Tilfelle for desentralisering av din AI-teknologi

Så mye av samtalen om AI-utvikling har blitt dominert av en fremtidsrettet og filosofisk debatt – bør vi nærme oss generell kunstig intelligens, der AI blir avansert nok til å utføre alle oppgaver som en menneske kunne? Er det overhode mulig?

Mens akselerasjon versus deselerasjon-diskusjonen er viktig og aktuell med fremgang som Q-stjernen-modellen, er det også andre aspekter som teller. Hovedsakelig, viktigheten av å desentralisere din teknologistakk, og hvordan man gjør det uten å gjøre det for dyrt. Disse to utfordringene kan føles som motstridende: bygging og deployering av modeller er usedvanlig dyrt, men å være for avhengig av én modell kan være skadelig på lengre sikt. Jeg kjenner denne utfordringen personlig som AI-gründer.

For å bygge intelligens, trenger du talent, data og skalerbar beregning. For å akselerere tid til marked og gjøre mer med mindre, vil mange bedrifter velge å bygge på eksisterende modeller, i stedet for å bygge fra grunnen av. Og tilnærmingen har mening når det du bygger er så ressurskrevende. Dette utfordringen forsterkes av at, i motsetning til programvare, de fleste gevinstene hittil i AI har blitt gjort ved å legge til mer skala, som krever mer beregningskraft og derfor kostnad.

Men hva skjer når selskapet du har bygget din løsning i opplever en styrefeil eller et produktavbrudd? Fra et praktisk ståsted, å være avhengig av én modell for å bygge din produkt betyr at du nå er en del av en negativ effekt for alt som skjer.

Vi må også huske på risikoen ved å arbeide med systemer som er probabilistiske. Vi er ikke vant til dette, og verden vi lever i så langt har blitt designet og bygget for å fungere med et bestemt svar. Modeller er flytende når det gjelder utgang, og bedrifter justerer modellene konstant, noe som betyr at koden du har skrevet for å støtte disse og resultater dine kunder er avhengige av, kan endre seg uten din kunnskap eller kontroll.

Sentralisering skaper også sikkerhetsproblemer fordi den introduserer et enkelt feilpunkt. Hvert selskap arbeider i sitt eget beste interesse. Hvis det er en sikkerhets- eller risikoproblem med en modell, har du mye mindre kontroll over å fikse problemet eller mindre tilgang til alternativer.

Hvor lar det oss?

AI er uten tvil gående til å forbedre hvordan vi lever. Det er så mye det er i stand til å oppnå og fikse, fra hvordan vi samler informasjon til hvordan vi forstår store mengder data. Men med denne muligheten kommer også risiko. Hvis vi er for avhengige av én modell, åpner alle bedrifter seg opp for både sikkerhets- og produktutfordringer.

For å fikse dette, må vi bringe ned slutningskostnadene og gjøre det enklere for bedrifter å ha en tilnærming med flere modeller. Og selvfølgelig, alt kommer tilbake til data. Data og eierskap til data vil være viktig. Jo mer unik, høykvalitets- og tilgjengelig dataen er, jo mer nyttig vil den være.

For mange problemer kan du optimere modeller for en bestemt anvendelse. Den siste milen av AI er bedrifter som bygger rutinglogikk, vurderinger og orkestreringslag på toppen av disse forskjellige modellene, spesialisere dem for forskjellige vertikaler.

Det har vært flere betydelige investeringer i dette området som bringer oss nærmere dette målet. Mistals nylige (og imponerende) finansieringsrunde er en lovende utvikling mot en alternativ OpenAI. Det er også bedrifter som hjelper andre AI-tilbydere å gjøre cross-modell multiplexing til virkelighet og redusere slutningskostnader via spesialisert maskinvare, programvare og modellfordampning, som noen eksempler.

Vi vil også se åpen kildekode ta av, og myndighetene må aktivt støtte åpen kildekode for å forbli åpen. Med åpen kildekode-modeller er det enklere å ha mer kontroll. Imidlertid er det fortsatt noen ytelsesgap.

Jeg antar at vi vil ende opp i en verden der du vil ha junior-modeller som er optimert for å utføre mindre komplekse oppgaver i skala, mens større superintelligente modeller vil fungere som orakler for oppdateringer og vil stadig bruke mer beregningskraft på å løse mer komplekse problemer. Du vil ikke trenger en trillion-parameterversjon til å svare på en kundeserviceforespørsel. Jeg likner det med å ikke ha en senior eksekutiv som håndterer en oppgave som en intern kan håndtere. Liksom vi har flere roller for menneskelige motparter, vil de fleste bedrifter også avhenge av en samling av modeller med forskjellige kompleksitetsnivåer.

For å oppnå denne balansen, trenger du en tydelig oppgaveoppdeling og benchmarking, med tanke på tid, beregningskompleksitet, kostnad og nødvendig skala. Avhengig av anvendelsen, kan du prioritere etter behov. Bestemm en grunnssannhet, en ideell utfall for sammenligning, og et eksempel på inndata og utdata, så du kan kjøre forskjellige forespørsler for å optimere og få det nærmeste utfallet til grunnssannheten.

Hvis AI-selskaper kan suksessfullt desentralisere sin teknologistakk og bygge på flere modeller, kan vi forbedre sikkerheten og påliteligheten til disse verktøyene og dermed maksimere den positive effekten av AI. Vi er ikke lenger på et sted for teoretiske debatter – det er tid til å fokusere på hvordan vi kan bruke AI til å gjøre disse teknologiene mer effektive og resilient.