Індивідуальні моделі великого масштабу для кожного бізнесу? DeepSeek показує нам шлях

Колись у світі технологій був заклик “мобільні телефони для кожного” – і дійсно мобільні комунікації революціонізували бізнес (і світ). Сьогодні еквівалент цього заклику – надати кожному доступ до застосунків штучного інтелекту. Але справжня сила штучного інтелекту полягає в тому, щоб використовувати його для конкретних потреб бізнесу та організацій. Шлях, який пройшов китайський стартап DeepSeek, демонструє, як штучний інтелект можна використовувати кожному, особливо тим, хто має обмежені бюджети, для задоволення своїх конкретних потреб. Насправді появу більш дешевого штучного інтелекту обіцяє змінити глибоко вкорінений звичай, коли рішення штучного інтелекту часто залишаються поза зором багатьох малих бізнесів та організацій через вимоги до вартості.

Моделі великого масштабу були – або є – дорогим заходом, який вимагає доступу до величезної кількості даних, великої кількості потужних комп’ютерів для обробки даних, та часу і ресурсів, вкладених у навчання моделі. Але ці правила змінюються. Працюючи на мізерному бюджеті, DeepSeek розробив свою власну модель великого масштабу, та застосунок типу ChatGPT для запитів – з значно меншими інвестиціями, ніж у подібних систем, створених американськими та європейськими компаніями. Підхід DeepSeek відкриває вікно у розвиток моделей великого масштабу для менших організацій, які не мають мільярдів для витрат. Насправді, день, коли більшість малих організацій зможуть розробити свої власні моделі великого масштабу для задоволення своїх конкретних потреб, може не бути далеко,通常 надаючи більш ефективне рішення, ніж загальні моделі великого масштабу, такі як ChatGPT.

Хоча триває дискусія щодо справжньої вартості DeepSeek, це не просто вартість, яка відрізняє його та подібні моделі: це те, що він спирався на менш просунуті чіпи та більш зосереджений підхід до навчання. Як китайська компанія, що підлягає американським експортним обмеженням, DeepSeek не мав доступу до просунутих чіпів Nvidia, які зазвичай використовуються для потужних обчислень, необхідних для розвитку моделей великого масштабу, і тому був змушений використовувати менш потужні чіпи Nvidia (NVDA ) H-800, які не можуть обробляти дані так швидко чи ефективно.

Щоб компенсувати відсутність потужності, DeepSeek вибрав інший, більш зосереджений та прямий підхід до розвитку своєї моделі великого масштабу. Замість того, щоб кидати величезну кількість даних у модель та сприймати обчислювальну силу для маркування та застосування даних, DeepSeek звузив навчання, використовуючи невелику кількість високоякісних “холодних” даних та застосовуючи ітеративне навчання з підкріпленням (з алгоритмом, який застосовує дані до різних сценаріїв та вивчає з них). Цей зосереджений підхід дозволяє моделі вивчати швидше, з меншою кількістю помилок та меншими витратами обчислювальної потужності.

Аналогічно тому, як батьки можуть спрямовувати конкретні рухи дитини, допомагаючи їй успішно перекрутитися вперше – а не залишати дитину саму чи вчити її ширшому різноманіттю рухів, які можуть допомогти перекрутитися, – вчені-даністі, які тренують ці більш зосереджені моделі штучного інтелекту, фокусуються на тому, що найбільш потрібно для певних завдань та результатів. Такі моделі, ймовірно, не мають такого широкого застосування, як більші моделі великого масштабу, такі як ChatGPT, але вони можуть бути використані для конкретних застосунків та виконувати їх з точністю та ефективністю. Навіть критики DeepSeek визнають, що його структурований підхід до розвитку значно збільшив ефективність, дозволивши зробити більше з меншими витратами.

Цей підхід полягає у наданні штучному інтелекту найкращих входів, щоб він міг досягти своїх етапів у найбільш розумному та ефективному порядку, і може бути цінним для будь-якої організації, яка хоче розробити модель великого масштабу для своїх конкретних потреб та завдань. Такий підхід ставає дедалі ціннішим для малих бізнесів та організацій. Перший крок – почати з правильних даних. Наприклад, компанія, яка хоче використовувати штучний інтелект, щоб допомогти своїм командам продажів та маркетингу, повинна тренувати свою модель на ретельно відібраному наборі даних, який зосереджується на розмовах про продажі, стратегіях та метриках. Це утримує модель від витрат часу та обчислювальної потужності на нерелевантну інформацію. Крім того, навчання повинно бути структуровано за етапами, забезпечуючи, щоб модель освоїла кожне завдання чи поняття, перш ніж переходити до наступного.

Це також має паралелі у вихованні дитини, як я сам зазнала, ставши матір’ю кілька місяців тому. У обидвох випадках спрямований, крок за кроком підхід уникає витрат ресурсів та зменшує тертя. Насправді, такий підхід як для людських дітей, так і для моделей штучного інтелекту призводить до ітеративної поліпшення. Коли дитина росте, або модель вчиться більше, її здібності покращуються. Це означає, що моделі можна вдосконалити та поліпшити, щоб краще впоратися з реальними ситуаціями.

Цей підхід утримує витрати низькими, запобігаючи тому, щоб проекти штучного інтелекту ставали витратами ресурсів, роблячи їх більш доступними для менших команд та організацій. Він також призводить до кращої продуктивності моделей штучного інтелекту швидше; і, оскільки моделі не перевантажені зайвою інформацією, їх можна також налаштувати, щоб пристосовуватися до нової інформації та змінних бізнес-потреб – ключових у конкурентних ринках.

Прихід DeepSeek та світу більш дешевого, ефективного штучного інтелекту – хоча спочатку поширив паніку у світі штучного інтелекту та фондових ринків – загалом є позитивним розвитком для сектору штучного інтелекту. Більша ефективність та нижчі витрати на штучний інтелект, принаймні для певних зосереджених застосунків, в кінцевому підсумку призведуть до більшого використання штучного інтелекту загалом, що сприяє зростанню для всіх, від розробників до виробників чіпів до кінцевих користувачів. Насправді, DeepSeek ілюструє парадокс Джевонса – де більша ефективність, ймовірно, призведе до більшого використання ресурсу, а не меншого.既然 цей тренд виглядає як такий, що продовжиться, малі підприємства, які зосереджуються на використанні штучного інтелекту для задоволення своїх конкретних потреб, також будуть краще підготовлені до зростання та успіху.