ディープシークのR1：有用なリマインダー

大学の教育者であり、かつてIT業界のベテランである私は、中国のディープシークR1モデルに関するヒップが3つのことを思い出させる有用なリマインダーであると考えます。

最初のものは、ジェネレーティブAIが、膨大な量のコンテンツを処理してプロンプトに応じた回答を生成するだけでなく、認知的推論（R1の「R」）についても扱っていることです。

大規模言語モデル(LLM)の約束は、巨大な知識の取得と認知的処理能力 – かつては超コンピュータを持つ天才の専門家の独占的な領域であったもの – が、ほぼ誰でも利用できるようになったことです。新しい効率性向上技術の進歩により、複数の知的エージェントが複雑なタスクを自律的に実行できるほど小さなモデルが存在し、従来のラップトップで実行可能です。

2番目に、ジェネレーティブAIの革命は、最も強力なハードウェア、トレーニングデータセットのサイズ、またはモデルのパラメータの数の競争ではなく、革新と創造性についてです。この技術の採用は、巨大なエネルギーを消費するスーパーコンピュータで多億ドル相当のモデルをトレーニングする大手テクノロジー企業によって決定されるのではなく、人間の資本への投資を行う国や組織によって決定されます。

3番目に、アメリカは経済と社会に訪れる劇的な変化に対して十分に準備ができていないようです。2つの例を挙げます：高等教育と企業アメリカ。

Higher-Ed

ほとんどの高等教育機関では、学部生の最初の大きな決断は、より幅広く、より学際的な教育に関連する学芸学士（BA）学位を追求するか、より専門的な分野でのスキルと実践的な経験の開発に関連する理学士（BS）学位を追求するかです。

AIの時代に、この二分法は旧来のものです。職場では、両方の学問分野が不可欠になっています。

事実は、ほとんどの1年生は、さまざまな種類の仕事で働くことや、自分の能力、才能、スキル、適性の相対的な強みと弱みについて十分な知識や洞察を持っていないということです。しかしながら、ほとんどの1年生は、専攻を宣言することが求められます。これは、幸運な少数派が（良い面や悪い面で）どの分野を追求したいのか（少なくとも自分でそう思っている）ことを知っている人にとっては、簡単な決断になるでしょう：エンジニアリング、科学、医学、法律など。

私たちは、より広範で、学際的なアプローチが必要です。大学の卒業生の最初のフルタイムの仕事は、取得した学位や専攻に関係なく、生涯にわたる継続的な学習の旅の最初の段階であることを認識する必要があります。

また、教育者として、私たちは、AIによる盗作を処理するための新しい戦略を開発し、チャットボットが知的ショートカットまたは「認知的外部化」 – 外部ツールに頼る傾向 – になる危険を回避する必要があります。

知識と理解が分離された時代に、AIに即時的な答えや解決策を求める誘惑は強いです。

Corporate IT

ほとんどの企業も、これらの新しいテクノロジーの組織的な意味を理解していません。

現在のITの役割や構造は、前回のデジタル革命の組織的な要件を反映しています。人間がコンピュータを使用して操作するために必要な専門的な知識から生まれたものです：プログラミング、データエンジニアリング、コンピュータアーキテクチャ、ネットワーク管理、情報セキュリティなど。

一方、ジェネレーティブAI（およびそれ以前の自然言語処理の分野）は、コンピュータが人間と対話するように設計およびトレーニングすることについてです。

結果として、一般的な従業員は、これらのテクノロジーを使用するための優れた（そして時には危険な）方法を発明しています。組織は、生産性の利点を最大化し、リスクを最小限に抑えるために機能するポリシー、手順、コントロールを策定するのに苦労しています。

重要な問題は、ほとんどの企業で、データサイエンスの専門知識がIT部門に集中しており、IT部門は、組織から機能的に分離された、独自の言語と慣行を持つ秘密のギルドとして運営しているということです。私は、生産性革命には、データの専門知識が専門的な機能に隔離されていない、新しいタイプの組織的な役割と構造が必要であると考えています。

また、データの課題もあります。ほとんどの組織では、AIの採用は、特定のユースケースを実行するために、特有のデータを使用してLLMをカスタマイズすることです。ビジネスユニットのデータを使用するユーザーは、完全に正確で、クリーンで、管理されたデータを望みますが、ITのデータ所有者は、データのこのレベルの品質と透明性を確保するための予算、財務的インセンティブ、または組織的権限を持っていません。

結果として、内部のデータセットは、エンタープライズ全体で十分に管理されていません。通常、異なるタイプのデータは異なる場所に保存されます。ITは、ビジネスユーザーの要求に応じて、データの異なるビューを提供し、データの複製（および複製の複製）を作成し、さまざまな理由でデータの露出と抽象化を作成します… その時点で、誰もが、どのバージョンが古い、不完全、重複、不正確、またはどのコンテキストであるかを知ることができません。

結論

ジェネレーティブAIは、すべての知識作業を変革する可能性があります。根本的に、このテクノロジーは、専門家を仲介すること（良い面も悪い面もあります） – コーダー、ビデオグラファー、イラストレーター、ライター、エディター、そしてほぼすべての種類の知識労働者または「専門家」を排除することです。人間は、自分の認知的処理能力と推論能力に匹敵するテクノロジーに出会ったことがありません – ただし、物理的な強さ、持久力、精密性、そして膨大な量のデータを処理する能力のみです。

この新しい生産性革命には、新しいスキルセット、能力、組織構造が必要です。ここで、データの専門知識は、ほぼすべてのビジネスプロセスに不可欠です。

皮肉なことに、機械がより高度な分析能力を獲得するにつれて、組織内の階層における従業員の地位と価値は、専門的な知識、経験、資格ではなく、創造性、多様なスキル、人間関係のスキルによって決まるようになるかもしれません。

これらの能力を開発し、投資する時期は今です。