Przypadek dla decentralizacji Twojego stosu technologicznego AI

Tyle dyskusji na temat rozwoju sztucznej inteligencji stało się dominowane przez futurystyczną i filozoficzną debatę – czy powinniśmy podejść do ogólnej sztucznej inteligencji, gdzie sztuczna inteligencja stanie się wystarczająco zaawansowana, aby wykonywać każde zadanie w sposób ludzki? Czy jest to w ogóle możliwe?

Podczas gdy dyskusja na temat przyspieszenia versus spowolnienia jest ważna i terminowa z postępami takimi jak model Q-star, inne aspekty również mają znaczenie. Głównie, ważność decentralizacji Twojego stosu technologicznego i jak to zrobić bez ponoszenia zbyt dużych kosztów. Te dwa wyzwania mogą się wydawać sprzeczne: budowanie i wdrażanie modeli jest niezwykle kosztowne, ale zbyt duże uzależnienie od jednego modelu może być szkodliwe w długiej perspektywie. Znam to wyzwanie osobiście jako założyciel sztucznej inteligencji.

Aby zbudować inteligencję, potrzebujesz talentu, danych i skalowalnego obliczania. Aby przyspieszyć czas wprowadzenia na rynek i zrobić więcej z mniej, wiele firm wybierze budowanie na podstawie istniejących modeli, zamiast budowania od podstaw. I ten podejście ma sens, gdy to, co budujesz, jest tak zasobo-żerne. Wzmacniając to wyzwanie, większość zysków w sztucznej inteligencji została uzyskana przez dodanie większej skali, co wymaga większej mocy obliczeniowej i dlatego kosztu.

Ale co się dzieje, gdy firma, w której zbudowałeś swoje rozwiązanie, doświadcza awarii lub przerwy w dostawie? Z praktycznego punktu widzenia, poleganie na jednym modelu do budowy swojego produktu oznacza, że jesteś teraz częścią negatywnego efektu falowego dla wszystkiego, co się dzieje.

Musimy również pamiętać o ryzykach związanych z pracą z systemami, które są probabilistyczne. Nie jesteśmy przyzwyczajeni do tego, a świat, w którym żyjemy, został zaprojektowany, aby funkcjonować z ostateczną odpowiedzią. Modele są płynne pod względem wyjścia, a firmy ciągle modyfikują modele, co oznacza, że kod, który napisałeś, aby obsłużyć te modele i wyniki, na które Twoi klienci polegają, mogą ulec zmianie bez Twojej wiedzy lub kontroli.

Centralizacja również powoduje problemy bezpieczeństwa, ponieważ wprowadza pojedynczy punkt awarii. Każda firma działa w najlepszym interesie samej siebie. Jeśli istnieje problem bezpieczeństwa lub ryzyka związany z modelem, masz znacznie mniej kontroli nad naprawieniem tego problemu lub mniej dostępu do alternatyw.

Gdzie to nas pozostawia?

Sztuczna inteligencja zdecydowanie poprawi sposób, w jaki żyjemy. Jest tak wiele, co może osiągnąć i naprawić, od tego, jak zbieramy informacje, do tego, jak rozumiemy ogromne ilości danych. Ale z tą możliwością również przychodzi ryzyko. Jeśli zbyt mocno polegamy na jednym modelu, wszystkie firmy narażają się na problemy bezpieczeństwa i produkcyjne.

Aby to naprawić, musimy obniżyć koszty wnioskowania i uczynić łatwiejszym dla firm posiadanie podejścia wielomodelowego. I oczywiście, wszystko sprowadza się do danych. Własność danych i dostęp do nich będą miały znaczenie. Im bardziej unikalne, wysokiej jakości i dostępne dane, tym bardziej będą użyteczne.

Dla wielu problemów można zoptymalizować modele dla konkretnych aplikacji. Ostatni kilometr sztucznej inteligencji to firmy budujące logikę trasowania, oceny i warstwy orkiestracji na podstawie tych różnych modeli, specjalizując je dla różnych branż.

Były już znaczne inwestycje w tym obszarze, które przybliżają nas do tego celu. Ostatnia (i imponująca) runda finansowania Mistal to obiecujący rozwój w kierunku alternatywy dla OpenAI. Są również firmy, które pomagają innym dostawcom sztucznej inteligencji, aby uczynić multiplexing między modelami rzeczywistością i zmniejszyć koszty wnioskowania za pomocą specjalistycznego sprzętu, oprogramowania i destylacji modeli, jako kilka przykładów.

Będziemy również świadkami rozwoju oprogramowania open-source, a organy rządowe muszą umożliwić oprogramowaniu open-source pozostanie otwartym. Z modelem open-source jest łatwiej mieć więcej kontroli. Jednak różnice w wydajności wciąż istnieją.

Przypuszczam, że skończymy w świecie, w którym będziesz miał młodsze modele zoptymalizowane do wykonywania mniej złożonych zadań na dużą skalę, podczas gdy większe super-inteligentne modele będą działać jako oracle dla aktualizacji i będą coraz więcej wydawać na rozwiązywanie bardziej złożonych problemów. Nie będziesz potrzebować modelu z trylionem parametrów, aby odpowiedzieć na prośbę o obsługę klienta. Porównuję to do niepowierzania zadania, które może wykonać stażysta, seniorowi menedżerowi. Podobnie jak mamy wiele ról dla ludzkich odpowiedników, większość firm również będzie polegać na kolekcji modeli o różnym poziomie zaawansowania.

Aby osiągnąć ten balans, potrzebujesz jasnego podziału zadań i benchmarkingu, biorąc pod uwagę czas, złożoność obliczeniową, koszt i wymagany zakres. W zależności od przypadku użycia, możesz priorytetować odpowiednio. Określ prawdę, idealny wynik porównawczy, przykładowe dane wejściowe i wyjściowe, abyś mógł uruchomić różne polecenia, aby zoptymalizować i uzyskać najbliższy wynik do prawdy.

Jeśli firmy sztucznej inteligencji mogą z powodzeniem decentralizować swój stos technologiczny i budować na podstawie wielu modeli, możemy poprawić bezpieczeństwo i niezawodność tych narzędzi i tym samym maksymalizować pozytywny wpływ sztucznej inteligencji. Nie jesteśmy już w miejscu dla teoretycznych debat – czas się skoncentrować na tym, jak wykorzystać sztuczną inteligencję, aby uczynić te technologie bardziej skuteczne i odporne.