Không Xây Dựng Trí Tuệ Nhân Tạo Doanh Nghiệp Của Bạn Trên Truy Cập Vay

Tất cả các ứng dụng trí tuệ nhân tạo và triển khai doanh nghiệp đã được xây dựng cho đến nay với giả định rằng truy cập vào các mô hình trí tuệ nhân tạo tiên phong sẽ vẫn có thể và gần như không giới hạn. Đó là tâm lý đúng đắn, cho đến bây giờ. Xu hướng là các khả năng mới của các mô hình tiên phong đang được phổ biến hoặc mã nguồn mở trong vòng 6 tháng và do đó, trọng tâm chỉ là về việc hiểu các khả năng trong tương lai càng sớm càng tốt. Các công ty, đội hoặc người có thể xây dựng sản phẩm bằng cách nắm bắt và thích nghi với các khả năng tiên phong mới nhất để xây dựng ứng dụng đã thắng. Tuy nhiên, một số tín hiệu có thể cho thấy rằng thời đại này sẽ kết thúc sớm. Quyết định của Bộ Thương mại Hoa Kỳ để hạn chế truy cập vào các mô hình Fable và Mythos của Anthropic đối với công dân Hoa Kỳ chỉ là một dấu hiệu đầu tiên. Tuy nhiên, hạn chế đó sau đó đã được dỡ bỏ sau khi phối hợp với Anthropic, cho thấy rõ ràng rằng các điều kiện truy cập có thể thay đổi nhanh chóng và nhu cầu về các hệ thống trí tuệ nhân tạo doanh nghiệp có thể thích nghi.

Bốn lý do tại sao truy cập mô hình tiên phong không được đảm bảo

Tâm lý xây dựng cho các mô hình tiên phong chỉ có thể ngừng là đúng nếu sự sẵn có của chúng ngừng được đảm bảo. Có ít nhất bốn lý do tại sao điều đó có thể xảy ra. Đầu tiên, kinh tế của trí tuệ nhân tạo tiên phong được xây dựng trên giá cả được tài trợ mà sẽ không kéo dài. Việc chuẩn bị IPO gần đây từ OpenAI và Anthropic đã buộc họ phải mở sách và rõ ràng tiết lộ chi phí thực sự của các dịch vụ trí tuệ nhân tạo được tài trợ hiện tại, điều này có thể không bền vững về mặt kinh tế sau IPO. Các tin đồn cho rằng đăng ký riêng tư 200 đô la được cung cấp bởi Anthropic thực sự có chi phí hàng nghìn đô la cho công ty. Do đó, giá token dự kiến sẽ tiếp tục tăng và thời đại của truy cập mô hình tiên phong giá rẻ sẽ kết thúc.

Thứ hai, các mô hình tiên phong không trở nên rẻ hơn để chạy. Không giống như tính toán cổ điển, nơi luật Moore giảm liên tục chi phí của bất kỳ hoạt động nào theo thời gian, trí tuệ nhân tạo dường như không theo đường cong này. Các mô hình đang trở nên lớn hơn nhưng cũng đòi hỏi tính toán nhiều hơn. Tất cả các kỹ sư của chúng tôi đã cạn kiệt tín dụng Claude của họ trong vòng 10 phút sau khi (tạm thời) phát hành fable 5. Điều này có thể gợi ý rằng các mô hình tiên phong tiếp theo sẽ yêu cầu nhiều token hơn, nhiều tính toán hơn và nhiều cơ sở hạ tầng hơn với mỗi lần lặp lại.

Thứ ba, dường như ngày càng ít người chơi thực sự vẫn còn trong cuộc đua cho các mô hình tiên phong thực sự. Mistral, từng là hy vọng của châu Âu để cạnh tranh trên sân chơi toàn cầu của các mô hình tiên phong, đã sửa đổi tham vọng của mình để trở thành một người theo dõi khiêm tốn. Các mô hình của Trung Quốc là những người theo dõi nhanh nhưng vẫn tiếp tục tụt lại phía sau các phiên bản tốt nhất của các phòng thí nghiệm hàng đầu.

Cuối cùng, các mô hình tiên phong có thể chỉ quá nguy hiểm để được sử dụng trong mọi ứng dụng. Chúng tôi không sử dụng các lò phản ứng hạt nhân thu nhỏ trong ô tô, một phần vì lĩnh vực này được quản lý cao và nó nguy hiểm. Các thí nghiệm của chính Anthropic cho thấy rằng rất khó để giữ một mô hình tiên phong trong tầm kiểm soát để đảm bảo nó vẫn vô hại trong khi vẫn giữ được khả năng của nó. Điều này có thể là một bài học thực sự và lý do cơ bản đằng sau việc quản lý của Hoa Kỳ đối với Fable 5. Trong mọi trường hợp, rất có khả năng các mô hình tiên phong sẽ được coi là tài sản chiến lược bởi các quốc gia và do đó sẽ không được sử dụng miễn phí như bây giờ.

Do đó, chúng ta có thể đang bước vào một thế giới nơi chi phí token quan trọng và các mô hình tiên phong không có sẵn cho tất cả các ứng dụng ở tất cả các quốc gia.

Vào lớp ứng dụng

Trong một thế giới nơi không mọi cuộc gọi mô hình đều đi đến mô hình tốt nhất có sẵn, làm thế nào chúng ta vẫn có thể đảm bảo rằng mọi nhiệm vụ được giải quyết một cách đáng tin cậy và với mức hiệu suất tốt nhất có thể? Câu trả lời có thể nằm trong cái gọi là “lớp ứng dụng”.

CEO của NVIDIA, Jensen Huang, đã mô tả trí tuệ nhân tạo như một chiếc bánh 5 lớp: năng lượng, chip, trung tâm dữ liệu, mô hình và ứng dụng. Ông lập luận rằng lớp ứng dụng là cả quan trọng nhất và vẫn còn thiếu.

Đối với một số ứng dụng, chẳng hạn như rô-bốt trò chuyện, lớp này cực kỳ mỏng – về cơ bản chỉ là một giao diện trò chuyện. Trong các ứng dụng khác, chẳng hạn như các ứng dụng công nghiệp và kỹ thuật tiên tiến, nó quan trọng và quan trọng hơn nhiều. Đó là lớp quyết định trong chuỗi giá trị. Khi truy cập vào một mô hình tiên phong cụ thể không còn được đảm bảo, vai trò của lớp ứng dụng sẽ là thống nhất kết quả trên các mô hình và giữ chi phí token dưới kiểm soát.

Cụ thể, nếu tôi muốn thực hiện một nhiệm vụ phức tạp, quan trọng về mặt nhiệm vụ như thiết kế lại chuỗi sản xuất của tôi cho một mô hình máy bay mới, tôi sẽ yêu cầu một mô hình tiên phong mạnh mẽ giúp tôi. Mô hình có thể tự mình tìm ra cách thực hiện, xây dựng một công cụ lập kế hoạch cho tôi và truyền đạt kết quả cho tất cả các đội của tôi. Tuy nhiên, nếu tôi chuyển sang một mô hình khác mạnh mẽ hơn, ít tốn kém hơn hoặc từ một nhà cung cấp khác, tôi có thể mất hiệu suất hoặc mất tính nhất quán trong đầu ra cuối cùng của tôi. Trong nhiều trường hợp thực tế trong các thiết lập doanh nghiệp, sự không thể đoán trước này không được chấp nhận. Đây là nơi vai trò của lớp ứng dụng trở nên quan trọng: thay vì để mô hình hoạt động trong một không gian mở và dựa vào khả năng thô của nó để tạo ra kết quả, lớp ứng dụng định nghĩa một khung rõ ràng, một tập hợp các hành động có sẵn bị hạn chế và một biên giới trong đó nó có thể hoạt động. Mô hình không còn được yêu cầu phải tìm ra mọi thứ từ đầu, nó được đưa ra một khung rõ ràng sẽ làm tăng đáng kể khả năng rằng bất kỳ mô hình nào sẽ hoạt động tốt.

Về mặt chi phí, mô hình của tôi cũng có thể quyết định thực hiện các hành động cấp thấp để đạt được mục tiêu của nó. Nó có thể viết lại một thuật toán lập kế hoạch từ đầu, xây dựng một giao diện mới cho tôi để hình ảnh hóa công việc của nó hoặc thậm chí phát triển một trình giải quyết tối ưu hóa mới. Nhưng điều này có thể cực kỳ tốn kém về mặt token, trong khi các hướng dẫn hoặc công cụ được xây dựng trước có thể giúp mô hình đạt được kết quả tương tự với ít token hơn. Đây là vai trò của lớp ứng dụng. Tin tốt là các mô hình có xu hướng lười biếng và tìm kiếm các đường dẫn ngắn hơn, vì vậy chúng tôi có thể không cần phải hạn chế chúng quá nhiều một khi chúng đã có quyền truy cập vào bộ kỹ năng, công cụ và tài nguyên tính toán phù hợp.

Tóm lại, một lớp ứng dụng tốt sẽ cung cấp các kỹ năng, công cụ và hướng dẫn rõ ràng cho mô hình hoạt động đáng tin cậy và hiệu quả về chi phí. Ngoài việc cải thiện hiệu suất và kiểm soát chi phí token, điều này cũng có nghĩa là sự phụ thuộc vào một mô hình cụ thể giảm đi. nếu bạn nhúng trí tuệ của mình vào lớp ứng dụng thay vì vào mô hình itself, mô hình cơ bản trở nên có thể hoán đổi cho nhau. Trong nhiều trường hợp, nó có thể là điều tạo ra sự khác biệt giữa trí tuệ nhân tạo doanh nghiệp thử nghiệm và có thể mở rộng.

Đề nghị hành động cho các nhà lãnh đạo doanh nghiệp

Khắp các ngành, chúng tôi gặp hàng ngày với các nhà lãnh đạo doanh nghiệp đang làm việc để thiết lập chồng trí tuệ nhân tạo của họ. Hầu hết các công ty đều bắt đầu với một hoặc nhiều nhà cung cấp mô hình tiên phong để thiết lập lớp mô hình cần thiết trong chồng của họ. Đối với lớp ứng dụng, họ либо dựa vào các công cụ tự xây dựng, các khả năng được mua hoàn toàn hoặc sự kết hợp của cả hai.

Việc cấm Anthropic là một lời nhắc nhở rằng chồng này có thể bị gián đoạn qua đêm. Kiến trúc của các công ty phải sẵn sàng cho khi nó sẽ xảy ra lại. Để sẵn sàng, các công ty phải xem xét tốc độ triển khai, nhưng cũng xây dựng các giải pháp sẽ giảm thiểu tác động của việc thay đổi mô hình cũng như chi phí token tăng. Đó không phải là một con đường dễ dàng, nhưng lời khuyên của tôi sẽ là:

• Đầu tư vào ứng dụng của bạn một cách chiến lược và sớm. Các công ty bỏ lỡ chuyến tàu sẽ luôn có một khoảng cách so với những người áp dụng sớm
• Làm cho tính trung lập của mô hình trở thành một nguyên tắc thiết kế, không phải là một giải pháp
• Chi phí của việc chuyển đổi mô hình không nên là một câu hỏi về sự tồn tại của hoạt động của bạn
• Hợp tác với các công ty chuyên biệt có thể benchmark các mô hình, xác thực hiệu suất trên nhiều thiết lập và giúp đảm bảo các bảo đảm hiệu suất lâu dài.

Các công ty sẽ thắng trong trò chơi của giai đoạn trí tuệ nhân tạo doanh nghiệp tiếp theo không nhất thiết là những công ty có quyền truy cập vào các mô hình tốt nhất, mà là những công ty sẽ xây dựng lớp đúng xung quanh chúng.