Kevin Roose, dziennikarz i autor książki Kroniki AGI, twierdzi, że branża sztucznej inteligencji przeszła od spekulacji na temat sztucznej inteligencji ogólnej (AGI) do organizowania swojej działalności wokół jej tworzenia. Ta zmiana ma znaczenie nawet dla firm dalekich od pionierskich laboratoriów: te same systemy są coraz częściej sprzedawane jako praktyczne narzędzia automatyzacji, podczas gdy ich twórcy nadal podejmują kosztowne i niepewne zakłady dotyczące znacznie większego celu.
Od ambicji badawczych do wyścigu o komercjalizację
W rozmowie na temat Dekoder, Roose opisał, w jaki sposób laboratoria pionierskie zmieniły się, gdy duże modele językowe zaczęły generować wyniki, które wielu badaczy uważało wcześniej za nieprawdopodobne. Architektura transformatora, opublikowana przez badaczy z Google w 2017 roku, stała się podstawą systemów leżących u podstaw ChatGPT i podobnych produktów. Głównym spostrzeżeniem Roose’a jest to, że przewidywanie następnego tokenu nadal uogólnia się zaskakująco dobrze, co zachęca firmy do przekonania, że dalsze skalowanie może doprowadzić do powstania szerszych form inteligencji.
Przekonanie to współistnieje obecnie z bardziej konwencjonalną rzeczywistością biznesową. OpenAI, Anthropic i Google to nie tylko organizacje badawcze; starają się one również sprzedawać oprogramowanie dla przedsiębiorstw, pozyskiwać klientów oraz finansować znaczne koszty związane z infrastrukturą obliczeniową i personelem. Roose określa sprzedaż dla przedsiębiorstw jako sposób na utrzymanie “koła zamachowego” w ruchu, podczas gdy firmy nadal dążą do opracowania bardziej zaawansowanych modeli i agentów.
Napięcie jest znaczne. Firma skupiona na krótkoterminowych marżach może priorytetowo traktować poprawę wydajności wnioskowania, obsługę obecnych klientów oraz sprzedaż sprawdzonych funkcji. Natomiast firma przekonana, że przełom w zakresie możliwości jest w zasięgu ręki, może zamiast tego skierować kapitał na szkolenia, moc obliczeniową i systemy kodowania mające wspierać długotrwałą pracę autonomiczną. Artykuł przedstawia to jako strategiczny kompromis, a nie gotową receptę na sukces.
Dlaczego wydajność nie eliminuje kruchości
W wywiadzie zwrócono również uwagę na utrzymujące się rozróżnienie między imponującymi demonstracjami a niezawodną automatyzacją. Roose jest optymistą co do tego, że modele językowe mogą w końcu osiągnąć poziom ogólnej inteligencji sztucznej (AGI), jednak w dyskusji przyznano, że obecne systemy wciąż mogą zawieść, gdy zadania są nieprecyzyjnie sformułowane, informacje zwrotne są niejednoznaczne lub otaczające je oprogramowanie nie zapewnia jasnego sposobu rozpoznania błędu.
Ograniczenie to ma szczególne znaczenie dla przedsiębiorstw wdrażających automatyzację opartą na sztucznej inteligencji. Model może dobrze radzić sobie z kodowaniem, analizą dokumentów lub innymi zadaniami, których wyniki i kryteria weryfikacji są jasno określone. Może jednak okazać się znacznie mniej niezawodny, gdy trzeba poruszać się po niespójnych stronach internetowych, interpretować nieudokumentowane procesy lub podejmować decyzje w oparciu o dane z kilku systemów bez weryfikacji przez człowieka.
Dla założycieli, agencji i zespołów operacyjnych praktyczna lekcja polega nie na tym, by wybierać między entuzjazmem a odrzuceniem, lecz na tym, by oddzielić możliwość z niezawodność. Automatyzacja może być naprawdę przydatna, ale nadal wymaga punktów kontrolnych, uprawnień, dzienników audytowych, procedur awaryjnych oraz osoby odpowiedzialnej za sytuacje wyjątkowe.
Co to oznacza dla przedsiębiorstw
- Projektuj w oparciu o weryfikowalne wyniki. Łatwiej jest zaufać automatyzacjom, gdy można zweryfikować ich skuteczność za pomocą ustrukturyzowanych danych, testów, zatwierdzeń lub porównania z wiarygodnym źródłem informacji.
- Należy przeznaczyć środki na działalność operacyjną, a nie tylko na dostęp do modeli. Opłaty za API lub oprogramowanie to tylko część kosztów. Zespoły potrzebują również monitorowania, utrzymania płynności pracy, środków bezpieczeństwa oraz czasu na reagowanie na awarie.
- Zachowaj elastyczność strategiczną. Sytuacja konkurencyjna może sprzyjać niewielkiej liczbie dużych dostawców, jednak wywiad pozostawia otwarte pytania dotyczące cen, modeli opartych na rzeczywistym obciążeniu, zapotrzebowania na moc obliczeniową oraz regulacji. Należy unikać opierania kluczowych procesów na niesprawdzonych założeniach dotyczących tego, który dostawca lub model zdominuje rynek.
Szersza argumentacja Roose’a ma charakter zarówno kulturowy, jak i techniczny: stosunkowo niewielka społeczność naukowców, kadry kierowniczej i inwestorów podejmuje decyzje, które mogą mieć daleko idące konsekwencje. Niezależnie od tego, czy AGI pojawi się w terminach sugerowanych przez jej zwolenników, przedsiębiorstwa i decydenci polityczni muszą już teraz zmierzyć się z coraz bardziej zaawansowanymi systemami. Rozsądnym podejściem nie jest ani bezkrytyczne przyjmowanie wszystkich prognoz branżowych, ani całkowite odrzucanie tej technologii, lecz zrozumienie, w jakich obszarach automatyzacja sprawdza się, a w jakich zawodzi oraz kto ponosi odpowiedzialność w przypadku niepowodzeń.
Źródło: Przeczytaj oryginalny artykuł. Niniejszy artykuł uzupełnia raport źródłowy o ogólną analizę i kontekst praktyczny.
Dowiedz się więcej: Szukasz praktycznych rozwiązań w zakresie automatyzacji opartej na sztucznej inteligencji dla swojej firmy? Odwiedź stronę Implementi.ai – firma zajmująca się automatyzacją.
