Trường hợp cho việc phân cấp công nghệ AI của bạn

Đáng kể phần lớn cuộc trò chuyện về phát triển AI đã trở nên thống trị bởi một cuộc tranh luận triết học và tương lai – chúng ta nên tiếp cận trí tuệ nhân tạo tổng quát, nơi AI sẽ trở nên tiên tiến đủ để thực hiện bất kỳ nhiệm vụ nào giống như con người? Liệu điều đó có thể xảy ra không?

Trong khi cuộc thảo luận về tăng tốc versus giảm tốc là quan trọng và kịp thời với những tiến bộ như mô hình Q-star, các khía cạnh khác cũng quan trọng. Chủ yếu, tầm quan trọng của việc phân cấp chồng công nghệ của bạn và cách thực hiện điều đó mà không làm cho nó trở thành một gánh nặng chi phí. Hai thách thức này có thể cảm thấy trái ngược: xây dựng và triển khai mô hình là cực kỳ tốn kém, nhưng quá phụ thuộc vào một mô hình có thể có hại trong dài hạn. Tôi biết thách thức này một cách cá nhân như một người sáng lập AI.

Để xây dựng trí tuệ, bạn cần tài năng, dữ liệu và tính toán có thể mở rộng. Để tăng tốc thời gian đưa sản phẩm ra thị trường và làm được nhiều hơn với ít hơn, nhiều công ty sẽ chọn xây dựng trên các mô hình hiện có, thay vì xây dựng từ đầu. Và cách tiếp cận này có ý nghĩa khi những gì bạn đang xây dựng là rất tốn tài nguyên. Thêm vào thách thức này là, không giống như phần mềm, hầu hết lợi ích cho đến nay trong AI đã được thực hiện bằng cách thêm nhiều quy mô, điều này yêu cầu nhiều năng lực tính toán và do đó tốn kém.

Nhưng điều gì xảy ra khi công ty mà bạn đã xây dựng giải pháp của mình gặp phải thất bại trong quản trị hoặc sự cố sản phẩm? Từ góc độ thực tế, phụ thuộc vào một mô hình duy nhất để xây dựng sản phẩm của bạn có nghĩa là bạn hiện là một phần của hiệu ứng gợn tiêu cực cho bất cứ điều gì xảy ra.

Chúng ta cũng phải nhớ đến rủi ro khi làm việc với các hệ thống có tính xác suất. Chúng ta không quen với điều này và thế giới chúng ta sống cho đến nay đã được thiết kế và xây dựng để hoạt động với một câu trả lời xác định. Các mô hình là linh hoạt về mặt đầu ra, và các công ty liên tục điều chỉnh các mô hình, điều này có nghĩa là mã bạn đã viết để hỗ trợ những điều này và kết quả khách hàng của bạn đang dựa vào có thể thay đổi mà không có kiến thức hoặc kiểm soát của bạn.

Tập trung hóa cũng tạo ra các vấn đề an toàn vì nó giới thiệu một điểm thất bại duy nhất. Mỗi công ty đều hoạt động vì lợi ích tốt nhất của mình. Nếu có một vấn đề an toàn hoặc rủi ro với một mô hình, bạn sẽ có ít quyền kiểm soát hơn trong việc sửa chữa vấn đề đó hoặc ít quyền truy cập vào các giải pháp thay thế.

Vậy điều đó để lại cho chúng ta?

AI chắc chắn sẽ cải thiện cách chúng ta sống. Có rất nhiều điều mà nó có thể đạt được và sửa chữa, từ cách chúng ta thu thập thông tin đến cách chúng ta hiểu lượng dữ liệu khổng lồ. Nhưng cùng với cơ hội đó cũng có rủi ro. Nếu chúng ta quá phụ thuộc vào một mô hình duy nhất, tất cả các công ty đều đang mở cửa cho cả thách thức an toàn và sản phẩm.

Để sửa chữa điều này, chúng ta cần giảm chi phí suy luận và làm cho nó dễ dàng hơn cho các công ty có một cách tiếp cận đa mô hình. Và tất nhiên, mọi thứ đều liên quan đến dữ liệu. Dữ liệu và quyền sở hữu dữ liệu sẽ quan trọng. Dữ liệu càng độc đáo, chất lượng cao và có sẵn, nó sẽ càng hữu ích.

Đối với nhiều vấn đề, bạn có thể tối ưu hóa mô hình cho một ứng dụng cụ thể. Dặm cuối cùng của AI là các công ty xây dựng logic định tuyến, đánh giá và các lớp xếp hàng trên các mô hình khác nhau, chuyên môn hóa chúng cho các lĩnh vực dọc khác nhau.

Đã có nhiều khoản đầu tư đáng kể trong không gian này đang giúp chúng ta đến gần hơn với mục tiêu này. Vòng tài trợ gần đây (và ấn tượng) của Mistal là một bước phát triển đầy hứa hẹn hướng tới một giải pháp thay thế cho OpenAI. Cũng có các công ty giúp các nhà cung cấp AI khác biến việc đa mô hình trở thành hiện thực và giảm chi phí suy luận thông qua phần cứng, phần mềm chuyên dụng và tinh chỉnh mô hình, như một số ví dụ.

Chúng ta cũng sẽ thấy mã nguồn mở cất cánh, và các cơ quan chính phủ phải cho phép mã nguồn mở vẫn mở. Với các mô hình mã nguồn mở, dễ dàng hơn để có quyền kiểm soát. Tuy nhiên, khoảng cách hiệu suất vẫn còn.

Tôi giả định chúng ta sẽ kết thúc trong một thế giới nơi bạn sẽ có các mô hình cấp thấp được tối ưu hóa để thực hiện các nhiệm vụ ít phức tạp hơn ở quy mô lớn, trong khi các mô hình siêu thông minh lớn hơn sẽ hoạt động như các oracle cho các bản cập nhật và sẽ ngày càng chi tiêu nhiều tính toán hơn để giải quyết các vấn đề phức tạp hơn. Bạn sẽ không cần một mô hình có một nghìn tỷ tham số để trả lời một yêu cầu dịch vụ khách hàng. Tôi so sánh nó với việc không có một giám đốc điều hành cấp cao quản lý một nhiệm vụ mà một thực tập sinh có thể xử lý. Giống như chúng ta có nhiều vai trò cho các đối tác con người, hầu hết các công ty cũng sẽ dựa vào một bộ sưu tập các mô hình với các mức độ tinh vi khác nhau.

Để đạt được sự cân bằng này, bạn cần một sự phân chia nhiệm vụ rõ ràng và đánh giá, xem xét thời gian, độ phức tạp tính toán, chi phí và quy mô yêu cầu. Tùy thuộc vào trường hợp sử dụng, bạn có thể ưu tiên theo đó. Xác định một sự thật cơ bản, một kết quả lý tưởng để so sánh, và một ví dụ về dữ liệu đầu vào và đầu ra, để bạn có thể chạy các lời nhắc khác nhau để tối ưu hóa và có được kết quả gần nhất với sự thật cơ bản.

Nếu các công ty AI có thể thành công trong việc phân cấp chồng công nghệ của họ và xây dựng trên nhiều mô hình, chúng ta có thể cải thiện sự an toàn và tin cậy của các công cụ này và do đó tối đa hóa tác động tích cực của AI. Chúng ta không còn ở nơi để tranh luận lý thuyết – đã đến lúc tập trung vào cách đưa AI vào hoạt động để làm cho những công nghệ này hiệu quả và linh hoạt hơn.