อย่าสร้าง Enterprise AI ของคุณบนการเข้าถึงที่ยืมมา

การใช้งานและติดตั้ง Enterprise AI ทั้งหมดได้ถูกสร้างขึ้นจนถึงตอนนี้ด้วยสมมติฐานที่ว่าการเข้าถึงโมเดล AI ขอบเขตหน้าจะยังคงอยู่และไม่มีข้อจำกัด แต่นั่นเป็นความคิดที่ถูกต้องจนถึงตอนนี้เท่านั้น แนวโน้มคือความสามารถใหม่ของโมเดลขอบเขตหน้าได้ถูกทำให้เป็นสินค้าหรือเปิดเผยต่อสาธารณะภายใน 6 เดือน ดังนั้นจุดสนใจจึงอยู่ที่การทำความเข้าใจความสามารถในอนาคตให้เร็วที่สุดเท่าที่จะเป็นไปได้ บริษัท ทีม หรือบุคคลที่สามารถสร้างผลิตภัณฑ์ได้โดยการเข้าใจและปรับตัวให้เข้ากับความสามารถใหม่ของโมเดลขอบเขตหน้าให้เร็วที่สุดได้ จะเป็นผู้ชนะ อย่างไรก็ตาม สัญญาณหลายอย่างอาจบ่งบอกว่ายุคสมัยนี้จะสิ้นสุดลงในไม่ช้า การตัดสินใจของกระทรวงพาณิชย์ของสหรัฐฯ ในการ จำกัดการเข้าถึงโมเดล Fable และ Mythos ของ Anthropic เพียงสำหรับพลเมืองสหรัฐฯ เท่านั้นเป็นเพียงสัญญาณแรกเท่านั้น แต่การจำกัดนั้นถูกยกเลิกหลังจากการประสานงานกับ Anthropic ซึ่งแสดงให้เห็นว่าสภาพการเข้าถึงสามารถเปลี่ยนแปลงได้อย่างรวดเร็ว และความจำเป็นในการมีระบบ AI ที่สามารถปรับตัวได้

สี่เหตุผลที่การเข้าถึงโมเดลขอบเขตหน้าไม่ได้รับการรับประกัน

ความคิดที่จะสร้างเพียงโมเดลขอบเขตหน้าอาจจะหยุดเป็นความคิดที่ถูกต้องหากการเข้าถึงโมเดลเหล่านั้นหยุดเป็นไปได้ มีสาเหตุอย่างน้อยสี่ประการที่อาจเกิดขึ้น ประการแรก เศรษฐศาสตร์ของ AI ขอบเขตหน้าถูกสร้างขึ้นบนราคาแบบสปอนเซอร์ที่จะไม่ยั่งยืน การเตรียมการ IPO ล่าสุดของ OpenAI และ Anthropic ได้บังคับให้พวกเขา เปิดเผยต้นทุนจริง ของบริการ AI ที่ได้รับการสนับสนุนในปัจจุบัน ซึ่งอาจไม่คุ้มค่าหลัง IPO มีข่าวลือว่าสมาชิกส่วนตัวที่มีราคา 200 ดอลลาร์ของ Anthropic จริงๆ แล้วมีค่าใช้จ่ายหลายพันเหรียญสหรัฐฯ สำหรับบริษัท ดังนั้น คาดว่าราคาโทเค็นจะเพิ่มขึ้น และยุคของการเข้าถึงโมเดลขอบเขตหน้าที่ถูกเทียมเท่าจึงจะสิ้นสุดลง

ประการที่สอง โมเดลขอบเขตหน้าไม่ได้ถูกถูกต้องในการใช้งาน มากกว่าการคำนวณแบบดั้งเดิมซึ่ง законของมัวร์ลดต้นทุนของการดำเนินการใดๆ ลงตามเวลา AI ไม่ได้ตาม เส้นโค้งนี้ โมเดลเหล่านี้มีขนาดใหญ่ขึ้น แต่ก็ใช้การคำนวณมากขึ้นเช่นกัน ทุกคนในทีมวิศวกรของเราทำงานให้เสร็จสิ้นเครดิต Claude ภายใน 10 นาทีหลังจากการเปิดตัว (ชั่วคราว) ของ Fable 5 ซึ่งอาจบ่งบอกได้ว่าโมเดลขอบเขตหน้าถัดไปจะต้องใช้โทเค็นมากขึ้น การคำนวณมากขึ้น และโครงสร้างพื้นฐานมากขึ้นในแต่ละครั้ง

ประการที่สาม ดูเหมือนว่ามีผู้เล่นน้อยลงและน้อยลงในการแข่งขันโมเดลขอบเขตหน้าจริงๆ Mistral ซึ่งเป็นความหวังของยุโรปในการแข่งขันในเวทีโมเดลขอบเขตหน้าระดับโลก ได้ปรับเปลี่ยนความทะเยอทะยานของตนเองให้เป็นผู้ติดตามที่มีความคิดเห็นสมดุล โมเดลของจีนเป็นผู้ติดตามที่รวดเร็ว แต่ยังคงล้าหลังการเปิดตัวของห้องปฏิบัติการชั้นนำ

ประการสุดท้าย โมเดลขอบเขตหน้าอาจเป็นอันตรายเกินกว่าที่จะใช้ในทุกแอปพลิเคชัน เราไม่ได้ใช้เครื่องปฏิเครื่องนิวเคลียร์ที่มีขนาดเล็กในรถยนต์ เนื่องจากสาขานี้ได้รับการควบคุมอย่างเข้มงวดและมีอันตราย การทดลองของ Anthropic แสดงให้เห็นว่ามันยากที่จะควบคุมโมเดลขอบเขตหน้าให้อยู่ในกรอบที่ปลอดภัยในขณะเดียวกันก็รักษาความสามารถไว้ นี่อาจเป็นบทเรียนระยะยาวและเหตุผลที่แท้จริงเบื้องหลังการควบคุมของสหรัฐฯ ต่อ Fable 5 ในทุกกรณี มีความเป็นไปได้สูงว่าโมเดลขอบเขตหน้าจะถูกมองว่าเป็นสินทรัพย์เชิงกลยุทธ์โดยรัฐและดังนั้นจะไม่สามารถเข้าถึงได้อย่างอิสระเหมือนในปัจจุบัน

ดังนั้น เราอาจกำลังเข้าสู่โลกที่ที่ค่าใช้จ่ายโทเค็นมีความสำคัญและโมเดลขอบเขตหน้าไม่สามารถเข้าถึงได้ทุกแอปพลิเคชันในประเทศทุกแห่ง

เข้าสู่ชั้นแอปพลิเคชัน

ในโลกที่ไม่ทุกการเรียกโมเดลจะไปสู่โมเดลที่ดีที่สุดเท่าที่จะเป็นไปได้ เราจะรับประกันว่าทุกงานจะถูกแก้ไขได้อย่างน่าเชื่อถือและด้วยประสิทธิภาพที่ดีที่สุดเท่าที่จะเป็นไปได้ได้อย่างไร คำตอบอาจอยู่ในชั้น “แอปพลิเคชัน”

CEO ของ NVIDIA Jensen Huang อธิบาย AI เป็นเค้ก 5 ชั้น: พลังงาน ชิป ศูนย์ข้อมูล โมเดล และแอปพลิเคชัน เขาแย้งว่าชั้นแอปพลิเคชันเป็นทั้งชั้นที่สำคัญที่สุดและชั้นที่ยังคงหายไป

สำหรับบางแอปพลิเคชัน เช่น แชทบอท ชั้นนี้บางมาก จริงๆ แล้วมีเพียงอินเทอร์เฟซการแชทเท่านั้น ในแอปพลิเคชันอื่นๆ เช่น แอปพลิเคชันทางอุตสาหกรรมและวิศวกรรมที่ซับซ้อน มันสำคัญและวิกฤตมากขึ้น มันเป็นชั้นที่ตัดสินในห่วงโซ่คุณค่า เมื่อการเข้าถึงโมเดลขอบเขตหน้าไม่ได้รับการรับประกันแล้ว ชั้นแอปพลิเคชันจะมีบทบาทในการทำให้ผลลัพธ์เป็นมาตรฐานข้ามโมเดลและควบคุมค่าใช้จ่ายโทเค็น

โดยเฉพาะอย่างยิ่ง หากต้องการดำเนินงานที่ซับซ้อนและสำคัญ เช่น การออกแบบโซ่การผลิตใหม่สำหรับแบบจำลองเครื่องบินใหม่ ฉันจะขอให้โมเดลขอบเขตหน้าที่มีประสิทธิภาพช่วยเหลือ โมเดลอาจสามารถคิดวิธีทำได้ด้วยตนเอง สร้างเครื่องมือวางแผนสำหรับฉัน และสื่อสารผลลัพธ์ให้กับทีมของฉันทั้งหมด อย่างไรก็ตาม หากฉันต้องการเปลี่ยนโมเดลเป็นโมเดลที่มีประสิทธิภาพมากกว่า โมเดลที่มีราคาไม่แพง หรือโมเดลจากผู้ให้บริการที่แตกต่างกัน ฉันอาจสูญเสียประสิทธิภาพหรือสูญเสียความสม่ำเสมอในผลลัพธ์สุดท้าย ในหลายกรณีในสถานประกอบการ ความไม่แน่นอนนี้ไม่สามารถยอมรับได้ นี่คือที่ที่ชั้นแอปพลิเคชันมีบทบาทที่สำคัญ: แทนที่จะปล่อยให้โมเดลทำงานในพื้นที่ที่เปิดกว้างและพึ่งพาความสามารถดิบของมันเพื่อสร้างผลลัพธ์ ชั้นแอปพลิเคชันกำหนดภาพวาดที่ชัดเจน ชุดการกระทำที่มีอยู่ และขอบเขตที่กำหนดไว้ภายในที่จะดำเนินการ โมเดลจะไม่ถูกขอให้คิดทุกอย่างตั้งแต่ต้น มันจะได้รับภาพวาดที่กำหนดไว้ซึ่งจะเพิ่มโอกาสที่โมเดลใดๆ จะทำงานได้ดี

ในด้านต้นทุน โมเดลของฉันอาจตัดสินใจดำเนินการระดับต่ำเพื่อให้บรรลุเป้าหมาย มันอาจเขียนอัลกอริทึมการวางแผนใหม่จากศูนย์ สร้างอินเทอร์เฟซใหม่สำหรับฉันในการแสดงผลการทำงานของมัน หรือแม้แต่พัฒนาเครื่องมือการเพิ่มประสิทธิภาพใหม่ แต่นี่อาจมีค่าใช้จ่ายโทเค็นมากๆ ในขณะที่คำแนะนำหรือเครื่องมือที่สร้างไว้ล่วงหน้าอาจช่วยให้โมเดลบรรลุผลลัพธ์เดียวกันด้วยโทเค็นต่ำกว่า นี่คือบทบาทของชั้นแอปพลิเคชัน ข่าวดีคือโมเดลมักจะขี้เกียจและหาทางที่สั้นกว่า ดังนั้นเราอาจไม่ต้องจำกัดมันมากเกินไปเมื่อมันเข้าถึงชุดทักษะ เครื่องมือ และทรัพยากรการคำนวณที่ถูกต้อง

โดยสรุป ชั้นแอปพลิเคชันที่ดีจะให้ทักษะ เครื่องมือ และคำแนะนำที่ชัดเจนสำหรับโมเดลในการทำงานได้อย่างน่าเชื่อถือและคุ้มค่าในการใช้จ่าย นอกจากการปรับปรุงประสิทธิภาพและควบคุมค่าใช้จ่ายโทเค็นแล้ว สิ่งนี้ยังหมายถึงการลดการพึ่งพาโมเดลเฉพาะ หากคุณฝังความฉลาดไวในชั้นแอปพลิเคชันแทนโมเดลเอง โมเดลที่อยู่ด้านล่างจะกลายเป็นแบบแลกเปลี่ยนได้ ในหลายกรณี อาจเป็นสิ่งที่ทำให้ความแตกต่างระหว่าง AI ที่เป็นการทดลองและ AI ที่สามารถขยายได้ในองค์กร

การเรียกร้องให้ดำเนินการสำหรับผู้นำองค์กร

ทั่วอุตสาหกรรม เราได้พบกับผู้นำองค์กรที่ทำงานเพื่อตั้งค่า AI สแต็คของตนเอง ส่วนใหญ่ของบริษัทเหล่านี้เริ่มต้นด้วยโมเดลขอบเขตหน้าผู้ให้บริการหนึ่งหรือหลายรายเพื่อตั้งค่าชั้นโมเดลที่จำเป็นในสแต็คของตนเอง สำหรับชั้นแอปพลิเคชัน พวกเขาอาจพึ่งพาเครื่องมือที่สร้างขึ้นเอง ความสามารถที่ซื้อเต็มรูปแบบ หรือผสมผสานทั้งสองอย่าง

การห้ามของ Anthropic เป็นการเตือนให้ทราบว่าสแต็คนี้สามารถถูกรบกวนได้ภายในคืน องค์กรต่างๆ จะต้องเตรียมโครงสร้างให้พร้อมสำหรับเมื่อเกิดเหตุการณ์แบบนี้อีกครั้ง เพื่อความพร้อม องค์กรจะต้องพิจารณาเรื่องความเร็วในการใช้งาน แต่ยังต้องสร้างโซลูชันที่จะบรรเทาผลกระทบจากการเปลี่ยนแปลงโมเดลและค่าใช้จ่ายโทเค็นที่เพิ่มขึ้น มันไม่ใช่เส้นทางที่ง่าย แต่คำแนะนำของฉันคือ:

• ลงทุนในชั้นแอปพลิเคชันของคุณอย่างมีกลยุทธ์และเร็ว บริษัทที่พลาดขบวนรถจะเสียช่วงเวลาในการแข่งขันเมื่อเทียบกับผู้ที่เริ่มต้นเร็วๆ นี้
• ทำให้การไม่พึ่งพาโมเดลเป็นหลักการออกแบบ ไม่ใช่ทางออก
• ต้นทุนในการเปลี่ยนโมเดลไม่ควรเป็นคำถามที่มีต่อการดำเนินงานของคุณ
• ร่วมมือกับบริษัทที่เชี่ยวชาญซึ่งสามารถเปรียบเทียบโมเดล ตรวจสอบประสิทธิภาพข้ามการตั้งค่าหลายแบบ และช่วยรับประกันการรับประกันประสิทธิภาพระยะยาว

บริษัทที่จะชนะเกมใน เฟส AI องค์กรถัดไป ไม่จำเป็นต้องเป็นบริษัทที่มีการเข้าถึงโมเดลที่ดีที่สุด แต่เป็นบริษัทที่สร้างชั้นที่ถูกต้องรอบๆ โมเดลเหล่านั้น