Na tarde de 12 de setembro, a sede da Startup Dark Horse em Pequim deu início a uma onda de “novas forças de IA”.
Huawei Cloud, APUS, Tors, SenseTime, Kuaishou, 360 Group, Qingbo Intelligence, Dark Horse Tianqi, MiniMax, Sinovation Ventures, Qiji Chuangtan, China Academy of Information and Communications Technology... Existem empresas listadas, empresas líderes e animais unicórnios empresas, bem como as principais instituições de investimento e institutos de pesquisa científica na área de IA.
Os convidados presentes na reunião foram direto ao assunto——
"O status atual da indústria dos grandes modelos? Como as empresas podem comercializar melhor? Quais são as novas tendências e oportunidades às quais vale a pena prestar atenção?"
Tenho a honra de participar desta reunião de IA a portas fechadas e compartilharei 38 notas e verdades com vocês.
Quantos volumes a indústria possui?
De acordo com as estatísticas mais recentes, mais de 130 grandes modelos foram lançados na China e mais de 70 modelos de algoritmos foram registrados na Administração do Ciberespaço da China. Gigantes da Internet como a BAT lançaram grandes modelos de IA. Só em 2023, mais de 60 startups receberam financiamento e os produtos estão cheios de camadas básicas, camadas de modelo e camadas de aplicação. A nova geração de IA generativa poderá ter de olhar para trás, para as armadilhas da geração anterior de IA, e evitar a complacência da indústria para evitar a reencarnação do inverno anterior. Os profissionais desta área devem ver claramente a involução da indústria e os pontos fracos dos clientes, e não se deixar enganar pela canja de galinha dos grandes.
Agora um cliente vem até nós e diz que há 20 cenas e cada cena custa X milhões de yuans? Aí fui de porta em porta perguntar preços: a Huawei faria isso? O Alibaba fará isso? O Baidu fará isso? Se você continuar assim, no final não ganhará nenhum dinheiro.
80%-90% do dinheiro arrecadado por todos é usado para poder computacional. Esta é a situação atual. Você sabe, agora é apenas treinamento. O custo do treinamento é controlável, mas o custo da inferência é incontrolável.
Temos 30.000 GPUs e um poder de computação de 6.000p. Faremos o possível para ter um poder de computação de mais de 12.000p até o final do ano. Em termos de dados, 2 trilhões de tokens são limpos e anotados todos os meses e haverá 10 trilhões de tokens até o final do ano.
Atualmente, a indústria ainda carece de algumas aplicações disruptivas, dificultando a comercialização.
Como encontrar o equilíbrio entre custo e efeito?Este é um ponto difícil. Todos usam modelos grandes e o custo é muito alto.
Depois de um tempo, todos competirão pela capacidade de otimizar a infraestrutura. Por exemplo, em termos de capacidade de otimização de rede, se você continuar quando outros falharem, poderá treinar mais vezes do que outros.
No caso de um poder computacional limitado, estamos fazendo algumas tentativas técnicas voltadas para o futuro. Você pode não ter pensado que em nossa grande empresa de modelos há mais alunos fazendo infraestrutura do que modelando. Os seus preços são geralmente bastante caros e difíceis de recrutar.
Os grandes modelos estão agora numa situação embaraçosa. Não podem vender-se a um preço elevado. No final, só ganha dinheiro quem vende nuvens, cartões e poder computacional.
A princípio pensei que o modelo era bastante valioso, mas agora ele caiu novamente na involução. Conheci um cliente há algum tempo e a BAT e outros o citaram. A cotação inicial era bastante cara, mais de 10 milhões. Alguém sabe qual foi o preço unitário final? Muito cacheado.
Modelos grandes com dezenas de bilhões de parâmetros são considerados gratuitos por alguns clientes especiais.
Vozes da linha de frente
As empresas na área de inteligência artificial devem sempre lembrar o que disse o presidente Mao: “passar de prática em prática”. Somente tirando o roupão e a jaqueta mandarim e caminhando até o campo você poderá obter o feedback mais autêntico quando estiver ao lado de seus clientes. Existem muitos pseudo-especialistas na área de IA agora, então é melhor ouvir mais vozes da linha de frente.
Conversamos com cerca de 150 clientes. Os requisitos para o modelo grande em si são divididos principalmente em duas categorias. Um deles são os requisitos textuais do próprio modelo grande. Os requisitos dos clientes para o modelo de linguagem grande são 100% precisos. O outro é o agente de IA, que inclui chamadas de função, exibição de código e chamadas para ferramentas de terceiros.
Durante a nossa cooperação, surgiu um conflito. Os clientes sentirão que os dados não podem ser fornecidos a você antes de decidirem implantá-los internamente. Mas sem esses dados, como podemos treinar um modelo que atenda às necessidades do cliente?
Quando estávamos trabalhando no projeto, descobrimos que os usuários não estão dispostos a pagar por modelos grandes, mas ainda assim pagam pela sua aplicação. Alguns clientes perguntarão diretamente, com modelos grandes, algumas das plataformas intermediárias inteligentes e gráficos de conhecimento anteriores não são mais necessários? No final, descobri que a cena é o núcleo.
Precisamos encontrar algumas cenas sensuais. Existem vários padrões. Primeiro, a pequena incisão. Em segundo lugar, combine as vantagens dos modelos grandes. Terceiro, permita que os usuários que tomam a decisão de pagar tenham uma percepção forte. Por exemplo, no passado, a obtenção de alguns dados, conclusões ou serviços exigia processos diferentes, agora, através de grandes modelos, os decisores podem obtê-los e concluí-los rapidamente em dispositivos móveis.
Para ter sucesso em um modelo grande, são necessárias três coisas: 1) Se você conseguir dinheiro suficiente para comprar poder computacional. 2) Podemos obter dados suficientes? 3) A densidade de talentos é alta o suficiente? O que importa não é a quantidade, mas se há cientistas de alta qualidade suficientes.
Agora encontramos três tipos de clientes. Um tipo são os clientes ansiosos, como os clientes financeiros que querem fazer isso porque seus concorrentes estão fazendo isso, mas não sabem quais são suas necessidades. Um tipo são os clientes que desejam reduzir custos.A gestão do cliente acredita que se trata principalmente de uma questão de redução de custos e redução de despesas.No entanto, é difícil avaliar o valor específico de quanta economia o modelo alcançou. A última categoria são os clientes que esperam ganhar dinheiro implantando modelos de código aberto. Eles contam com esse modelo para gerar renda. É mais conveniente para esses clientes pagarem.
ToC ou ToB?
Entende-se que o custo de treinar o GPT-4 uma vez é de aproximadamente US$ 63 milhões e requer uma enorme quantidade de 1,8 trilhão de parâmetros. Para alguns modelos grandes lançados atualmente na China, a direção do ToC ainda é o modelo gratuito da Internet. Mas todos os profissionais sabem que o desenvolvimento e a operação de grandes modelos exigem muitos custos, facilitando o bom funcionamento do modelo de negócios da ToB. Em termos de exploração de comercialização, ToB ou ToC sempre foi motivo de preocupação para a indústria. Durante a reunião a portas fechadas, ouvimos repetidamente duas palavras-chave: 1) genes e 2) transgressão. "Você não pode ser o que você não é."
Acreditamos que as oportunidades ainda estão no modelo vertical tob, e o ponto central são os dados e o próprio cenário, que é o núcleo.
Nós próprios também estamos pensando em como a inteligência artificial pode ser combinada com a Internet, a digitalização, etc., e como tornar as cenas originais mais inteligentes.
ToC ou ToB, falando francamente, isso está relacionado aos genes de todos. Só porque não podemos fazer isso não significa que outros não possam fazer isso. Por exemplo, alguns aplicativos ToC são jogados por crianças nascidas em 2000 ou 10 anos, o que está além da nossa compreensão etária.
Toc e Tob ainda são muito diferentes. ToC tem uma taxa de tolerância a falhas relativamente alta. TOB é o oposto. Tomemos, por exemplo, perguntas e respostas inteligentes. Como garantir a precisão? Tal como o governo, existem linhas vermelhas. Como evitar a ilusão do modelo está sendo explorado atualmente.
Pelo contrário, pensamos que é mais fácil ganhar dinheiro na ToC. Há um problema com o ToB. O processo de um projeto é relativamente longo. O ciclo monetário é muito longo, desde a aprovação do orçamento do cliente até ao estabelecimento e implementação do projecto.
Acho que há muitas oportunidades agora. Não aloque recursos para lugares para os quais você não está qualificado. É muito importante fazer escolhas estratégicas.
ToB e ToG também são muito difíceis
O maior problema do lado B é que acabou sendo uma terceirização humana avançada.
Todos os projetos têm ciclos e todos os pagamentos são baseados nos nós do ciclo. É impossível para mim ajudá-lo a treinar e otimizar um modelo sem restrições.
As criações AIGC são mais tolerantes e podem apresentar alguns erros. Mas quando se trata de produção e fabricação por algumas empresas, os requisitos de precisão são muito elevados. Muitas vezes é mais fácil escolher um ou dois casos melhores do modelo, mas ainda é bastante difícil mantê-lo em um nível alto sem casos ruins.
Quando trabalhávamos num projeto de governo digital inteligente numa província economicamente desenvolvida, promovemos mais de 5 cenários e o cliente finalmente aprovou 3 cenários. Em seguida, chegaremos ao fundo das coisas sobre segurança, dados e a camada inferior. Aí vou perguntar quais são as diferenças e vantagens entre você e outros modelos grandes? Finalmente, todas as partes precisam de se sentar e elaborar um sistema de avaliação. Depois de passar no sistema de avaliação, ainda precisamos avaliar o desempenho.
Use projetos para incubar produtos e soluções
Utilize projetos para incubar produtos. Após concluir vários projetos, extraia as soluções técnicas correspondentes. Este conjunto de soluções provavelmente não é um modelo, mas um modelo grande + modelos pequenos e, finalmente, uma solução abrangente formada por vários modelos.
Nos últimos um ou dois anos, poderá ser o processo de inovação e produção de produtos, e o ciclo de recuperação de numerário será relativamente longo.
Agente
Imagine a IA imitando as tarefas humanas cotidianas para lidar com um grande número de comportamentos sociais complexos dos humanos. Um artigo da Universidade de Stanford intitulado "Agentes Geradores: Simulacros Interativos do Comportamento Humano, intitulado" fornece um estudo aprofundado de Agentes de IA que lembram, reagem e planejam. O AI Agent é considerado a próxima direção dos esforços da OpenAI. O cofundador da OpenAI também disse em um evento recente: "Em comparação com os métodos de treinamento de modelo, a OpenAI está atualmente prestando mais atenção às mudanças no campo do Agente. Sempre que um novo artigo sobre Agentes de IA for publicado, ficaremos muito entusiasmados e discutiremos isso internamente." .
Sempre imaginamos que modelos grandes são onipotentes e podem resolver diversos problemas? É este o caso? Grandes modelos são apenas grandes modelos.
Gerenciamos a IA internamente, que é chamada de IA invisível. Na frente dos usuários, não vamos enfatizar qual é o modelo ou quantos parâmetros ele possui. Nossa definição de IA é assistência humana.
Ignorando o modelo e o poder computacional, a próxima oportunidade pode ser o Agente.
O maior problema que afecta actualmente a utilização pelos clientes: a relação entre entradas e saídas. Ao chegar ao final da conversa com o cliente e falar sobre o orçamento do projeto, se for puramente textual e o investimento for de alguns milhões ou alguns milhões, o cliente não ficará muito satisfeito. Além disso, se modelos grandes forem incorporados em ambientes de produção reais usando agentes de IA para resolver problemas reais, os clientes estarão muito dispostos a pagar.
Com base no modelo grande, o AI Agent possui recursos aprimorados, como memória, planejamento e execução. Desta vez, investimos em mais de 60 projetos start-up, dos quais mais de 20 são Agentes.
Os produtos ToC, formulários de pagamento e formulários de produtos são muito diferentes entre a China e os países estrangeiros. Recentemente, investimos em algumas empresas agente.
No entanto, nesta fase, o Agente AI está apenas numa nova fase experimental e ainda existe uma certa lacuna entre ele e a inteligência geral. No futuro, além das capacidades abrangentes de um único Agente de IA, também será necessário resolver avanços nas capacidades de colaboração e emoções entre vários Agentes de IA.
Os grandes jogadores devem garantir que permanecerão na mesa de pôquer para que possam ter a chance de ver coisas novas surgindo no segundo tempo.
(sobre)
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
É muito encaracolado! 36 notas e verdades sobre grandes modelos e AIGC
**Fonte:**i azarão
Na tarde de 12 de setembro, a sede da Startup Dark Horse em Pequim deu início a uma onda de “novas forças de IA”.
Huawei Cloud, APUS, Tors, SenseTime, Kuaishou, 360 Group, Qingbo Intelligence, Dark Horse Tianqi, MiniMax, Sinovation Ventures, Qiji Chuangtan, China Academy of Information and Communications Technology... Existem empresas listadas, empresas líderes e animais unicórnios empresas, bem como as principais instituições de investimento e institutos de pesquisa científica na área de IA.
Os convidados presentes na reunião foram direto ao assunto——
"O status atual da indústria dos grandes modelos? Como as empresas podem comercializar melhor? Quais são as novas tendências e oportunidades às quais vale a pena prestar atenção?"
Tenho a honra de participar desta reunião de IA a portas fechadas e compartilharei 38 notas e verdades com vocês.
Quantos volumes a indústria possui?
De acordo com as estatísticas mais recentes, mais de 130 grandes modelos foram lançados na China e mais de 70 modelos de algoritmos foram registrados na Administração do Ciberespaço da China. Gigantes da Internet como a BAT lançaram grandes modelos de IA. Só em 2023, mais de 60 startups receberam financiamento e os produtos estão cheios de camadas básicas, camadas de modelo e camadas de aplicação. A nova geração de IA generativa poderá ter de olhar para trás, para as armadilhas da geração anterior de IA, e evitar a complacência da indústria para evitar a reencarnação do inverno anterior. Os profissionais desta área devem ver claramente a involução da indústria e os pontos fracos dos clientes, e não se deixar enganar pela canja de galinha dos grandes.
Agora um cliente vem até nós e diz que há 20 cenas e cada cena custa X milhões de yuans? Aí fui de porta em porta perguntar preços: a Huawei faria isso? O Alibaba fará isso? O Baidu fará isso? Se você continuar assim, no final não ganhará nenhum dinheiro.
80%-90% do dinheiro arrecadado por todos é usado para poder computacional. Esta é a situação atual. Você sabe, agora é apenas treinamento. O custo do treinamento é controlável, mas o custo da inferência é incontrolável.
Temos 30.000 GPUs e um poder de computação de 6.000p. Faremos o possível para ter um poder de computação de mais de 12.000p até o final do ano. Em termos de dados, 2 trilhões de tokens são limpos e anotados todos os meses e haverá 10 trilhões de tokens até o final do ano.
Atualmente, a indústria ainda carece de algumas aplicações disruptivas, dificultando a comercialização.
Como encontrar o equilíbrio entre custo e efeito?Este é um ponto difícil. Todos usam modelos grandes e o custo é muito alto.
Depois de um tempo, todos competirão pela capacidade de otimizar a infraestrutura. Por exemplo, em termos de capacidade de otimização de rede, se você continuar quando outros falharem, poderá treinar mais vezes do que outros.
No caso de um poder computacional limitado, estamos fazendo algumas tentativas técnicas voltadas para o futuro. Você pode não ter pensado que em nossa grande empresa de modelos há mais alunos fazendo infraestrutura do que modelando. Os seus preços são geralmente bastante caros e difíceis de recrutar.
Os grandes modelos estão agora numa situação embaraçosa. Não podem vender-se a um preço elevado. No final, só ganha dinheiro quem vende nuvens, cartões e poder computacional.
A princípio pensei que o modelo era bastante valioso, mas agora ele caiu novamente na involução. Conheci um cliente há algum tempo e a BAT e outros o citaram. A cotação inicial era bastante cara, mais de 10 milhões. Alguém sabe qual foi o preço unitário final? Muito cacheado.
Modelos grandes com dezenas de bilhões de parâmetros são considerados gratuitos por alguns clientes especiais.
Vozes da linha de frente
As empresas na área de inteligência artificial devem sempre lembrar o que disse o presidente Mao: “passar de prática em prática”. Somente tirando o roupão e a jaqueta mandarim e caminhando até o campo você poderá obter o feedback mais autêntico quando estiver ao lado de seus clientes. Existem muitos pseudo-especialistas na área de IA agora, então é melhor ouvir mais vozes da linha de frente.
Conversamos com cerca de 150 clientes. Os requisitos para o modelo grande em si são divididos principalmente em duas categorias. Um deles são os requisitos textuais do próprio modelo grande. Os requisitos dos clientes para o modelo de linguagem grande são 100% precisos. O outro é o agente de IA, que inclui chamadas de função, exibição de código e chamadas para ferramentas de terceiros.
Durante a nossa cooperação, surgiu um conflito. Os clientes sentirão que os dados não podem ser fornecidos a você antes de decidirem implantá-los internamente. Mas sem esses dados, como podemos treinar um modelo que atenda às necessidades do cliente?
Quando estávamos trabalhando no projeto, descobrimos que os usuários não estão dispostos a pagar por modelos grandes, mas ainda assim pagam pela sua aplicação. Alguns clientes perguntarão diretamente, com modelos grandes, algumas das plataformas intermediárias inteligentes e gráficos de conhecimento anteriores não são mais necessários? No final, descobri que a cena é o núcleo.
Precisamos encontrar algumas cenas sensuais. Existem vários padrões. Primeiro, a pequena incisão. Em segundo lugar, combine as vantagens dos modelos grandes. Terceiro, permita que os usuários que tomam a decisão de pagar tenham uma percepção forte. Por exemplo, no passado, a obtenção de alguns dados, conclusões ou serviços exigia processos diferentes, agora, através de grandes modelos, os decisores podem obtê-los e concluí-los rapidamente em dispositivos móveis.
Para ter sucesso em um modelo grande, são necessárias três coisas: 1) Se você conseguir dinheiro suficiente para comprar poder computacional. 2) Podemos obter dados suficientes? 3) A densidade de talentos é alta o suficiente? O que importa não é a quantidade, mas se há cientistas de alta qualidade suficientes.
Agora encontramos três tipos de clientes. Um tipo são os clientes ansiosos, como os clientes financeiros que querem fazer isso porque seus concorrentes estão fazendo isso, mas não sabem quais são suas necessidades. Um tipo são os clientes que desejam reduzir custos.A gestão do cliente acredita que se trata principalmente de uma questão de redução de custos e redução de despesas.No entanto, é difícil avaliar o valor específico de quanta economia o modelo alcançou. A última categoria são os clientes que esperam ganhar dinheiro implantando modelos de código aberto. Eles contam com esse modelo para gerar renda. É mais conveniente para esses clientes pagarem.
ToC ou ToB?
Entende-se que o custo de treinar o GPT-4 uma vez é de aproximadamente US$ 63 milhões e requer uma enorme quantidade de 1,8 trilhão de parâmetros. Para alguns modelos grandes lançados atualmente na China, a direção do ToC ainda é o modelo gratuito da Internet. Mas todos os profissionais sabem que o desenvolvimento e a operação de grandes modelos exigem muitos custos, facilitando o bom funcionamento do modelo de negócios da ToB. Em termos de exploração de comercialização, ToB ou ToC sempre foi motivo de preocupação para a indústria. Durante a reunião a portas fechadas, ouvimos repetidamente duas palavras-chave: 1) genes e 2) transgressão. "Você não pode ser o que você não é."
Acreditamos que as oportunidades ainda estão no modelo vertical tob, e o ponto central são os dados e o próprio cenário, que é o núcleo.
Nós próprios também estamos pensando em como a inteligência artificial pode ser combinada com a Internet, a digitalização, etc., e como tornar as cenas originais mais inteligentes.
ToC ou ToB, falando francamente, isso está relacionado aos genes de todos. Só porque não podemos fazer isso não significa que outros não possam fazer isso. Por exemplo, alguns aplicativos ToC são jogados por crianças nascidas em 2000 ou 10 anos, o que está além da nossa compreensão etária.
Toc e Tob ainda são muito diferentes. ToC tem uma taxa de tolerância a falhas relativamente alta. TOB é o oposto. Tomemos, por exemplo, perguntas e respostas inteligentes. Como garantir a precisão? Tal como o governo, existem linhas vermelhas. Como evitar a ilusão do modelo está sendo explorado atualmente.
Pelo contrário, pensamos que é mais fácil ganhar dinheiro na ToC. Há um problema com o ToB. O processo de um projeto é relativamente longo. O ciclo monetário é muito longo, desde a aprovação do orçamento do cliente até ao estabelecimento e implementação do projecto.
Acho que há muitas oportunidades agora. Não aloque recursos para lugares para os quais você não está qualificado. É muito importante fazer escolhas estratégicas.
ToB e ToG também são muito difíceis
O maior problema do lado B é que acabou sendo uma terceirização humana avançada.
Todos os projetos têm ciclos e todos os pagamentos são baseados nos nós do ciclo. É impossível para mim ajudá-lo a treinar e otimizar um modelo sem restrições.
As criações AIGC são mais tolerantes e podem apresentar alguns erros. Mas quando se trata de produção e fabricação por algumas empresas, os requisitos de precisão são muito elevados. Muitas vezes é mais fácil escolher um ou dois casos melhores do modelo, mas ainda é bastante difícil mantê-lo em um nível alto sem casos ruins.
Quando trabalhávamos num projeto de governo digital inteligente numa província economicamente desenvolvida, promovemos mais de 5 cenários e o cliente finalmente aprovou 3 cenários. Em seguida, chegaremos ao fundo das coisas sobre segurança, dados e a camada inferior. Aí vou perguntar quais são as diferenças e vantagens entre você e outros modelos grandes? Finalmente, todas as partes precisam de se sentar e elaborar um sistema de avaliação. Depois de passar no sistema de avaliação, ainda precisamos avaliar o desempenho.
Use projetos para incubar produtos e soluções
Utilize projetos para incubar produtos. Após concluir vários projetos, extraia as soluções técnicas correspondentes. Este conjunto de soluções provavelmente não é um modelo, mas um modelo grande + modelos pequenos e, finalmente, uma solução abrangente formada por vários modelos.
Nos últimos um ou dois anos, poderá ser o processo de inovação e produção de produtos, e o ciclo de recuperação de numerário será relativamente longo.
Agente
Imagine a IA imitando as tarefas humanas cotidianas para lidar com um grande número de comportamentos sociais complexos dos humanos. Um artigo da Universidade de Stanford intitulado "Agentes Geradores: Simulacros Interativos do Comportamento Humano, intitulado" fornece um estudo aprofundado de Agentes de IA que lembram, reagem e planejam. O AI Agent é considerado a próxima direção dos esforços da OpenAI. O cofundador da OpenAI também disse em um evento recente: "Em comparação com os métodos de treinamento de modelo, a OpenAI está atualmente prestando mais atenção às mudanças no campo do Agente. Sempre que um novo artigo sobre Agentes de IA for publicado, ficaremos muito entusiasmados e discutiremos isso internamente." .
Sempre imaginamos que modelos grandes são onipotentes e podem resolver diversos problemas? É este o caso? Grandes modelos são apenas grandes modelos.
Gerenciamos a IA internamente, que é chamada de IA invisível. Na frente dos usuários, não vamos enfatizar qual é o modelo ou quantos parâmetros ele possui. Nossa definição de IA é assistência humana.
Ignorando o modelo e o poder computacional, a próxima oportunidade pode ser o Agente.
O maior problema que afecta actualmente a utilização pelos clientes: a relação entre entradas e saídas. Ao chegar ao final da conversa com o cliente e falar sobre o orçamento do projeto, se for puramente textual e o investimento for de alguns milhões ou alguns milhões, o cliente não ficará muito satisfeito. Além disso, se modelos grandes forem incorporados em ambientes de produção reais usando agentes de IA para resolver problemas reais, os clientes estarão muito dispostos a pagar.
Com base no modelo grande, o AI Agent possui recursos aprimorados, como memória, planejamento e execução. Desta vez, investimos em mais de 60 projetos start-up, dos quais mais de 20 são Agentes.
Os produtos ToC, formulários de pagamento e formulários de produtos são muito diferentes entre a China e os países estrangeiros. Recentemente, investimos em algumas empresas agente.
No entanto, nesta fase, o Agente AI está apenas numa nova fase experimental e ainda existe uma certa lacuna entre ele e a inteligência geral. No futuro, além das capacidades abrangentes de um único Agente de IA, também será necessário resolver avanços nas capacidades de colaboração e emoções entre vários Agentes de IA.
Os grandes jogadores devem garantir que permanecerão na mesa de pôquer para que possam ter a chance de ver coisas novas surgindo no segundo tempo.
(sobre)