Полезное напоминание от DeepSeek’s R1

Как преподаватель вуза и бывший ветеран IT-индустрии, я считаю, что ажиотаж вокруг модели DeepSeek R1 из Китая является полезным напоминанием о трех вещах.

Первая заключается в том, что генеративный ИИ больше не только о обработке огромных объемов контента для генерации релевантных ответов на запросы; это также о когнитивном рассуждении (буква “R” в R1).

Обещание генеративного ИИ заключается в том, что возможности массового извлечения знаний и когнитивной обработки – ранее доступные только людям с суперкомпьютерами – теперь находятся в руках почти каждого. Благодаря новому поколению технологий, повышающих эффективность, существуют модели, достаточно маленькие, чтобы работать на обычном ноутбуке, которые могут поддерживать несколько интеллектуальных агентов, способных автономно выполнять сложные, интерактивные задачи.

Во-вторых, революция генеративного ИИ прежде всего связана с инновациями и творчеством – это не только гонка за самую мощную аппаратуру, размер тренировочных наборов данных или количество параметров модели. Успешное внедрение этих технологий не будет определяться крупными технологическими компаниями с мощными суперкомпьютерами, обучающими модели стоимостью миллиарды долларов – а странами и организациями, которые инвестируют в человеческий капитал, чтобы подготовить их к этой новой волне.

Третьим, и вытекающим из предыдущей точки, является то, что Америка, кажется, не очень хорошо подготовлена к драматическим изменениям, которые скоро произойдут в нашей экономике и обществе. Я приведу два примера: высшее образование и корпоративная Америка.

Высшее образование

В большинстве учреждений высшего образования первым большим решением для студента является выбор между получением степени бакалавра искусств (BA), которая связана с более широким, междисциплинарным образованием, или степени бакалавра наук (BS), которая более ориентирована на развитие навыков и практического опыта в конкретных областях.

В эпоху ИИ это устаревшая дихотомия, поскольку обе группы дисциплин становятся необходимыми на рабочем месте.

Факт заключается в том, что большинство первокурсников не имеют ни малейшего представления о том, что такое работа в разных типах работ или даже относительных сильных и слабых сторонах своих способностей, талантов, навыков и склонностей. И все же большинство первокурсников обязаны объявить о своем основном направлении, что будет простым решением только для небольшого процента тех, кто (к лучшему или худшему) знает (или хотя бы думает, что знает), какую область он хочет преследовать: инженерию, науку, медицину, право и т. д.

Нам нужен совершенно другой, готовый к карьере, более широкий, междисциплинарный подход к высшему образованию, который признает, что первая полноценная работа выпускника вуза может не иметь ничего общего с полученной им степенью или основным направлением; что его опыт в вузе будет представлять только первую стадию в пожизненном пути непрерывного обучения – улучшения навыков, получения сертификатов, переизобретения, смены карьеры – для ролей, которые мы еще не можем представить.

Кроме того, как преподаватели, нам нужно разработать новые стратегии для борьбы с плагиатом ИИ и преодоления опасностей того, что чат-боты станут интеллектуальными сокращениями, или “когнитивным отключением” – тенденцией полагаться на внешние инструменты, а не развивать внутренние способности.

В эпоху, когда знания отделяются от понимания, существует слишком большое искушение просто запросить у ИИ немедленный ответ или решение, вместо того, чтобы бороться за понимание концепции или решение проблемы.

Корпоративный IT

Большинство корпораций также, кажется, не осознают организационных последствий этих новых технологий.

Текущие роли и структуры IT отражают организационные требования предыдущей цифровой революции. Эти функции возникли из специализированного опыта, необходимого для людей, чтобы использовать и взаимодействовать с компьютерами – программирование, инженерия данных, компьютерная архитектура, администрирование сетей, информационная безопасность и т. д.

Напротив, генеративный ИИ (и вся область обработки естественного языка, предшествовавшая ему) связана с проектированием и обучением компьютеров для взаимодействия с людьми.

В результате рядовые сотрудники изобретают блестящие (и иногда опасные) способы использования этих технологий. Организации борются за создание рабочих политик, процедур и контроля, чтобы максимизировать потенциальные выгоды от производительности, минимизируя при этом риски.

Одной из ключевых проблем является то, что в большинстве корпораций экспертиза в области данных сконцентрирована в IT-отделах, большинство из которых все еще работают как секретные гильдии со своей загадочной речью и практиками, организационно и функционально изолированными от основных бизнес-единиц. Я считаю, что надвигающаяся революция производительности требует новых типов организационных ролей и структур, в которых экспертиза в области данных не изолирована в специализированной функции, а взаимосвязана почти с каждым аспектом операции.

И есть также проблема данных. В большинстве организаций принятие ИИ связано с настройкой моделей LLM для выполнения специализированных случаев использования с помощью проприетарных данных. Хотя пользователи данных в линиях бизнеса хотят совершенно точных, чистых и хорошо управляемых данных, индивидуальные владельцы данных в IT не имеют бюджета, финансового стимула или организационной власти, чтобы обеспечить этот уровень качества и прозрачности.

В результате внутренние наборы данных не хорошо обнаруживаются/управляются на протяжении всего предприятия. Обычно разные типы данных хранятся в разных местах. В ответ на запросы бизнес-пользователей IT предоставляет разные представления данных, делает разные копии (и копии копий) данных и создает экспозиции и абстракции данных по различным причинам… В этот момент никто не знает, какие версии устарели, неполны, дублируются, неточны или имеют контекст.

Заключение

​Генеративный ИИ имеет потенциал трансформировать все формы знаний. В своей основе эта технология связана с демократизацией экспертизы (как хорошей, так и плохой) – дезинтермедиацией специалистов, таких как кодеры, видеографы, иллюстраторы, писатели, редакторы и практически любой тип знаний работников или “экспертов”. Никогда ранее люди не сталкивались с технологией, которая соперничала с их собственными когнитивными возможностями и способностями к рассуждению – только с их физической силой, выносливостью, точностью и ловкостью, а также способностью манипулировать и обрабатывать огромные объемы данных.

Эта увлекательная новая революция производительности требует новых навыков, возможностей и организационных структур, в которых экспертиза в области данных является неотъемлемой частью几乎 каждого бизнес-процесса.

Ирония заключается в том, что по мере того, как машины приобретают более мощные аналитические возможности, статус и ценность сотрудника в организационной иерархии могут стать менее функцией специализированного опыта, опыта и квалификации, и более функцией их творческих, междисциплинарных и межличностных навыков.

Время для развития и инвестирования в эти возможности – сейчас.