ja datakaistan kanssa suojattavien sovellusten puolesta. Laadun ja nopeuden jälkeen suurin osa nykyisestä infrastruktuurista ei ole suunniteltu tätä kolmatta periaatetta varten.

Tässä on myös mittausongelma. Useimmat AI‑vertailut tänään suorittavat 8 000 tokenia tai vähemmän, yksi kehotus, yksi vastaus. Vitsaan, että ne ovat tekoälyn keinotekoisia vertailuja. Kesken vuonna 2026 todelliset agentti‑työkuormat suorittavat 100 000–400 000 tokenin kontekstia tuhansissa vuoroissa. Jos turvallisuusarvioinnit perivät nämä leikkimieliset vertailut, sertifioimme järjestelmiä maailmalle, jota ei ole olemassa. Sääntelijät rakentavat jo parempaa osaamista tässä: NIST on avannut lähdekoodiksi agenttiturvallisuuden arviointityökalut, ja varhaiset julkaistut tulokset osoittavat uusia agenttihyökkäyksiä, jotka onnistuvat moninkertaisesti tunnettuja peruslinjoja verrattuna. Tämä on juuri se jatkuva, vastustava, kallis testaus, jonka odotan turvallisuuskehysten keskittyvän.

Pitäisikö organisaatioiden rakentaa ylimääräistä laskentaa ja datakapasiteettia erityisesti tulevia noudattamis‑ ja turvallisuustyökuormia varten, vai onko olemassa tehokkaampi tapa suunnitella tätä epävarmuutta?

Ylimääräisten GPU‑jen ostaminen ja toivo, että käyttöaste nousee, jättää pääoman roikkumaan vanhenevaan laitteistoon.

Tehokas vastaus on infrastruktuuri, joka joustaa tuotanto‑ ja arviointityökuormien välillä ilman erillistä pinoa. Tämä on pohjimmiltaan dataprobleema. Jos voit siirtää ja käyttää dataa tehokkaasti uudelleen, säilyttää kontekstin työkuormien välillä ja pitää kiihdyttimet varattuina todelliseen työhön, noudattaminen muuttuu lisäkustannukseksi eikä rinnakkaiseksi rakenteluksi. AI‑talouslaskelmat perustuvat yhä enemmän siihen, kuinka paljon arvoa saat jokaisesta tokenista, tavusta ja wattista. Jos onnistut, voit tuottaa 3–4‑kerran enemmän arvoa samasta infrastruktuurista tai pienentää rakenteiden tilaa jopa 75 %. Noudattamisen tulisi noudattaa samaa standardia.

Nykyinen kehys keskittyy ilmeisesti kehittyneisiin suljettuihin malleihin samalla kun avoimia malleja (open-weight) jätetään pois. Millaisia infrastruktuuri‑ tai turvallisuushaasteita voi syntyä, jos näitä kahta kategoriaa käsitellään eri tavoin?

Jos suljettuja malleja ja avoimia malleja (open‑weight) käsitellään eri tavalla, syntyy kaksi noudattamiskehyksiä teknologioille, jotka tekevät samoja asioita, ja niiden välinen kuilu on riskin paikka.

Avoin malli voidaan hienosäätää ja ottaa käyttöön ympäristöissä, joissa alkuperäisellä tarjoajalla ei ole näkyvyyttä. Tarjoajan sääntely ei vaikuta siellä. Jakautuminen on jo näkyvissä: vientirajoitukset kohdistuivat tämän vuoden uusimpiin suljettuihin frontier‑malleihin, kun taas avoimet mallit kulkevat vapaasti rajoja yli ja sijoittuvat nyt julkisten kyvykkyyslistojen kärkeen. Hallinto kuitenkin määrittelee frontier‑mallit, eikä hallinto voi pysähtyä malliin itseensä. Tarvitset näkyvyyden siihen, missä mallit ajetaan, mitä dataa ne käyttävät, mitä kehotuksia, vastauksia ja metatietoja säilytetään, miten niitä on muokattu, ja voiko alapuolinen infrastruktuuri todella tukea hallittua AI:ta mittakaavassa. Uusia ISO27001‑ ja SOC2‑päivityksiä tullaan vaatimaan.

Vastaukseni on luota, mutta varmista. Jos infrastruktuurisi antaa sinulle token‑kapasiteetin, voit ajaa heterogeenisia suojauksia minkä tahansa mallin yli ennen kuin sen tulos lähetetään: kotimainen tai ulkomainen, avoin tai suljettu. Objektiviinen vahvistus voittaa yleisen luottamuksen tai epäluottamuksen, joka perustuu mallin alkuperään. Kun avoimet mallit yleistyvät, tämä vahvistuskyky elää infrastruktuurikerroksessa, ja siellä yritykset erottuvat. Politiikka voi päättää, mitkä mallit ovat sallittuja. Infrastruktuuri päättää, voidaanko nämä mallit ottaa käyttöön vastuullisesti ja taloudellisesti.

Kun AI‑agentit tulevat autonomisemmiksi ja toimivat pidemmillä konteksteilla, miten se vaikuttaa organisaatioiden tarvitsemaan data‑, muisti‑ ja laskentakapasiteettiin valvonnassa ja turvallisuudessa?

Chatbot on kehotus ja vastaus. Autonominen agentti on käynnissä oleva prosessi. Se koskettaa kymmeniä järjestelmiä, hakee tietoa, tekee välipäätöksiä ja kerää tilaa tunteja tai päiviä ennen kuin se suorittaa tehtävän.

Et voi valvoa sitä yksittäisiä token‑ tai vastaus‑näytteitä keräämällä. Sinun on tallennettava koko sekvenssi: mitä agentti tiesi, milloin se tiesi sen ja mitä se teki seuraavaksi. Joka tunti agentin suorittaessa sen tila kasvaa, samoin muisti, datan liikkuminen ja infrastruktuuri, joka tarvitaan sen tallentamiseen ja analysointiin. Valvonta ei ole enää pelkkä lokitustoiminto, vaan siitä tulee ensisijainen työkuorma omalla resurssibudjetillaan.

Puolustus on se, missä tämä käy kiireelliseksi. AI:n muisti‑ongelma muuttuu turvallisuusongelmaksi. Koodausagentti voi käynnistyä, lähettää ja sammuttaa. Kyberturvallisuusagentti ei voi. Sen on pidettävä konteksti yllä päivittäisten vuorojen aikana turvallisuusoperaatiokeskuksessa, usein päivittyvien mallien ja monivaiheisten hyökkäysskenaarioiden aikana, jotka aikoinaan venyivät viikkoihin, mutta toimivat nykyään koordinoiduilla koneen nopeuksilla. Kun AI‑työmuisti evakuoidaan ja lasketaan uudelleen alusta muutaman minuutin välein, agentti, joka havaitsi poikkeavan käyttäytymisen ensimmäisen tunnin aikana, ei muista sitä toisella tunnilla. Hyökkääjillä ei ole tätä ongelmaa. Niiden agentit tunnistavat ja seuraavat heikkouksia jatkuvasti, ja hyökkäysketjut päättyvät nyt tokenomiikka‑optimoituina koneen nopeuksina, joten AI‑pohjaisen kyberturvallisuuden on toimittava autonomisesti ympäri vuorokauden. Tämä ei ole teoreettista. Kyberturvallisuusyritykset valmistautuvat juuri nyt 24/7‑pysyviin kyber‑agenteihin, ja ensimmäinen asia, jonka ne havaitsevat, on se, että talousmalli poikkeaa täysin chat‑työkuormista. Jotkut organisaatiot tarvitsevat nämä agentit reunalla, laitoksissa, joissa et voi lähettää GPU‑rakennetta tai jopa jäähdyttävää laitetta tänä vuonna. Todellinen koe yritys‑AI:lle on jatkuva kontekstin säilytys, ei piste‑aikainen inferenssi. Tämä muuttuu token‑kulutuksen taisteluksi, ja kuka ratkaisee pysyvän kontekstimuistin mittakaavassa, hallitsee ensimmäistä vaakasuoraa tappajasovellusta yritys‑AI:ssa: aina‑päällä olevat siniset agenttiparvet.

Olet puhunut “kontekstimuistin” kasvavasta merkityksestä, kun AI‑työkuormat siirtyvät yksinkertaisesta chatista pysyviin agenteihin. Voisiko kontekstimuisti myös nousta tärkeäksi AI‑käyttäytymisen auditoinnissa, toistettavuudessa tai tutkimisessa?

Ehdottomasti, ja se on tärkeä käyttötapaus. Vuosien ajan muisti oli suorituskykykysymys: kuinka nopeasti voit syöttää GPU:n, kuinka paljon kontekstia voit pitää. Kun agentit alkavat toimia autonomisesti, sama muisti muuttuu todisteeksi. Jos agentti tekee päätöksen kontekstin perusteella, jonka se on kerännyt päivien aikana, lopullinen kehotus ja tulos kertovat lähes mitään siitä, miksi se toimi. Selitys piilee kerätyssä tilassa.

Teknisesti suurin osa siitä tilasta sijaitsee KV‑välimuistissa, ja alaala edelleen käsittelee sitä heittolaatikkona eikä kestävässä datana. Jos säilytät sen tilan ja voit hakea sen tehokkaasti, voit rekonstruoida, mitä järjestelmä tiesi sillä hetkellä, kun se toimi. Tiimit käyttävät sitä aluksi vianmääritykseen, sitten turvallisuusarviointeihin, ja lopulta joku tarvitsee sen tutkimuksessa. Kontekstimuistin heittäminen pois on kuin heittäisi pois ainoan tallenteen, joka selittää, miksi AI teki mitä se teki.

Voisiko AI‑sääntely lopulta pakottaa yritykset säilyttämään merkittävästi enemmän tietoa mallien syötteistä, tuloksista, tarkistuspisteistä, datalinjauksesta ja agenttitoiminnasta? Mitä se merkitsisi AI‑infrastruktuuriarkkitehtuurille?

Suunnannaltaan kyllä. Kun AI‑järjestelmät muuttuvat merkittävämmiksi, näkyvyysvaatimukset laajenevat kattamaan koko putken jokaisen vaiheen. Jo nyt näet varhaiset signaalit: tiimit suunnittelevat vanhan kontekstimuistin säilyttämistä edullisemmissa objektitallennustasoissa pelkästään auditointitarkoituksiin, ennen kuin sääntely vaatii sitä.

Valvonnan todennus muuttumattomuudella on olennaista. Lokien ja muiden forensiikkatiedostojen manipulointi haitallisten agenttien toimesta on tullut rutiinikäytännöksi, mikä edellyttää monimutkaisia kryptografisia vahvistusjärjestelmiä, jotka eivät ole alttiita keskitetylle hyökkäyspisteelle. Yksinkertaiset läpinäkyvyyslokit tai hash‑ketjut eivät riitä puolustamaan koordinoitujen agenttiparvien yhteistoimintakykyä. Erittäin hajautetut, julkiset lohkoketjuarkkitehtuurit soveltuvat tähän erinomaisesti, korostaen usein unohdettua eheyden arvoa kyberturvallisuuden C‑I‑A‑kolmiossa.

Säilytys ei ole pelkästään pelottava, muuttumaton tallennusongelma mittakaavassa. Vaikeinta on pitää tieto luotettavana, järjestettynä, indeksoituna ja nopeasti haettavana, jotta se on hyödyllinen määräajassa, olipa se sitten sääntelijän, tapahtumavasteen tai oikeussalin asettama. Petatavua agenttitoimintaa, jota ei voida kysellä, on velka, ei tallenne. Arkkitehtuurinen siirtymä on “enemmän tallennustilaa” -mallista kohti infrastruktuuria, joka on suunniteltu objektiivisesti tarkistettavaksi, pysyväksi, kyseltäväksi AI‑dataksi keskeisenä työkuormana.

Monet organisaatiot keskittyvät enemmän GPU:iden ostamiseen, mutta missä näet vähemmän ilmeisiä infrastruktuuripullonkauloja nousevan AI‑työkuormien skaalautuessa ja turvallisuusvaatimusten tiukentuessa?

GPU saa otsikot, koska se ei ole merkityksetön budjettikohde. Mutta GPU:t ja erityisesti uudet decode‑optimoidut kiihdyttimet (ASIC+SRAM) ovat harvoin todellinen rajoite. Muistikaista, datan painovoima ja liikkuminen, tallennusnopeus ja verkko määräävät, tekevätkö kiihdyttimet tuottavaa työtä vai odottavatko ne alikäytössä.

Kun AI:n konteksti‑painotus kasvaa, muistiseinästä tulee määrittelevä rajoite. Voit jatkaa GPU:n lisäämistä, mutta jos ne käyttävät syklinsä tokenien uudelleenlaskentaan tai kontekstin siirtämiseen järjestelmien välillä, maksat hukkatyöstä toistuvasti. Muistiseinän skaalautuminen tarkoittaa, että datakerroksen on käyttäytyttävä kuin jaettu tallennus, mutta suoritettava todellisilla muistinopeuksilla. Tämä HBM‑viereinen nopeusraja on tärkeä KV‑välimuistien offloading‑ratkaisujen voitto‑keskuksen aallossa, jotka tulevat nyt: niiden on tarjottava todellista muistiluokan suorituskykyä, jotta tokenomiikka toteutuu. KV‑välimuistin säilytysarvo on kustannuskeskustelun aihe, toissijainen voitto‑keskuksen sijaan. Jos välimuistin lukeminen on hitaampaa kuin sen uudelleenlaskenta, välimuisti on arvoton liiketoimintalaskelmassa. Oleellista ei ole, kuinka monta GPU:ta omistat, vaan kuinka tuottava kukin on. AI:n talouslaskelmat perustuvat siihen, kuinka paljon arvoa saat jokaisesta tokenista, tavusta ja wattista, ja turvallisuusvaatimukset nostavat pelkkää tätä matemaattista laskentaa.

Kun katsomme tulevaisuuteen, odotatko AI‑turvallisuuden ja -noudattamisen muodostuvan omaksi infrastruktuurityökuormakseen, kuten kyberturvallisuus kehittyi omaksi yritysteknologian kerrokseksi?

Näemme, että AI‑turvallisuus ja -noudattaminen kehittyvät omaksi työkuormaksi, ja kyberturvallisuuden rinnastus toimii molempiin suuntiin. Turvallisuus nousi omaksi kerroksekseen, kun teollisuus hyväksyi, ettei se voi olla satunnainen harjoitus. Kyber‑vakuutusala teki siitä pakollisen. AI‑turvallisuus on samalla pakottavalla kurssilla, kun mallit tulevat kykenevämmiksi ja autonomisemmiksi.

Mutta meidän tulisi oppia siitä, missä turvallisuus meni pieleen. Se tuli lisäosaksi: erilliseksi pinoksi, erilliseksi budjetiksi, erilliseksi tiimiksi, joka löysi ongelmat jälkikäteen. Turvallisuus‑infrastruktuurin ei tulisi toistaa tätä virhettä. Valvonta, arviointi, auditointikyky ja muuttumattomuus kuuluvat AI‑infrastruktuurin sisälle, suunniteltuna alusta alkaen.

Tässä on se osa, jonka suurin osa ihmisistä ohittaa: turvallinen AI vaatii enemmän AI:ta. Suojamallit eivät ole ilmaisia. Niiden on oltava jatkuvasti koulutettuja, hienosäädettyjä ja inferenssissä jokaisessa agentin ajon vaiheessa. Token‑viivebudjetit konkretisoivat tämän: jokaisella vastauksella on kiinteä aikaraja, ja mitä enemmän tokeneita voit käsitellä tuossa aikarajassa, sitä enemmän vahvistusta voit suorittaa ennen kuin tulos lähtee ulos. Ja todellinen uhka frontier‑malleista on niiden agenttipohjainen sovellus. Agentit toimivat suuritehoisina inferenssikierroksina, tehden toistuvia kutsuja malleihin pitkien aikahorisonttien yli. Jokainen kierros on observe, orient, decide, act, ja jokainen vaihe polttaa tokeneita. Tämä muuttaa AI‑turvallisuuden token‑kulutuksen sodaksi. Hyökkääjät käyttävät punaisia agenttiparvia, puolustajat sinisiä agenttiparvia, ja se osapuoli, joka pystyy tuottamaan enemmän tokeneita dollaria ja wattia kohden, voittaa. Tokenomiikka on sekä hyökkäyksen että puolustuksen kriittisellä polulla. Tämä lakkasi olla ajatuskoe tänä kesänä, kun punainen agenttiparvi hyökkäsi merkittävää mallivarastoa vastaan ja pelasti teollisuuden, ja omistautunut turvallinen AI‑liitto perustettiin muutamassa päivässä. Samaan aikaan määrät kasvavat: teollisuuden token‑käsittely on siirtynyt biljoonista kvadriljooniin.

Kun turvallisuus muuttuu aina‑päällä olevaksi vaatimukseksi, sen laskenta‑, muisti‑ ja datakustannukset eivät enää ole ylimääräisiä. Ne tulevat osaksi AI:n perusyksikön talouslaskelmia. Yritykset, jotka sisäistävät tämän varhaisessa vaiheessa, käsittelevät turvallisuutta suunnittelun syötteenä. Kaikki muut näkevät sen verona.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa käydä osoitteessa WEKA.