กรณีศึกษาในการกระจายอำนาจเทคโนโลยี AI ของคุณ

การอภิปรายเกี่ยวกับการพัฒนา AI มักถูกครอบงำโดยการอภิปรายเชิงอนาคตและเชิงปรัชญา – เราควรจะเข้าใกล้ AI ทั่วไปหรือไม่ ซึ่ง AI จะมีความสามารถในการทำงานทุกอย่างเหมือนมนุษย์หรือไม่?

ในขณะที่การอภิปรายเรื่องความเร็วและความชะลอเป็นเรื่องสำคัญและทันสมัยกับการพัฒนาด้วยโมเดล Q-star แต่มีเรื่องอื่นๆ ที่สำคัญเช่นกัน โดยเฉพาะเรื่องของการกระจายอำนาจเทคโนโลยีและวิธีการทำเช่นนั้นโดยไม่ต้องมีต้นทุนสูงเกินไป สองความท้าทายนี้อาจดูเหมือนขัดแย้งกัน: การสร้างและใช้โมเดลมีค่าใช้จ่ายสูงมาก แต่การพึ่งพาโมเดลเดียวอาจเป็นอันตรายในระยะยาว ฉันรู้จักความท้าทายนี้ด้วยตนเองในฐานะผู้ก่อตั้ง AI

ในการสร้างความฉลาด คุณต้องการทักษะ ผู้คน และการคำนวณที่มีประสิทธิภาพสูง เพื่อเร่งเวลาในการเข้าสู่ตลาดและทำมากกว่านี้ด้วยทรัพยากรที่น้อยลง บริษัทหลายแห่งจะเลือกสร้างบนโมเดลที่มีอยู่แล้วแทนการสร้างจากศูนย์ และแนวทางนี้มีเหตุผลเมื่อสิ่งที่คุณสร้างมีค่าใช้จ่ายสูงมาก การท้าทายนี้ยังรวมถึงการเพิ่มประสิทธิภาพด้วยการเพิ่มขนาด ซึ่งต้องใช้กำลังการคำนวณและต้นทุนมากขึ้น

แต่เกิดอะไรขึ้นเมื่อบริษัทที่คุณสร้างโซลูชันประสบกับความล้มเหลวในการกำกับดูแลหรือการหยุดชะงักของผลิตภัณฑ์? ในทางปฏิบัติ การพึ่งพาโมเดลเดียวในการสร้างผลิตภัณฑ์หมายความว่าคุณเป็นส่วนหนึ่งของผลกระทบเชิงลบต่อทุกสิ่งที่เกิดขึ้น

เรายังต้องจำไว้ว่าความเสี่ยงในการทำงานกับระบบที่มีความน่าจะเป็น เราไม่เคยชินกับสิ่งนี้และโลกที่เราอาศัยอยู่จนถึงตอนนี้ได้รับการออกแบบและสร้างขึ้นเพื่อทำงานด้วยคำตอบที่แน่นอน โมเดลเหล่านี้มีความยืดหยุ่นในแง่ของผลลัพธ์ และบริษัทต่างๆ มักจะปรับโมเดลเหล่านี้อยู่เสมอ ซึ่งหมายความว่ารหัสที่คุณเขียนเพื่อสนับสนุนสิ่งเหล่านี้และผลลัพธ์ที่ลูกค้าของคุณพึ่งพาอาจเปลี่ยนแปลงโดยไม่มีการควบคุมหรือความรู้ของคุณ

การรวมศูนย์ยังสร้างความกังวลเรื่องความปลอดภัยเนื่องจากมีจุดอ่อนที่เดียว บริษัททุกแห่งทำงานเพื่อผลประโยชน์ของตนเอง หากมีปัญหาเรื่องความปลอดภัยหรือความเสี่ยงกับโมเดล คุณจะมีการควบคุมน้อยลงในการแก้ไขปัญหาหรือมีการเข้าถึงทางเลือกที่น้อยลง

Where does that leave us?

AI จะปรับปรุงวิธีการที่เราอาศัยอยู่อย่างไม่ต้องสงสัย มีหลายสิ่งที่ AI สามารถทำได้ แต่โอกาสนี้ก็มีความเสี่ยงด้วย หากเราพึ่งพาโมเดลเดียว บริษัททุกแห่งจะเสี่ยงต่อความท้าทายด้านความปลอดภัยและผลิตภัณฑ์

เพื่อแก้ไขปัญหานี้ เราต้องลดต้นทุนการอนุมานและทำให้บริษัทต่างๆ มีแนวทางแบบหลายโมเดลได้ง่ายขึ้น และสิ่งนี้ทั้งหมดเกี่ยวข้องกับข้อมูล ข้อมูลและความเป็นเจ้าของข้อมูลจะมีความสำคัญมากขึ้น ข้อมูลที่มีคุณภาพสูงและพร้อมใช้งานมากขึ้นจะทำให้มีประโยชน์มากขึ้น

สำหรับปัญหาส่วนใหญ่ คุณสามารถปรับโมเดลให้เหมาะสมกับการใช้งานเฉพาะได้ ช่วงสุดท้ายของ AI คือบริษัทที่สร้างตรรกะการกำหนดเส้นทาง การประเมิน และชั้นการกำกับดูแลบนโมเดลต่างๆ โดยเฉพาะสำหรับแนวตั้งอุตสาหกรรมต่างๆ

มีการลงทุนจำนวนมากในพื้นที่นี้ที่ทำให้เราใกล้เคียงกับเป้าหมายนี้มากขึ้น การระดมทุนล่าสุดของ Mistal เป็นการพัฒนาที่น่าหวังสำหรับการสร้างทางเลือกสำหรับ OpenAI บริษัทอื่นๆ ยังช่วยให้ผู้ให้บริการ AI อื่นๆ สามารถทำการ multiplexing ระหว่างโมเดลได้จริงและลดต้นทุนการอนุมานผ่านฮาร์ดแวร์ ซอฟต์แวร์ และการกลั่นโมเดล

เรายังจะเห็นโอเพ่นซอร์สที่จะเติบโต และหน่วยงานของรัฐต้องทำให้โอเพ่นซอร์สยังคงเปิดกว้าง เมื่อใช้โมเดลโอเพ่นซอร์ส คุณสามารถควบคุมได้ง่ายขึ้น แต่ช่องว่างด้านประสิทธิภาพยังคงอยู่

ฉันคาดว่าเราจะสิ้นสุดในโลกที่คุณจะมีโมเดลระดับจูเนียร์ที่ได้รับการปรับให้เหมาะสมสำหรับการทำงานที่ซับซ้อนน้อยกว่าในระดับใหญ่ ในขณะที่โมเดลระดับซูเปอร์อินเทลลิเจนต์ที่จะทำหน้าที่เป็น Oracle สำหรับการอัปเดตและจะใช้กำลังการคำนวณมากขึ้นในการแก้ปัญหาที่ซับซ้อนมากขึ้น คุณไม่จำเป็นต้องมีโมเดลที่มีพารามิเตอร์หนึ่งล้านล้านเพื่อตอบคำถามการบริการลูกค้า ฉันเหมือนกับการไม่ต้องมีเจ้าหน้าที่บริหารระดับสูงจัดการงานที่พนักงานฝึกหัดสามารถทำได้ เช่นเดียวกับเราได้รับการสนับสนุนจากทีมงานที่มีหลายบทบาท เราจะเห็นบริษัทส่วนใหญ่พึ่งพาโมเดลที่มีหลายระดับของความซับซ้อน

เพื่อให้บรรลุถึงความสมดุลนี้ คุณต้องการการแบ่งงานที่ชัดเจนและมาตรฐาน โดยพิจารณาจากเวลา ความซับซ้อนของการคำนวณ ต้นทุน และขนาดที่ต้องการ ขึ้นอยู่กับการใช้งาน คุณสามารถจัดลำดับความสำคัญตามนั้น ระบุผลลัพธ์ที่ต้องการเป็นมาตรฐานสำหรับการเปรียบเทียบ และตัวอย่างข้อมูลอินพุตและเอาต์พุต เพื่อที่คุณจะได้สามารถวิ่งพรอมต์หลายๆ ครั้งเพื่อเพิ่มประสิทธิภาพและได้ผลลัพธ์ที่ใกล้เคียงที่สุดกับมาตรฐาน

หากบริษัท AI สามารถกระจายอำนาจเทคโนโลยีของตนและสร้างบนโมเดลหลายรุ่นได้ เราสามารถปรับปรุงความปลอดภัยและความน่าเชื่อถือของเครื่องมือเหล่านี้และเพิ่มผลกระทบเชิงบวกของ AI ให้มากขึ้น เราไม่ได้อยู่ในสถานที่สำหรับการอภิปรายเชิงทฤษฎีแล้ว – มันถึงเวลาที่จะต้องมุ่งเน้นไปที่วิธีการนำ AI ไปใช้เพื่อทำให้เทคโนโลยีเหล่านี้มีประสิทธิภาพและทนทานมากขึ้น