DeepSeek: Эффективность, а не парадигмальный сдвиг в инновациях ИИ

Последняя сенсация вокруг DeepSeek, продвинутой большой языковой модели (LLM), понятна, учитывая значительные улучшения эффективности, которые она приносит в эту область. Однако некоторые реакции на ее выпуск似乎 неправильно интерпретируют масштаб ее влияния. DeepSeek представляет собой шаг вперед в ожидаемой траектории развития LLM, но она не сигнализирует о революционном сдвиге в сторону искусственного общего интеллекта (AGI), ни о внезапной трансформации центра тяжести инноваций ИИ.

РATHER, достижение DeepSeek – это естественный прогресс вдоль хорошо намеченной траектории – экспоненциального роста технологий ИИ. Это не разрушительный парадигмальный сдвиг, а мощное напоминание об ускоряющемся темпе технологических изменений.

Эффективность DeepSeek: Шаг вдоль ожидаемой траектории

Основная причина сенсации вокруг DeepSeek заключается в ее впечатляющих улучшениях эффективности. Ее инновации в основном связаны с тем, чтобы сделать LLM быстрее и дешевле, что имеет значительные последствия для экономики и доступности моделей ИИ. Однако, несмотря на ажиотаж, эти достижения не являются фундаментально новыми, а скорее усовершенствования существующих подходов.

В 1990-х годах высококачественная компьютерная графика требовала суперкомпьютеров. Сегодня смартфоны способны выполнять ту же задачу. Аналогично, распознавание лиц – когда-то нишевая, высокозатратная технология – теперь стала повсеместной, готовой функцией в смартфонах. DeepSeek вписывается в эту модель технологий: оптимизация существующих возможностей, которая обеспечивает эффективность, но не новый, революционный подход.

Для тех, кто знаком с принципами технологического роста, этот быстрый прогресс не является неожиданным. Теория технологической сингулярности, которая предполагает ускоряющийся прогресс в ключевых областях, таких как ИИ, предсказывает, что прорывы будут становиться более частыми, когда мы приближаемся к точке сингулярности. DeepSeek – это всего лишь один момент в этом непрерывном тренде, и ее роль заключается в том, чтобы сделать существующие технологии ИИ более доступными и эффективными, а не представлять собой внезапный скачок в новые возможности.

Инновации DeepSeek: Архитектурные усовершенствования, а не скачок к AGI

Основный вклад DeepSeek заключается в оптимизации эффективности больших языковых моделей, особенно за счет своей Mixture of Experts (MoE) архитектуры. MoE – это хорошо установленный метод ансамблевого обучения, который использовался в исследованиях ИИ в течение многих лет. Что DeepSeek сделала особенно хорошо, так это усовершенствовала этот метод, включив другие меры эффективности для минимизации вычислительных затрат и сделать LLM более доступными.

• Эффективность параметров: MoE-дизайн DeepSeek активирует только 37 миллиардов из 671 миллиарда параметров в любой момент времени, снижая вычислительные требования до 1/18 традиционных LLM.
• Усиление обучения для рассуждений: Модель R1 DeepSeek использует усиление обучения для улучшения цепочки рассуждений, важного аспекта языковых моделей.
• Много-токенная тренировка: Возможность DeepSeek-V3 предсказывать несколько фрагментов текста одновременно увеличивает эффективность тренировки.

Эти улучшения делают модели DeepSeek значительно дешевле в тренировке и запуске по сравнению с конкурентами, такими как OpenAI или Anthropic. Хотя это значительный шаг вперед для доступности LLM, это остается инженерным усовершенствованием, а не концептуальным прорывом в сторону AGI.

Влияние открытого ИИ

Одним из наиболее заметных решений DeepSeek было сделать свои модели открытыми – четкое отклонение от проприетарных, замкнутых подходов компаний, таких как OpenAI, Anthropic и Google. Этот открытый подход, поддерживаемый исследователями ИИ, такими как Ян Лекун из Meta, способствует более децентрализованной экосистеме ИИ, где инновации могут процветать благодаря коллективному развитию.

Экономическая логика решения DeepSeek об открытом исходном коде также ясна. Открытый ИИ – это не только философская позиция, но и бизнес-стратегия. Поставляя свою технологию в распоряжение широкого круга исследователей и разработчиков, DeepSeek позиционирует себя для получения выгоды от услуг, корпоративной интеграции и масштабируемой инфраструктуры, а не полагается исключительно на продажу проприетарных моделей. Этот подход дает глобальному сообществу ИИ доступ к конкурентным инструментам и снижает зависимость от крупных западных технологических гигантов в этой области.

Растущая роль Китая в гонке ИИ

Для многих тот факт, что прорыв DeepSeek произошел в Китае, может показаться удивительным. Однако это развитие не должно восприниматься как вызов или часть геополитической конкуренции. Наблюдая за ландшафтом ИИ в Китае в течение многих лет, ясно, что страна сделала значительные инвестиции в исследования ИИ, что привело к росту талантов и экспертизы.

Вместо того, чтобы рассматривать это развитие как вызов западному доминированию, его следует рассматривать как знак все более глобальной природы исследований ИИ. Открытое сотрудничество, а не националистическая конкуренция, является наиболее перспективным путем к ответственной и этической разработке AGI. Децентрализованные, глобально распределенные усилия гораздо более вероятно приведут к AGI, которая принесет пользу всему человечеству, а не будет служить интересам одной нации или корпорации.

Более широкие последствия DeepSeek: Взгляд за пределы LLM

Хотя большая часть сенсации вокруг DeepSeek связана с ее эффективностью в области LLM, важно отступить и рассмотреть более широкие последствия этого развития.

Несмотря на впечатляющие возможности, модели на основе трансформеров, такие как LLM, все еще далеки от достижения AGI. Они лишены важных качеств, таких как основанная на абстракции и саморегулируемая рассуждения, которые необходимы для общего интеллекта. Хотя LLM может автоматизировать широкий спектр экономических задач и интегрироваться в различные отрасли, они не представляют собой основу разработки AGI.

Если AGI появится в течение следующего десятилетия, она вряд ли будет основана исключительно на архитектуре трансформера. Альтернативные модели, такие как OpenCog Hyperon или нейроморфные вычисления, могут быть более фундаментальными в достижении истинного общего интеллекта.

Коммодитизация LLM сдвинет инвестиции в ИИ

Улучшения эффективности DeepSeek ускоряют тенденцию к коммодитизации LLM. По мере того, как стоимость этих моделей продолжает снижаться, инвесторы могут начать смотреть за пределы традиционных архитектур LLM для следующего большого прорыва в ИИ. Мы можем увидеть сдвиг в финансировании в сторону архитектур AGI, которые выходят за рамки трансформеров, а также инвестиции в альтернативное оборудование ИИ, такое как нейроморфные чипы или ассоциативные процессорные единицы.

Децентрализация определит будущее ИИ

По мере того, как улучшения эффективности DeepSeek делают его проще развертывать модели ИИ, они также способствуют более широкой тенденции децентрализации архитектуры ИИ. С фокусом на конфиденциальности, взаимодействии и контроле пользователя, децентрализованный ИИ снизит нашу зависимость от крупных, централизованных технологических компаний. Эта тенденция имеет решающее значение для обеспечения того, чтобы ИИ служил потребностям глобального населения, а не контролировался горсткой мощных игроков.

Место DeepSeek в камбрийском взрыве ИИ

В заключение, хотя DeepSeek является значительным этапом в эффективности LLM, это не революционный сдвиг в ландшафте ИИ. Скорее, это ускоряет прогресс вдоль хорошо установленной траектории. Более широкое влияние DeepSeek ощущается в нескольких областях:

• Давление на лидеров: DeepSeek бросает вызов компаниям, таким как OpenAI и Anthropic, пересмотреть свои бизнес-модели и найти новые способы конкуренции.
• Доступность ИИ: Сделав высококачественные модели более доступными, DeepSeek демократизирует доступ к передовым технологиям.
• Глобальная конкуренция: Растущая роль Китая в разработке ИИ сигнализирует о глобальной природе инноваций, которая не ограничивается Западом.
• Экспоненциальный прогресс: DeepSeek – это четкий пример того, как быстрый прогресс в ИИ становится нормой.

Самое главное, DeepSeek служит напоминанием о том, что, хотя ИИ прогрессирует быстро, истинный AGI, скорее всего, появится через новые, основополагающие подходы, а не оптимизацию сегодняшних моделей. По мере того, как мы спешим к сингулярности, важно обеспечить, чтобы разработка ИИ оставалась децентрализованной, открытой и сотруднической.

DeepSeek не является AGI, но представляет собой значительный шаг вперед в непрерывном пути к трансформирующему ИИ.