DeepSeek’s R1: En användbar påminnelse

Som collegeutbildare och före detta IT-branschveteran finner jag att hype kring Kinas DeepSeek R1-modell är en användbar påminnelse om tre saker.

Det första är att generativ AI inte längre bara handlar om att bearbeta stora mängder innehåll för att generera relevanta svar på prompter; det handlar också om kognitivt resonemang (den “R” i R1).

Löftet om resonemang stora språkmodeller (LLM) är att massiv kunskapsåtervinning och kognitiv bearbetning – som tidigare var förbehållna superdatorer – nu är i händerna på nästan alla. Tack vare en ny generation av effektivitetsförbättrande tekniker finns det modeller som är tillräckligt små för att köras på en konventionell laptop och som kan stödja flera intelligenta agenter som kan utföra komplexa, interaktiva uppgifter på egen hand.

Andra, generativ AI-revolutionen handlar främst om innovation och kreativitet – det handlar inte bara om en kapprustning för den mest kraftfulla hårdvaran, storleken på träningsdata eller antalet modellparametrar. En lyckad implementering av dessa teknologier kommer inte att bestämmas av de stora tech-företagen med massiva, energislukande superdatorer som tränar miljarddollar-modeller – utan av länder och organisationer som investerar i mänsklig kapital för att förbereda dem för denna nya våg.

Tredje, och byggande på den sista punkten, verkar Amerika inte vara särskilt väl positionerat för de dramatiska förändringarna som kommer att ske i vår ekonomi och samhälle. Jag kommer att nämna två exempel: högre utbildning och corporate America.

Högre utbildning

På de flesta institutioner för högre utbildning är en students första stora beslut att bestämma om de ska följa en Bachelor of Arts (BA)-examen, som är associerad med en bredare, mer tvärvetenskaplig utbildning, eller en Bachelor of Science (BS)-examen, som är mer inriktad på att utveckla färdigheter och praktisk erfarenhet inom specifika områden.

I AI-eran är denna dikotomi hopplöst föråldrad, eftersom båda disciplinerna blir allt mer essentiella på arbetsplatsen.

Faktum är att de flesta förstaårsstudenter inte har någonstans nära den kunskap eller insikt om vad det är att arbeta i olika typer av jobb, eller ens de relativa styrkorna och svagheterna i deras egna förmågor, talanger, färdigheter och anlag. Och ändå måste de flesta förstaårsstudenter förklara en huvudämne, vilket kommer att vara ett enkelt beslut för bara den lilla procenten som (till bättre eller sämre) vet (eller åtminstone tror att de vet) vilket område de vill följa: ingenjörsvetenskap, vetenskap, medicin, juridik, etc.

Vi behöver en mycket annorlunda, karriärförberedande, bredare, tvärvetenskaplig approach till högre utbildning som erkänner att en collegeexamen inte nödvändigtvis har något att göra med den examen de tog eller deras huvudämne; att deras collegeupplevelse kommer att representera bara den första etappen i en livslång resa av kontinuerligt lärande – uppskilling, credentialing, omprövning, karriärombyten – för roller som vi inte ens kan föreställa oss nu.

Dessutom, som utbildare, behöver vi utveckla nya strategier för att hantera AI-plagiat och navigera farorna med att chatbots blir intellektuella genvägar, eller “kognitiv avlastning” – benägenheten att lita på externa verktyg snarare än att utveckla interna förmågor.

I en tid då kunskap är skild från förståelse, finns det alltför stor frestelse att bara prompta AI för ett omedelbart svar eller lösning istället för att kämpa för att förstå ett begrepp eller lösa ett problem.

Corporate IT

De flesta företag verkar inte förstå de organisatoriska implikationerna av dessa nya teknologier.

Nuvarande IT-roller och strukturer speglar de organisatoriska kraven från den tidigare digitala revolutionen. Dessa funktioner uppkom från den specialiserade expertisen som krävdes för människor för att använda och interagera med datorer – programmering, dataingenjörskap, datorarkitektur, nätverksadministration, informationssäkerhet, etc.

I kontrast är generativ AI (och hela fältet naturlig språkbehandling som föregick det) om att designa och träna datorer för att interagera med människor.

Som ett resultat har vanliga anställda uppfunnit briljanta (och ibland farliga) sätt att använda dessa teknologier. Organisationer kämpar för att komma med fungerande policys, procedurer och kontroller för att maximera den potentiella produktivitetsvinsten samtidigt som de minimerar riskerna.

Ett nyckelproblem är att i de flesta företag tenderar data science-expertis att koncentreras i IT-avdelningar, som fortfarande fungerar som hemliga gillen med sitt eget mystiska språk och metoder som är organisatoriskt och funktionellt isolerade från kärnverksamhetsenheter. Jag tror att den kommande produktivitetsrevolutionen kräver nya typer av organisatoriska roller och strukturer, där dataexpertis inte är isolerad i en specialiserad funktion utan är sammanlänkad med nästan alla aspekter av verksamheten.

Och sedan finns det datautmaningen. I de flesta organisationer handlar antagandet av AI om att anpassa stora språkmodeller för att utföra specialiserade användningsfall med hjälp av proprietär data. Medan användare av data i linjeverksamheten vill ha helt exakt, ren och välhanterad data, har de enskilda ägarna av data i IT inte budgeten, den finansiella incitamenten eller den organisatoriska auktoriteten för att säkerställa denna nivå av kvalitet och transparens.

Som ett resultat är interna datauppsättningar inte upptäckbara/hanterade väl över hela företaget. Typiskt lagras olika typer av data på olika platser. Som svar på affärsanvändarbegäranden tillhandahåller IT olika vyer av data, skapar olika kopior (och kopior av kopior) av data och skapar exponeringar och abstraktioner av data för olika skäl… Vid det här laget vet ingen vilka versioner som är inaktuella, ofullständiga, dubblett, felaktiga eller deras sammanhang.

Slutsats

​Generativ AI har potentialen att transformera alla former av kunskapsarbete. I sin kärna handlar denna teknik om demokratiseringen av expertis (för bättre och sämre) – att avintermediära specialister som kodare, videografiska skapare, illustratörer, författare, redaktörer och nästan alla typer av kunskapsarbetare eller “experter”. Aldrig tidigare har människor hanterat en teknik som motsvarade deras egna kognitiva bearbetnings- och resonemangsförmåga – bara deras fysiska styrka, uthållighet, precision och förmåga att bearbeta stora mängder data.

Denna spännande nya produktivitetsrevolution kräver nya färdigheter, förmågor och organisatoriska strukturer, där dataexpertis är en integrerad del av nästan alla affärsprocesser.

Ironin är att när maskiner uppnår större analytiska förmågor, kan statusen och värdet av en anställd i en organisatorisk hierarki bli mindre en funktion av specialiserad expertis, erfarenhet och merit, och mer av deras kreativa, tvärvetenskapliga och interpersonliga färdigheter.

Tiden att utveckla och investera i dessa förmågor är nu.