Bu yapay zeka geliştirme dalgası, etkisini çeşitli alanlara o kadar hızlı bir şekilde yaydı ki, gerçekten de çoğu insanın beklentilerini aştı. Geçen hafta Sequoia (Sequoia Amerika), yapay zekanın ikinci bölümünü açtığına inandı ve uygulama senaryoları perspektifinden yeni bir yapay zeka haritası ve LLM geliştirici yığın (yığın) haritası çizdi.
Ancak fonların yönüne bakıldığında, yapay zekanın mevcut gelişimi hala tanrılar arasındaki mücadele aşamasında gibi görünüyor ve bu model neredeyse şekillenmiş gibi görünüyor. OpenAI'nin Microsoft ve diğerlerinden yaklaşık 11 milyar ABD doları alması ve değerinin yaklaşık 29 milyar ABD doları olmasının ardından, rakibi Anthropic dün Amazon ile bir ittifak yaptığını duyurdu. Amazon buna 4 milyar ABD dolarına kadar yatırım yapacak ve Anthropic OpenAI'den sonra ikinci olacak. AI girişimlerinin finansmanı açısından.
Bu finansmandan sonra, Apple hariç, yapay zeka endüstrisi temel olarak böyle bir tanrıların savaşma modelini oluşturdu:
Microsoft + OpenAI
Google + DeepMind
Meta + MetaAI
Amazon + Antropik
Tesla + xAI
Elbette alt seviye altyapı sağlayıcısı olarak Nvidia'nın stratejisi açıkçası herkesin bunu istemesi yönünde ve herhangi bir firmaya yönelik çok ciddi bir duruş yok. Aşağıda 15 AI unicorn'un genel durumu yer almaktadır: Değerleme ve finansman açısından bakıldığında, büyük model LLM'ler büyük bir kısmı oluşturmaktadır ve AI unicorn'ların %50'si 2021'den sonra kurulmuştur:
Bugün, a16z, bilişimin üçüncü çağında olduğumuza inanan birçok önde gelen yapay zeka şirketinin kurucularıyla sohbetlerini paylaştı ve yapay zekanın bugünü, geleceği ve açıklığı perspektifinden 16 ilginç konuyu tartıştı. Bu konuşmaya katılanlar şunlardır:
a16z Ortağı Martin Casado
OpenAI CTO'su Mira Murati
Roblox Kurucu Ortağı ve CEO'su David Baszucki
Figma Kurucu Ortağı ve CEO'su Dylan Field
Antropik Kurucu Ortak ve CEO Dario Amodei
Microsoft CTO'su ve AI Kevin Scott'tan Başkan Yardımcısı
insitro Kurucu ve CEO Daphne Koller
Databricks Kurucu Ortağı ve CEO'su Ali Ghodsi
Character.AI Kurucu Ortağı ve CEO'su Noam Shazeer
Makale çok uzun olduğundan (neredeyse 10.000 kelime), kısaca derlemek için yapay zeka kullandım. Bazı terimler doğru olmayabilir. İlgilenen arkadaşlar orijinal İngilizce metni okuyabilir:
1 Bilgisayarda üçüncü çağın başlangıcındayız
Martin Casado,a16z:
Gerçekten bilişimin üçüncü çağına girdiğimizi düşünüyorum. Mikroçipler marjinal hesaplama maliyetini sıfıra indirdi, İnternet marjinal dağıtım maliyetini sıfıra indirdi ve şimdi büyük modeller aslında yaratmanın marjinal maliyetini sıfıra indirdi. Önceki dönemlerde hangi yeni şirketlerin kurulacağı hakkında hiçbir fikriniz yoktu. Kimse Amazon'u tahmin etmedi, kimse Yahoo'yu tahmin etmedi. Yeni bir ikonik şirket dalgasına hazırlanmalıyız. Noam Shazeer, Karakter AI:
Gerçekten "Wright kardeşlerin ilk uçağı" anındayız. Halihazırda işe yarayan ve artık çok sayıda uygulama senaryosu için yararlı olan bir şeye sahibiz. Görünüşe göre gerçekten iyi ölçekleniyor ve daha da iyi olacak. Ancak daha yapılacak çok atılım var çünkü artık dünyadaki tüm yapay zeka bilim insanları bunları daha iyi hale getirmek için çok çalışıyor. Kevin Scott, Microsoft:
Özellikle son birkaç yılda ve belki özellikle son 12 ayda ChatGPT ve GPT-4'ün piyasaya sürülmesiyle bu platformun bir PC veya akıllı telefonla aynı olma potansiyelini gerçekten görebilirsiniz. Bir dizi teknoloji birçok yeni şeyi mümkün kılacak ve birçok insan bu yeni şeylerin üzerine yeni şeyler inşa edecek. ## 2 Bu üretken yapay zeka dalgası, pazar dönüşümünü destekleyen ekonomik ilkelere sahiptir.
Teknolojik yeniliğin pazar dönüşümünü tetiklemesi için ekonomik faydaların son derece cazip olması gerekir. Önceki yapay zeka döngülerinde birçok teknolojik ilerleme olmasına rağmen, bunlar dönüştürücü ekonomik faydalardan yoksundu. Mevcut yapay zeka dalgasında, bazı kullanım durumlarında 10.000 kat (veya daha fazla) ekonomik iyileşmenin erken işaretlerini zaten görüyoruz ve sonuçta yapay zekanın benimsenmesi ve geliştirilmesi, önceki tüm değişimlerden çok daha hızlı görünüyor.
Martin Casado,a16z:
Piyasa dönüşümü on kat ekonomik iyileşmeyle gerçekleşmez. Öncekinden on bin kat daha iyi olduklarında yaratılırlar. Diyelim ki kendimi bir Pixar karakterine dönüştürecek bir görsel yaratmak istiyorum. Bu görüntü modellerinden birini kullanırsam çıkarım maliyeti yüzde onda biri oluyor ve diyelim ki 1 saniye sürüyor. Bir grafik sanatçısını işe almakla karşılaştırıldığında saatlik ücretin 100$ olduğunu varsayalım. Maliyet ve zaman açısından 4 ila 5 kat büyüklüğünde büyük bir fark göreceksiniz. İktisatçılara göre bu, piyasada gerçekten büyük bir bozulma olduğunda aradıkları türden bir dönüm noktasıdır.
Bunun ne kadar çılgınca olabileceğine dair bir örnek istiyorsanız, 3 boyutlu modeller, karakterler, sesler, müzik, hikaye vb. içeren eksiksiz bir oyun oluşturamamanız için hiçbir neden göremiyorum. Günümüzde start-up'lar tüm bunları yapıyor ve yüz milyonlarca dolar ve yılın maliyetini birkaç doların maliyetiyle karşılaştırırsanız, artık ekonomide internet ve mikroçip düzeyinde bir asimetriyle karşı karşıyayız.
3 Bazı erken uygulama senaryoları için: Yaratıcılık > Doğruluk
Halüsinasyonlar günümüzün büyük model LLM'lerinde iyi bilinen bir sorundur, ancak bazı uygulamalar için bir şeyler uydurabilme yeteneği bir hatadan ziyade bir özelliktir. N düzeyinde doğruluğun kritik olduğu erken uygulamalı makine öğrenimi kullanım durumlarıyla (örneğin, sürücüsüz arabalar) karşılaştırıldığında, LLM'lere yönelik erken kullanım durumlarının çoğu (sanal arkadaşlar ve refakatçiler, beyin fırtınası konseptleri veya çevrimiçi oyunlar oluşturma) aşağıdakilerle karakterize edilir: Odaklanma Yaratıcılığın doğruluktan daha önemli olduğu alanlarda.
Noam Shazeer, Karakter.AI:
Eğlence yıllık 2 trilyon dolarlık bir endüstridir. Ve işin karanlık sırrı, eğlencenin var olmayan sanal arkadaşlarınıza benzemesidir. Bu, genel yapay zeka için harika bir ilk kullanım durumudur. Mesela bir doktor başlatmak isteseydiniz bu çok daha yavaş olurdu çünkü yanlış bilgi vermemek için çok ama çok dikkatli olmanız gerekir. Ancak arkadaşlarınızla bunu çok hızlı bir şekilde yapabilirsiniz, bu sadece eğlencelidir ve bir şeyler uydurmak bir özellik haline gelir. David Baszucki, Roblox:
Roblox'taki 65 milyon kullanıcının çoğu istedikleri düzeyde içerik oluşturmuyor. Uzun bir süre, bir dikiş makinesini ve kumaşı kullanabileceğiniz ve her şeyin 3 boyutlu olarak simüle edilebileceği bir Project Runway simülasyon oyunu hayal ettik, ancak bu bile çoğumuz için biraz karmaşıktı. Artık Project Runway Roblox'ta çıktığında bunun bir metin istemi, bir resim istemi veya bir sesli istem olacağını düşünüyorum. Eğer o gömleği yapmana yardım etseydim şöyle derdim: Mavi bir kot gömlek, birkaç düğme ve daha dar bir kesim istiyorum. Aslında yaratılışta bir hızlanma göreceğimizi düşünüyorum. Dylan Field, Figma:
Şu anda yapay zekanın ilk taslağı tamamlamasının mümkün olduğu bir aşamadayız ancak bundan nihai ürüne ulaşmak hala biraz zor ve çoğu zaman bunu yapmak için bir ekip gerekiyor. Ancak yapay zekanın insanlara arayüz öğeleri önermesini ve bunu gerçekten anlamlı bir şekilde yapmasını sağlayabilirseniz, bence bu, kullanıcının amacına yanıt veren bağlamsal tasarımlar yaratarak tasarımda yepyeni bir çağ açacaktır. Tüm tasarımcıların bu yapay zeka sistemleriyle iş birliği içinde çalışacağı büyüleyici bir dönem olacağına inanıyorum. ## 4 Diğer örnekler için, "yardımcı pilot" programlamanın doğruluğu insan kullanımıyla birlikte artacaktır.
Yapay zeka birçok alanda insan çalışmasını artırma potansiyeline sahip olsa da, "yardımcı pilotların" programlanması çeşitli nedenlerden dolayı yaygın olarak benimsenen ilk yapay zeka asistanı haline geldi:
Birincisi, geliştiriciler genellikle yeni teknolojileri ilk benimseyenlerdir. Mayıs/Haziran 2023'te ChatGPT ipuçları üzerinde yapılan bir analiz, ChatGPT ipuçlarının %30'unun programlamayla ilgili olduğunu ortaya çıkardı. İkincisi, en büyük LLM'ler kod ağırlıklı veri kümeleri (İnternet gibi) üzerinde eğitilir, bu da onları programlamayla ilgili sorgulara yanıt vermede özellikle iyi kılar. Son olarak döngüdeki kişiler kullanıcılardır. Dolayısıyla doğruluk önemli olsa da yapay zeka yardımcı pilotuna sahip bir insan geliştirici, tek başına bir insan geliştiriciden daha hızlı bir şekilde doğruluğu yineleyebilir.
Martin Casado,a16z:
Bunu doğru yapmanız gerekiyorsa ve çok sayıda karmaşık kullanım durumu varsa, ya tüm teknik işleri kendiniz yapın ya da insanları işe alın. Genellikle insanları işe alıyoruz. Bu değişken bir maliyettir. İkincisi, çözümlerin kuyruğu genellikle çok uzun olduğundan (otonom sürüşte meydana gelebilecek birçok anormallik gibi), önde kalmak için gereken yatırım artar ve değer düşer. Bu durum ters ölçek ekonomisi etkisi yaratır.
Eskiden merkezi bir şirkette bulunan döngüdeki insan artık kullanıcıdır, dolayısıyla artık işletme için değişken bir maliyet ve iş maliyetinin ekonomisi yoktur. Döngüdeki kişi çıkarıldı, böylece kod geliştirmek gibi doğruluğun önemli olduğu şeyleri yapabilirsiniz ve yinelemeli olduğundan, biriken hataların miktarı azalır çünkü kullanıcılardan sürekli olarak geri bildirim ve düzeltmeler alırsınız. Geliştiriciler kod yazmalarına ve sorun gidermelerine yardımcı olmak için bir yapay zeka sohbet robotunu sorgulayabildiğinde, bu, geliştirmenin yapılma şeklini iki önemli şekilde değiştirir: 1) Geliştirmeyi daha fazla kişi için kolaylaştırır İşbirliği, doğal bir dil arayüzü aracılığıyla gerçekleştiği için, 2) İnsan geliştiriciler daha fazla ürün üretin ve bunların daha uzun süre akmasını sağlayın.
Mira Murati, OpenAI:
Programlama giderek daha az soyut hale geliyor. Aslında yüksek bant genişliğine sahip bilgisayarlarla doğal dilde konuşabiliyoruz. Teknolojiyi kullanıyoruz ve teknoloji, onu "programlamak" yerine onunla nasıl çalışacağımızı anlamamıza yardımcı oluyor. Kevin Scott, Microsoft:
GitHub, oluşturmaya çalıştığımız bu yardımcı pilot modelinin ilk örneğidir; bu model şu şekildedir: Birinin yapmakta olduğu bilgi çalışmasını nasıl alırsınız ve belirli türdeki bilişsel çalışmaları yaparken önemli ölçüde daha üretken olmalarına yardımcı olmak için yapay zekayı nasıl kullanırsınız? ? Hepsinden önemlisi, geliştiricilerle gözlemlediklerimize göre yapay zeka, onların akış durumunda normalden daha uzun süre kalmalarına yardımcı oluyor.
Bir miktar kod yazarken ve "Bundan sonra bunu nasıl yapacağımı bilmiyorum. Belgelere bakmam gerekiyor. Üzerinde çalışan başka bir mühendise sormam gerekiyor" diye düşünürken takılıp kalmayın. bir şey." "Akış halinden çıkmadan önce kendinizi akıştan kurtarabilmek son derece değerlidir. Yazılım geliştirme dışındaki amaçlar için oluşturulmuş üretken yapay zeka araçlarının faydasını düşünenler için bu akış durumları kavramının dikkate alınması faydalı olacaktır. Dylan Field, Figma:
En iyi tasarımcılar kod hakkında daha fazla düşünmeye başlar ve en iyi geliştiriciler tasarım hakkında daha fazla düşünmeye başlar. Tasarımcıların ve geliştiricilerin ötesinde, örneğin ürün çalışanlarını düşünürseniz, daha önce spesifikasyonlar üzerinde çalışıyor olabilirler, ancak şimdi fikirlerini daha etkili bir şekilde iletmek için modeller üzerinde daha çok çalışıyorlar. Temel olarak bu, kuruluştaki herkesin fikirden tasarıma ve hatta muhtemelen üretime daha hızlı geçmesine olanak tanıyacaktır. Ancak yine de her adımı geliştirmeniz gerekiyor. Gerçekten şunu düşünecek birine ihtiyacınız var: "Tamam, hangi fikirleri keşfedeceğiz? Onları nasıl keşfedeceğiz?" Tasarımlarda ince ayar yapmak isteyeceksiniz, onları doğru şekilde ele almak isteyeceksiniz, İlk taslaktan nihai ürüne kadar. ## 5 Yapay zeka ile biyolojiyi birleştirmek, hastalıkları tedavi etmenin yeni yollarını hızlandırabilir ve insan sağlığı üzerinde derin bir etki yaratabilir
Biyoloji inanılmaz derecede karmaşıktır; hatta belki de insan zihninin tam olarak kavrayabilme yeteneğinin ötesinde. Ancak yapay zeka ve biyolojinin kesişmesi, biyoloji anlayışımızı hızlandırabilir ve zamanımızın en heyecan verici ve dönüştürücü teknolojik ilerlemelerinden bazılarına yol açabilir. Yapay zeka destekli biyoloji platformları, daha önce bilinmeyen biyolojik bilgilerin kilidini açma potansiyeline sahip; bu da yeni tıbbi atılımlara, yeni teşhis yöntemlerine ve hastalıkları daha erken tespit etme ve tedavi etme, hatta potansiyel olarak ortaya çıkmadan önce önleme becerisine yol açıyor.
Daphne Koller, içeride:
Tarihimizin belirli dönemlerinde, belirli bilimsel disiplinler nispeten kısa bir sürede inanılmaz ilerlemeler kaydetti. 1950'lerde disiplin hesaplamaydı ve o zamana kadar yalnızca insanların yapabileceği hesaplamaları yapmak için bu makineleri kullandık. Daha sonra 1990'larda ilginç bir farklılık ortaya çıktı. Bir yandan veri bilimi ve istatistik bize modern makine öğrenimini ve yapay zekayı getirdi. Diğer tarafta ise benim kantitatif biyoloji olarak düşündüğüm şey var ki bu, biyolojiyi ilk kez 5 yıl süren bir deneyde 3 geni izlemenin ötesinde bir ölçekte ölçmeye başlıyoruz.
Şimdi, 2020, iki disiplinin gerçekten yakınlaştığı son zamandır ve bize dijital biyoloji çağını, biyolojiyi benzeri görülmemiş bir doğruluk ve ölçekte ölçme yeteneğini getiriyor; makine öğrenimi ve veri bilimi araçlarını kullanarak anlaşılmaz olanı yorumlamak Kesinlikle çok büyük miktarda veri, farklı biyolojik ölçekler ve farklı sistemler ve daha sonra bu anlayışı mühendislik biyolojisine geri getirmek için CRISPR genom düzenleme gibi araçları kullanmak, böylece biyolojinin yapması gerekmeyen şeyleri yapmasını sağlayabiliriz.
Artık biyolojiyi hücresel (ve bazen hücre altı) ve organizma düzeyinde geniş ölçekte ölçebiliyoruz. Bu, ilk kez makine öğrenimini gerçekten anlamlı bir şekilde kullanmamızı sağlıyor.
Biyolojik bir dil modeli oluşturduk. GPT'ye benziyor ama hücreler için. Hücrelerin diline ve hücrelerin neye benzediğine sahibiz. Farklı durumlardaki yüz milyonlarca hücreyi ölçersiniz ve ardından, doğal dil için büyük bir dil modeli gibi, az miktarda veriyle şunu sormaya başlayabilirsiniz: "Tamam, bir hastalık, hastalığa neden olan geni bir hücreden nasıl taşır? "Tedavi sizi bir hastalık durumundan sağlıklı bir duruma umutla nasıl geri getirir?" Bu çok güçlüdür. Diğer dil modellerinde olduğu gibi, ne kadar çok veri beslerseniz o kadar iyi olur. ## 6 Modeli kullanıcıların eline sunmak yeni uygulama senaryolarını keşfetmemize yardımcı olacak
Yapay zeka modellerinin daha önceki versiyonları belirli görevlerde insanları aşmayı hedeflerken, Transformer tabanlı LLM'ler genel muhakeme konusunda başarılıydı. Ancak iyi bir genel model oluşturmuş olmamız, onu belirli bir kullanım durumuna nasıl uygulayacağımızı çözdüğümüz anlamına gelmez. İnsanları RLHF biçiminde döngüye dahil etmek, günümüzün yapay zeka modellerinin performansını artırmak için kritik öneme sahip olduğu gibi, yeni teknolojiyi kullanıcıların eline geçirmek ve bunu nasıl kullandıklarını anlamak, bu temellere dayalı olarak hangi uygulamaların oluşturulacağını belirlemenin anahtarı olacaktır. modeller.üst.
Kevin Scott, Microsoft:
Şunu unutmamalıyız: Model ürün değildir. Bir girişimci olarak anlayışınız şudur: Kullanıcılarınız kim? Onların sorunu ne? Onlara yardım etmek için ne yapabilirsiniz? Ardından yapay zekanın kullanıcı sorunlarını çözmek için gerçekten yararlı bir altyapı olup olmadığını belirleyin; bu bir sabittir. Yapay zeka, yeni sorun sınıflarını çözmenize veya eski sorun sınıflarını daha iyi yollarla çözmenize olanak tanıyan yeni, ilginç bir altyapı gibidir. Mira Murati, OpenAI:
Geleceğin tam olarak nasıl görüneceğini bilmiyoruz, bu yüzden bu araçları ve teknikleri birçok insanın kullanımına sunmaya çalışıyoruz, böylece deneyebilirler ve ne olacağını görebiliriz. Bu başından beri kullandığımız bir strateji. ChatGPT'yi başlatmadan bir hafta önce bunun yeterince iyi olmadığından endişeliydik. Hepimiz ne olduğunu gördük: Bunu ortaya koyuyoruz ve sonra insanlar bize bunun yeni kullanım senaryolarını keşfetmeye yetecek kadar iyi olduğunu söylüyorlar ve siz de ortaya çıkan tüm bu kullanım senaryolarını görüyorsunuz. ## 7 Yapay Zekalı arkadaşlarınızın hafızaları daha iyi olacak
Veriler, hesaplama ve model parametreleri Yüksek Lisans'ın genel akıl yürütmesini güçlendirirken, bağlamsal pencereler kısa süreli hafızalarını güçlendirir. Bağlam pencereleri genellikle işleyebilecekleri belirteçlerin sayısına göre ölçülür. Bugün, çoğu bağlam penceresi yaklaşık 32K'dır, ancak daha büyük bağlam pencereleri geliyor ve bunlarla birlikte, LLM'ler aracılığıyla daha fazla bağlamla daha büyük belgeleri çalıştırma yeteneği de geliyor.
Noam Shazeer, Karakter.AI:
Şu anda sunduğumuz modeller binlerce jetonun bağlam pencerelerini kullanıyor; bu, ömür boyu arkadaşlarınızın son yarım saat içinde olanları hatırlayacağı anlamına geliyor. Çok fazla bilgi dökebilirseniz işler daha iyi hale gelecektir. Senin hakkında milyarlarca şey öğrenebilmeli. HBM bant genişliği orada. Dario Amodei, Antropik:
Hala küçümsendiğini düşündüğüm şeylerden biri, daha uzun bağlam ve onunla birlikte gelen şeyler. Sanırım insanların kafasında bu chatbot'a sahip olma fikri var. "Ben ona bir soru sordum, o da soruyu yanıtladı. Ancak yasal bir sözleşmeyi yükleyip 'Bu yasal sözleşmedeki en sıra dışı beş şart nedir?' diyebilirsiniz. Veya bir mali tablo yükleyin ve şöyle deyin: "Bu şirketin bulunduğu yerin özeti. Bu analistin iki hafta önce söyledikleriyle karşılaştırıldığında şaşırtıcı olan ne? Tüm bu bilgiler, insanların sayması gereken büyük miktardaki verileri manipüle ediyor ve analiz ediyor." saatlerce okumak için. bunun insanların yaptıklarından daha muhtemel olduğunu düşünüyorum. Daha yeni başlıyoruz." ## 8 Sesli sohbet robotları, botlar ve yapay zekayla etkileşim kurmanın diğer yolları önemli bir araştırma alanıdır
Günümüzde çoğu insan yapay zekayla sohbet robotları biçiminde etkileşime giriyor, ancak bunun nedeni, sohbet robotlarının her kullanım durumu için en iyi arayüz olmaları değil, genellikle oluşturulmasının kolay olmasıdır.
Pek çok inşaatçı, kullanıcıların çok modlu yapay zeka aracılığıyla yapay zeka modelleriyle etkileşim kurması için yeni yollar geliştirmeye odaklanıyor. Kullanıcılar, dünyanın geri kalanıyla etkileşime geçtikleri şekilde multimodal modellerle de etkileşime girebilecek: görüntüler, metin, ses ve diğer medya aracılığıyla. Bir adım daha ileri giderek: Bedenlenmiş yapay zeka, sürücüsüz arabalar gibi fiziksel dünyayla etkileşime girebilen yapay zekaya odaklanıyor.
Mira Murati, OpenAI:
Günümüzün temel modelinin metinde dünyayı iyi temsil ettiğini düşünüyorum. Resimler ve videolar gibi başka yöntemler ekliyoruz, böylece bu modeller, dünyayı anlama ve gözlemleme şeklimize benzer şekilde, dünyanın daha eksiksiz bir resmini elde edebilir. Noam Shazeer, Karakter.AI:
Belki bir ses duymak, bir yüz görmek ya da birden fazla kişiyle etkileşime geçmek istiyorsunuzdur. Sanki başkan seçildiyseniz, kulaklıklarınız ve bir sürü arkadaşınız veya danışmanınız var. Veya bir "eğlence barına" girdiğinizde herkesin adınızı bilmesi ve gelmenize sevinmesi gibi. Daphne Koller, giriş:
Yapay zekanın bir sonraki olası etki sınırı, yapay zekanın fiziksel dünyayla etkileşime geçmeye başladığı zamandır. Bunun ne kadar zor olduğunu hepimiz görüyoruz. Kendi kendine giden bir araba yapmanın, bir chatbot oluşturmaya kıyasla ne kadar zor olduğunu hepimiz gördük, değil mi? Sohbet robotları geliştirmede büyük ilerleme kaydediyoruz ve sürücüsüz arabalar hâlâ San Francisco'daki itfaiye araçlarının önünde engel teşkil ediyor. Bu karmaşıklığın yanı sıra etkinin ölçeğini de anlamak önemlidir ## 9 Bazı genel modellerimiz, bir dizi özel modelimiz veya her ikisinin bir karışımı mı olacak?
Daha büyük "daha yüksek zekalı" temel modeller veya daha küçük özel modeller ve veri kümeleri için hangi kullanım senaryoları en uygunudur? Tıpkı on yıl önceki bulut ve uç mimarisi tartışmasında olduğu gibi, bu sorunun yanıtı da ne kadar ödemeye istekli olduğunuza, çıktının ne kadar doğru olmasını istediğinize ve ne kadar gecikmeyi tolere edebileceğinize bağlıdır. Araştırmacılar, belirli kullanım durumları için büyük tabanlı modellere ince ayar yapmak üzere hesaplama açısından daha verimli yöntemler geliştirdikçe, bu soruların yanıtları zaman içinde değişebilir.
Uzun vadede, hangi modellerin hangi kullanım durumları için kullanıldığı konusunda aşırı rotasyona gidebiliriz çünkü gelecek yapay zeka uygulamaları dalgasını destekleyecek altyapı ve mimariyi oluşturmanın henüz ilk aşamalarındayız.
Ali Ghodsi, Databricks:
Biraz 2000 yılına benziyor, İnternet her şeye hakim olmak üzere ve önemli olan tek şey en iyi yönlendiriciyi kimin oluşturabileceği. Cisco'nun piyasa değeri 2000 yılında 5 trilyon ABD dolarına ulaşarak o dönemde Microsoft'u geride bırakmıştı. Peki en büyük LLM'ye (dil modeli) kim sahip? Açıkçası, kim en büyüğünü inşa edebilir ve onu tam olarak eğitebilirse, tüm yapay zeka ve gelecekteki insanlar üzerinde kontrole sahip olacak. Ancak tıpkı internet gibi, daha sonra başka biri de Uber ve taksi şoförlüğü gibi fikirler üretecektir. Başkaları şöyle düşünecek: "Hey, Facebook'taki arkadaşlarımın ne yaptığını görmek istiyorum." Bunlar çok büyük iş fırsatları olabilir ve bir model oluşturabilenler yalnızca OpenAI, Databricks veya Anthropic gibi şirketler değildir. Tüm uygulamalara hakim olun senaryolar. Güvendiğiniz bir doktor yaratmak çok çaba gerektirir. Dario Amodei, Antropik:
En büyük faktör daha fazla para yatırımı yapmaktır. Bugün üretilen en pahalı modellerin maliyeti yaklaşık 100 milyon dolardır, artı ya da eksi büyüklükte. Gelecek yıl birden fazla oyuncunun yaklaşık 1 milyar dolar değerindeki modellerini görebiliriz ve 2025 yılına gelindiğinde milyarlarca, hatta 10 milyar dolarlık modelleri göreceğiz. Bu 100x'lik fark, H100'ün hesaplamalarının daha hızlı hale gelmesi gerçeğiyle birleşiyor; bu, doğruluğun azalması nedeniyle özellikle büyük bir sıçrama. Tüm bu faktörleri bir araya getirdiğinizde ölçeklendirme kanunları uygulanmaya devam ederse yeteneklerde büyük bir artış olacaktır. Mira Murati, OpenAI:
Bu ne yapmak istediğinize bağlıdır. Yapay zeka sistemlerinin yaptığımız işleri giderek daha fazla üstleneceği açıktır. OpenAI platformu açısından bakıldığında bugün bile çok küçük modellerden son teknoloji modellere kadar birçok modeli API aracılığıyla sağladığımızı görebilirsiniz. Her zaman en güçlü veya yetkin modeli kullanmak zorunda değilsiniz. Bazen sadece kendi özel kullanım durumlarına uyan ve daha uygun maliyetli bir modele ihtiyaç duyarlar. İnsanların modelimizi geliştirmelerini ve onlara bu süreci kolaylaştıracak araçları vermelerini istiyoruz. Kendi verilerinizi getirebilmeniz ve bu modelleri özelleştirebilmeniz için onlara daha fazla erişim ve kontrol vermek istiyoruz. Gerçekten modelin kapsamını aşan, ürünü tanımlayan şeylere odaklanmanız gerekiyor. David Baszucki, Roblox:
Roblox gibi herhangi bir şirkette muhtemelen oldukça özelleştirilmiş 20 veya 30 son kullanıcı dikey uygulaması vardır - doğal dil filtreleme, 3D oluşturmaktan çok farklıdır - ve son kullanıcıda tüm bu uygulamaların çalışmasını istiyoruz. Bizimki gibi bir şirkette aşağı doğru indikçe, 2 veya 3 daha büyük, daha şişman tip modelden oluşan doğal bir kümelenme olabilir. Eğitmek istediğimiz disiplinleri çok hassas bir şekilde ayarladık ve bu disiplinler için birçok çıkarım gerçekleştirdik. ## 10 Yapay zeka kuruluşta yeterince benimsendiğinde bu veri kümelerine ne olur?
Üretken yapay zekanın işletmeler üzerindeki etkisi henüz başlangıç aşamasındadır; bunun nedeni kısmen işletmelerin genellikle daha yavaş hareket etmeleri ve kısmen de kendi özel veri kümelerinin değerinin farkına varmaları ve verileri mutlaka başka bir şirkete devretmek istememeleridir. Modelleri ne kadar güçlü olursa olsun. Çoğu kurumsal kullanım durumu yüksek düzeyde doğruluk gerektirir ve işletmelerin Yüksek Lisans'ı seçmek için 3 seçeneği vardır: kendi Yüksek Lisansını oluşturmak, bunu onlar için oluşturmak için bir Yüksek Lisans hizmet sağlayıcısı kullanmak veya temel modele ince ayar yapmak - kendi Yüksek Lisansınızı oluşturmak kolay.
Ali Ghosdi, Databricks:
CEO'ların ve yönetim kurullarının beyinlerinde olan şey şu: Belki rakiplerimi yenebilirim. Belki düşmanlarınızı öldüren kriptonittir. Üretken yapay zekaya ait verilere sahibim ve şöyle düşünüyorlar: "Bunu kendim yapmalıyım." Fikri mülkiyete sahip olmam gerekiyor. Kendi LLM'nizi sıfırdan oluşturmak ister misiniz? Bu önemsiz bir şey değil, yine de çok fazla GPU gerektiriyor, çok paraya mal oluyor ve veri kümenize ve kullanım senaryonuza bağlı.
Daha ucuz, daha küçük, amaca yönelik olarak çok yüksek doğruluk ve performansa sahip bir model isteyen çok sayıda müşterimiz var. "Hey, yapmak istediğim şey bu. Üretim sürecindeki bu özel kusurun bu görüntülerinden iyi bir sınıflandırma elde etmek istiyorum" diyorlar. Burada doğruluk önemlidir. Bana verebileceğin her bir doğruluk önemlidir. Burada, üzerinde eğitim verecek iyi bir veri kümeniz varsa ve daha küçük bir modeli eğitebiliyorsanız daha iyi durumda olursunuz. Gecikme daha hızlı, daha ucuz olacak ve evet, gerçekten büyük modelleri geride bırakan bir doğruluğa kesinlikle sahip olabilirsiniz. Ancak yaptığınız model hafta sonları sizi eğlendirmeyecek veya çocuklarınızın ödevlerine yardımcı olmayacak. ## 11 Ölçekleme Yasası bizi YGZ'ye kadar götürecek mi?
LLM şu anda Ölçeklendirme yasasını takip etmektedir: mimari ve algoritmalar aynı kalsa bile, daha fazla veri ve hesaplama ekledikçe model performansı artar. Peki bu kural ne kadar sürebilir? Sonsuza kadar devam mı edecek yoksa biz YGZ'yi geliştirmeden doğal sınırlarına mı ulaşacak?
Mira Murati, OpenAI:
Verilere ve hesaplamaya erişimi genişletmeye devam ettikçe daha iyi, daha güçlü modeller elde edemeyeceğimize dair hiçbir kanıt yok. Bunun sizi AGI'ye kadar götürüp götürmeyeceği, bu farklı bir soru. Bu süreçte ihtiyaç duyulan başka atılımlar ve ilerlemeler de olabilir, ancak ölçeklendirme yasaları ve bu daha büyük modellerden gerçekten çok fazla fayda elde etme açısından hala kat edilmesi gereken uzun bir yol olduğunu düşünüyorum. Dario Amodei, Antropik:
Burada algoritmik bir gelişme olmasa ve şu ana kadar bulunduğumuz yere kadar ölçeklensek bile ölçeklendirme yasası devam edecektir. Noam Shazeer, Karakter.AI:
Amacımız bir AGI şirketi ve ürün öncelikli bir şirket olmaktır ve bunu yapmanın yolu da doğru ürünleri seçmek, bizi genelleştirilebilir şeyler yapmaya zorlamak, modelleri daha akıllı hale getirmek, onları insanların isteyeceği bir şey haline getirmek ve teslim etmektir. Hizmetleri ucuz ve geniş ölçekte. Ölçeklendirme Yasası bizi uzun bir yola götürecek. Aslında hesaplama o kadar da pahalı değil. Bugün işletme maliyetleri 10-18 dolar civarında. Bunları verimli bir şekilde yapabiliyorsanız maliyeti, zamanınızın değerinden çok daha az olmalıdır. Bunları büyüklük sırasına göre büyütme yeteneği var. ## 12 Ortaya çıkan yetenekler nelerdir?
Bazı insanlar yapay zeka üretme yeteneğini hemen göz ardı etse de yapay zeka, belirli görevleri yerine getirme konusunda halihazırda insanlardan çok daha iyi ve gelişmeye devam edecek. En iyi inşaatçılar, yapay zekanın en umut verici gelişen yeteneklerini tespit edebildi ve bu yetenekleri güvenilir yeteneklere dönüştüren modeller ve şirketler inşa edebildi. Ölçeğin ortaya çıkan yeteneklerin güvenilirliğini artırma eğiliminde olduğunun farkındalar.
Mira Murati, OpenAI:
Son derece güvenilmez olsalar bile, ortaya çıkan bu özelliklere dikkat etmek önemlidir. Özellikle bugün şirket kuran insanlar için şunu gerçekten düşünmek istersiniz: "Tamam, bugün neler mümkün? Bugün ne görüyorsunuz?" Çünkü bu modeller çok hızlı bir şekilde güvenilir hale gelecektir. Dario Amodei, Antropik:
GPT-2'yi piyasaya sürdüğümüzde, o zamanlar en etkileyici kabul edilen şey şuydu: "Bu beş İngilizceden Fransızcaya çeviri örneğini doğrudan dil modeline aktarırsınız ve ardından altıncı İngilizce cümleyi beslersiniz ve bu aslında Fransızcaya çevrilecektir. . Aman Tanrım, bu modeli anlıyor gibiydi." Kötü bir çeviri olmasına rağmen bu bizim için çılgıncaydı. Ama bizim görüşümüz şu: "Bakın bu muhteşem bir yolculuğun sadece başlangıcı çünkü hiçbir sınır yok ve büyümeye devam edebilir." Daha önce gördüğümüz modeller neden varlığını sürdüremiyor? Bir sonraki kelimeyi tahmin etmek için o kadar çok hedef var ki ve onlara meydan okuyabileceğiniz o kadar çok şey var ki, kesinlikle işe yarıyor. Ve sonra bazı insanlar buna bakıp şöyle dediler: "Gerçekten kötü bir robot çeviri aracı yaptın." ## 13 Bu modellerin hizmet maliyeti düşecek mi?
Hesaplama maliyetleri, bu modellerin ölçeklendirilmesindeki ana sınırlamalardan biridir ve mevcut çip kıtlığı, arzı sınırlayarak maliyetleri artırmaktadır. Ancak eğer Nvidia gelecek yıl daha fazla H100 üretirse, bu durum GPU sıkıntısını hafifletecek ve potansiyel olarak bilgi işlem maliyetlerini düşürecektir.
Noam Shazeer, Karakter.AI:
Şu anda sunduğumuz modelin eğitimi geçen yıl yaklaşık 2 milyon dolarlık bilgi işlem döngüsü gerektirdi ve muhtemelen bunu yarım milyon dolara tekrar yapacağız. Bu yüzden yıl sonundan önce düzinelerce IQ puanına sahip daha akıllı şeyleri kullanıma sunacağız. Bu olayların büyük ölçüde büyüdüğünü görüyorum. O kadar da pahalı değil. Sanırım dün Nvidia'nın gelecek yıl 2M H100 olacak başka bir 1.5M H100 üreteceğini söyleyen bir makale gördüm.
Bu, kişi başına saniyede yaklaşık çeyrek trilyon işlem anlamına gelir. Bu, gezegendeki her insan için 100 milyar parametreli bir modelin saniyede 1 kelimeyi işleyebileceği anlamına geliyor. Ancak aslında herkesin buna erişimi yok, bu yüzden o kadar da pahalı değil. Doğru yaparsanız bu şey çok ölçeklenebilir ve biz de bunun gerçekleşmesi için çok çalışıyoruz. Dario Amodei, Antropik:
Benim temel düşüncem, çıkarımın o kadar pahalı olmayacağıdır. Ölçekleme yasasının temel mantığı, hesaplamayı n faktörü kadar artırırsanız, verileri n'nin karekökü kadar ve modelin boyutunu da n'nin karekökü kadar artırmanız gerektiğidir. Bu karekök temel olarak modelin kendisinin daha fazla büyümeyeceği ve siz bunu yaptıkça donanımın daha hızlı olacağı anlamına gelir. Önümüzdeki 3-4 yıl boyunca bu konuların geçerliliğini sürdüreceğini düşünüyorum. Mimari yenilik olmadan biraz daha pahalı hale gelirler. Mimaride yenilik olursa, ki umarım vardır, ucuzlar. Ancak hesaplama maliyetleri sabit kalsa bile, özellikle sahaya bu kadar çok yetenek akıyorken, model düzeyinde verimlilik iyileştirmeleri kaçınılmaz görünüyor ve yapay zekanın kendisi, yapay zekanın çalışma şeklini iyileştirmek için en güçlü aracımız olabilir.
Dario Amodei, Antropik:
Yapay zeka güçlendikçe çoğu bilişsel görevde daha iyi performans gösteriyor. İlgili bilişsel görevlerden biri, yapay zeka sistemlerinin güvenliğini yargılamak ve sonuçta güvenlik araştırması yürütmektir. Bunun kendine referans veren bir bileşeni var. Bunu, yorumlanabilirlik alanı gibi sinir ağlarının içini okuyarak görebiliriz. Güçlü yapay zeka sistemleri, daha zayıf yapay zeka sistemlerindeki nöronal aktiviteyi yorumlamamıza yardımcı olabilir. Ve bu yorumlanabilirlik öngörüleri sıklıkla bize modelin nasıl çalıştığını anlatır. Bize bir modelin nasıl çalıştığını anlattıklarında genellikle onu iyileştirmenin veya daha verimli hale getirmenin yollarını önerirler. En umut verici araştırma alanlarından biri, modelin tamamını çalıştırmadan, belirli kullanım durumları için büyük modellere ince ayar yapmaktır.
Ali Ghodsi, Databricks:
Binlerce farklı konuda iyi olan binlerce LLM sürümü yapsaydınız ve bunların her birini GPU'ya yükleyip ona hizmet etmeniz gerekiyorsa, bu çok pahalı olurdu. Şu anda herkesin aradığı en büyük şey şu: Sadece küçük değişikliklerle çok iyi sonuçlar alabilecek bir teknik var mı? Önek ayarlama, LoRA, CUBE LoRA vb. gibi birçok teknoloji bulunmaktadır. Ancak gerçekten kusursuz olan hiçbir çözümün işe yaradığı kanıtlanmadı. Ama birisi onu bulacak. ## 14 Genel yapay zekaya yönelik ilerlemeyi nasıl ölçeriz?
Bu modelleri genişlettiğimizde yapay zekanın yapay genel zekaya dönüştüğünü nasıl bileceğiz? AGI terimini sıklıkla duyduğumuzda, belki de kısmen ölçülmesinin zor olmasından dolayı, tanımlanması zor bir şey olabilir.
GLUE ve SUPERGLUE gibi niceliksel kıyaslamalar uzun süredir yapay zeka modeli performansını ölçmek için standartlaştırılmış ölçümler olarak kullanılıyor. Ancak insanlara verdiğimiz standartlaştırılmış testler gibi, AI kıyaslamaları da şu soruyu gündeme getiriyor: Bir Yüksek Lisans'ın muhakeme yeteneğini ne ölçüde ölçüyorsunuz ve bir testi geçme yeteneğini ne ölçüde ölçüyorsunuz?
Ali Ghodsi, Databricks:
Bütün kriterlerin saçmalık olduğunu düşünüyorum. Tüm üniversitelerimizin şöyle dediğini düşünün: "Sınavdan önceki gece bakmanız için size cevapları vereceğiz. Ve ertesi gün, soruları cevaplayıp not vermenizi sağlayacağız." Aniden , herkes sınavı rahatlıkla geçebilirdi.
Örneğin MMLU, birçok kişinin bu modelleri değerlendirmek için kullandığı kriterdir. MMLU internette çoktan seçmeli bir sorudur. Bir soru sorun, cevap A mı, B mi, C mi, D mi yoksa E mi? Daha sonra size doğru cevabı söyleyecektir. Çevrimiçi olarak eğitilebilir ve onu yenebilecek bir LLM modeli oluşturulabilir. Yapay Zeka için orijinal niteliksel test Turing testiydi, ancak insanları yapay zekanın insan olduğuna ikna etmek zor bir sorun değil. Yapay zekanın insanların gerçek dünyada yaptıklarını yapmasını sağlamak zor bir sorun. Peki bu sistemlerin işlevselliğini anlamak için hangi testleri kullanabiliriz?
Dylan Field, Figma:
Şu anda bu sistemlerden gördüğümüz şey, insanları insan olduğunuza inandırmanın kolay olduğu, ancak aslında iyi şeyler yapmanın zor olduğudur. GPT-4'ün bir iş planı geliştirmesini ve bunu size satmasını sağlayabilirim ancak bu, yatırım yapacağınız anlamına gelmez. Aslında biri yapay zeka tarafından yönetilen, diğeri insanlar tarafından yönetilen iki rakip işletmeniz olduğunda ve yapay zeka işine yatırım yapmayı seçtiğinizde, bu beni endişelendiriyor. David Baszucki, Roblox:
Bir yapay zeka için bir Turing testi sorum var: Eğer 1633 yılına bir yapay zeka yerleştirirsek ve onun o dönemde mevcut olan tüm bilgileri kullanmasına izin verirsek, güneş sisteminin merkezinde Dünya'nın mı yoksa Güneş'in mi olduğunu tahmin edebilir mi? Bilgilerin %99,9'u Dünyanın güneş sisteminin merkezi olduğunu mu söylüyor? Bence 5 yıl çok yakın ama bu AI Turing testini 10 yıl içinde yapsaydık muhtemelen güneş derdi. ## 15 İnsanların hâlâ katılması gerekiyor mu?
Yeni teknolojiler sıklıkla bazı insan işlerinin ve işlerinin yerini alır, ancak aynı zamanda tamamen yeni alanlar açar, üretkenliği artırır ve daha fazla insanın daha fazla iş türüne erişmesini sağlar. Yapay zekanın mevcut işleri otomatikleştirdiğini hayal etmek kolay olsa da, yapay zekanın getireceği sonraki sorunları ve olasılıkları hayal etmek çok daha zor.
Martin Casado, a16z:
Çok basit bir şekilde ifade edersek, Jevons'un Paradoksu şöyle diyor: Eğer talep esnekse ve fiyat düşerse, talep tazminatı aşacaktır. Çoğu zaman telafi edilenden çok daha fazlasıdır. Bu kesinlikle internet için de geçerlidir. Daha fazla değer ve daha fazla üretkenlik elde edersiniz. Kişisel olarak herhangi bir yaratıcı varlığın veya işin otomatikleştirilmesi söz konusu olduğunda talebin esnek olduğuna inanıyorum. Biz ne kadar çok üretirsek o kadar çok insan tüketir. Tıpkı mikroçipler ve İnternet çağında gördüğümüz gibi, üretkenliğin muazzam bir şekilde artmasını, çok sayıda yeni işin ve birçok yeni şeyin olmasını sabırsızlıkla bekliyoruz. Kevin Scott, Microsoft:
Ekonominin esas olarak tütün çiftçiliği, mobilya imalatı ve tekstil endüstrisi tarafından desteklendiği kırsal orta Virginia'da büyüdüm. Liseden mezun olduğumda üç sektör de çökmüştü. Bu topluluklardaki insanlar inanılmaz derecede güçlü araçlara erişime sahip olduklarında genellikle olağanüstü şeyler yaparlar; kendileri, aileleri ve toplulukları için ekonomik fırsatlar yaratırlar. Sizin ya da benim çözemediğimiz sorunları çözüyorlar çünkü dünyanın tüm sorun manzarasını göremiyoruz. Bizim onların bakış açısına sahip değiliz. Bu yapay zeka araçlarının kullanımı artık her zamankinden daha kolay. Artık bu araçlarla ilginç şeyler yapabilir ve bilgisayar bilimi alanında doktora veya klasik yapay zeka alanında uzmanlığa sahip olmadan Virginia'nın küçük kasabasında bir girişimci olabilirsiniz. Sadece meraklı ve girişimci kalmalısınız. Dylan Field, Figma:
Bugüne kadarki her teknoloji değişimine veya platform değişimine bakarsanız, bunun tasarlanacak daha fazla şeyle sonuçlandığını görürsünüz. Bir matbaa var ve sonra sayfaya ne koyacağınızı bulmanız gerekiyor. Son zamanlarda mobil internetle birlikte şöyle düşünebilirsiniz: "Eh, daha az piksel var, daha az tasarımcı var." Ama durum böyle değil, tasarımcı sayısında en büyük patlamayı o zaman gördük. ## 16 Yapay zeka girişimi kurmak için bundan daha heyecan verici bir zaman olmamıştı (özellikle de fizikçi veya matematikçiyseniz)
Bu, yapay zeka geliştirmek için benzersiz ve heyecan verici bir zamandır: Temel modeller hızla ölçekleniyor, ekonomi nihayet yeni kurulan şirketlerin lehine dönüyor ve çözülmesi gereken pek çok sorun var. Bu problemlerin çözümü büyük sabır ve azim gerektirir ve fizikçiler ve matematikçiler şimdiye kadar bunları çözmeye özellikle çok uygunlardı. Ancak genç ve hızla büyüyen bir alan olarak yapay zekanın kapıları sonuna kadar açık ve şimdi onu inşa etmenin tam zamanı.
Dario Amodei, Antropik:
Herhangi bir anda iki tür alem vardır. Biri tecrübe ve bilgi birikiminin çok zengin olduğu, uzmanlaşmanın uzun yıllar aldığı bir alandır. Biyoloji klasik bir örnek; biyolojide sadece 6 ay çalışırsanız çığır açıcı veya Nobel Ödülü düzeyinde bir çalışma yapmanız çok zor... Diğeri ise çok genç veya çok hızlı gelişen bir alan. Yapay zeka bu kategorilerden biriydi ve bir dereceye kadar hala da öyle. Gerçekten yetenekli genel uzmanlar, genellikle uzun süredir bu alanda olan insanlardan daha iyi performans gösterebilirler çünkü işler çok hızlı değişir. Aksine, çok fazla ön bilgiye sahip olmak bir dezavantaj olabilir. Mira Murati, OpenAI:
Matematiğin teorik alanından çıkarılacak bir sonuç, problemler üzerinde uzun süre düşünmeye ihtiyaç duymanız gerektiğidir. Bazen uykuya dalarsınız ve yeni fikirlerle uyanırsınız, günler veya haftalar içinde nihai çözümünüzü yavaş yavaş bulursunuz. Hızlı geri dönüşleri olan bir süreç değil ve bazen yinelenen bir şey değil. Bir problemle yüzleşmek için gerekli sezgiyi ve disiplini geliştirdiğiniz ve onu çözmek için kendinize güvendiğiniz neredeyse farklı bir düşünme şeklidir. Zamanla hangi sorunların gerçekten üzerinde çalışmaya değer olduğu konusunda bir sezgi geliştireceksiniz. Daphne Koller, içeriden:
Zaman içinde yalnızca makine öğrenimi gelişmekle kalmıyor, aynı zamanda güvendiğimiz biyolojik araçlar da gelişiyor. Geçmişte CRISPR teknolojisi yoktu, yalnızca siRNA vardı. Daha sonra CRISPR gen düzenleme teknolojisi geldi ve şimdi tüm genomik bölgelerin yerini alabilecek CRISPR prime teknolojisi var. Sonuç olarak, geliştirdiğimiz araçlar giderek daha iyi hale geliyor ve bu da daha fazla hastalığı daha anlamlı yollarla ele alma olanağımızın önünü açıyor. Yapay zeka/makine öğreniminin biyoloji ve tıp alanlarıyla kesiştiği noktada birçok fırsat bulunmaktadır. Bu yakınlaşma, bugün var olan ancak beş yıl önce olmayan araçları kullanarak yaşadığımız dünyada büyük bir etki yaratmamıza olanak tanıyan bir andır. Kevin Scott, Microsoft:
Geçmişte gerçekleşen bazı büyük platform değişimlerini düşünürseniz, bu platformlardaki en değerli şeylerin, platform değişikliğinin ilk iki yılında devreye alınan şeyler olmadığını görürsünüz. Akıllı telefonunuzda en çok zaman geçirdiğiniz yeri düşünürseniz, bunun bir mesajlaşma uygulaması, bir web tarayıcısı veya bir e-posta istemcisi olmadığını görürsünüz. Aksine, platformun kullanıma sunulmasından sonraki birkaç yıl içinde yaratılan yeni bir şeydir.
Daha önce imkansız olan şeyler artık mümkün mü? İnsanların düşünmesi gereken şey bu. Önemsiz şeylerin peşinde koşmayın.
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
a16z 10.000 kelimelik makale: Bilgisayarda üçüncü çağa giriyoruz
Bu yapay zeka geliştirme dalgası, etkisini çeşitli alanlara o kadar hızlı bir şekilde yaydı ki, gerçekten de çoğu insanın beklentilerini aştı. Geçen hafta Sequoia (Sequoia Amerika), yapay zekanın ikinci bölümünü açtığına inandı ve uygulama senaryoları perspektifinden yeni bir yapay zeka haritası ve LLM geliştirici yığın (yığın) haritası çizdi.
Ancak fonların yönüne bakıldığında, yapay zekanın mevcut gelişimi hala tanrılar arasındaki mücadele aşamasında gibi görünüyor ve bu model neredeyse şekillenmiş gibi görünüyor. OpenAI'nin Microsoft ve diğerlerinden yaklaşık 11 milyar ABD doları alması ve değerinin yaklaşık 29 milyar ABD doları olmasının ardından, rakibi Anthropic dün Amazon ile bir ittifak yaptığını duyurdu. Amazon buna 4 milyar ABD dolarına kadar yatırım yapacak ve Anthropic OpenAI'den sonra ikinci olacak. AI girişimlerinin finansmanı açısından.
Bu finansmandan sonra, Apple hariç, yapay zeka endüstrisi temel olarak böyle bir tanrıların savaşma modelini oluşturdu:
Elbette alt seviye altyapı sağlayıcısı olarak Nvidia'nın stratejisi açıkçası herkesin bunu istemesi yönünde ve herhangi bir firmaya yönelik çok ciddi bir duruş yok. Aşağıda 15 AI unicorn'un genel durumu yer almaktadır: Değerleme ve finansman açısından bakıldığında, büyük model LLM'ler büyük bir kısmı oluşturmaktadır ve AI unicorn'ların %50'si 2021'den sonra kurulmuştur:
Bugün, a16z, bilişimin üçüncü çağında olduğumuza inanan birçok önde gelen yapay zeka şirketinin kurucularıyla sohbetlerini paylaştı ve yapay zekanın bugünü, geleceği ve açıklığı perspektifinden 16 ilginç konuyu tartıştı. Bu konuşmaya katılanlar şunlardır:
Makale çok uzun olduğundan (neredeyse 10.000 kelime), kısaca derlemek için yapay zeka kullandım. Bazı terimler doğru olmayabilir. İlgilenen arkadaşlar orijinal İngilizce metni okuyabilir:
1 Bilgisayarda üçüncü çağın başlangıcındayız
Martin Casado,a16z:
Gerçekten bilişimin üçüncü çağına girdiğimizi düşünüyorum. Mikroçipler marjinal hesaplama maliyetini sıfıra indirdi, İnternet marjinal dağıtım maliyetini sıfıra indirdi ve şimdi büyük modeller aslında yaratmanın marjinal maliyetini sıfıra indirdi. Önceki dönemlerde hangi yeni şirketlerin kurulacağı hakkında hiçbir fikriniz yoktu. Kimse Amazon'u tahmin etmedi, kimse Yahoo'yu tahmin etmedi. Yeni bir ikonik şirket dalgasına hazırlanmalıyız. Noam Shazeer, Karakter AI:
Gerçekten "Wright kardeşlerin ilk uçağı" anındayız. Halihazırda işe yarayan ve artık çok sayıda uygulama senaryosu için yararlı olan bir şeye sahibiz. Görünüşe göre gerçekten iyi ölçekleniyor ve daha da iyi olacak. Ancak daha yapılacak çok atılım var çünkü artık dünyadaki tüm yapay zeka bilim insanları bunları daha iyi hale getirmek için çok çalışıyor. Kevin Scott, Microsoft:
Özellikle son birkaç yılda ve belki özellikle son 12 ayda ChatGPT ve GPT-4'ün piyasaya sürülmesiyle bu platformun bir PC veya akıllı telefonla aynı olma potansiyelini gerçekten görebilirsiniz. Bir dizi teknoloji birçok yeni şeyi mümkün kılacak ve birçok insan bu yeni şeylerin üzerine yeni şeyler inşa edecek. ## 2 Bu üretken yapay zeka dalgası, pazar dönüşümünü destekleyen ekonomik ilkelere sahiptir.
Teknolojik yeniliğin pazar dönüşümünü tetiklemesi için ekonomik faydaların son derece cazip olması gerekir. Önceki yapay zeka döngülerinde birçok teknolojik ilerleme olmasına rağmen, bunlar dönüştürücü ekonomik faydalardan yoksundu. Mevcut yapay zeka dalgasında, bazı kullanım durumlarında 10.000 kat (veya daha fazla) ekonomik iyileşmenin erken işaretlerini zaten görüyoruz ve sonuçta yapay zekanın benimsenmesi ve geliştirilmesi, önceki tüm değişimlerden çok daha hızlı görünüyor.
Martin Casado,a16z:
Piyasa dönüşümü on kat ekonomik iyileşmeyle gerçekleşmez. Öncekinden on bin kat daha iyi olduklarında yaratılırlar. Diyelim ki kendimi bir Pixar karakterine dönüştürecek bir görsel yaratmak istiyorum. Bu görüntü modellerinden birini kullanırsam çıkarım maliyeti yüzde onda biri oluyor ve diyelim ki 1 saniye sürüyor. Bir grafik sanatçısını işe almakla karşılaştırıldığında saatlik ücretin 100$ olduğunu varsayalım. Maliyet ve zaman açısından 4 ila 5 kat büyüklüğünde büyük bir fark göreceksiniz. İktisatçılara göre bu, piyasada gerçekten büyük bir bozulma olduğunda aradıkları türden bir dönüm noktasıdır. Bunun ne kadar çılgınca olabileceğine dair bir örnek istiyorsanız, 3 boyutlu modeller, karakterler, sesler, müzik, hikaye vb. içeren eksiksiz bir oyun oluşturamamanız için hiçbir neden göremiyorum. Günümüzde start-up'lar tüm bunları yapıyor ve yüz milyonlarca dolar ve yılın maliyetini birkaç doların maliyetiyle karşılaştırırsanız, artık ekonomide internet ve mikroçip düzeyinde bir asimetriyle karşı karşıyayız.
3 Bazı erken uygulama senaryoları için: Yaratıcılık > Doğruluk
Halüsinasyonlar günümüzün büyük model LLM'lerinde iyi bilinen bir sorundur, ancak bazı uygulamalar için bir şeyler uydurabilme yeteneği bir hatadan ziyade bir özelliktir. N düzeyinde doğruluğun kritik olduğu erken uygulamalı makine öğrenimi kullanım durumlarıyla (örneğin, sürücüsüz arabalar) karşılaştırıldığında, LLM'lere yönelik erken kullanım durumlarının çoğu (sanal arkadaşlar ve refakatçiler, beyin fırtınası konseptleri veya çevrimiçi oyunlar oluşturma) aşağıdakilerle karakterize edilir: Odaklanma Yaratıcılığın doğruluktan daha önemli olduğu alanlarda.
Noam Shazeer, Karakter.AI:
Eğlence yıllık 2 trilyon dolarlık bir endüstridir. Ve işin karanlık sırrı, eğlencenin var olmayan sanal arkadaşlarınıza benzemesidir. Bu, genel yapay zeka için harika bir ilk kullanım durumudur. Mesela bir doktor başlatmak isteseydiniz bu çok daha yavaş olurdu çünkü yanlış bilgi vermemek için çok ama çok dikkatli olmanız gerekir. Ancak arkadaşlarınızla bunu çok hızlı bir şekilde yapabilirsiniz, bu sadece eğlencelidir ve bir şeyler uydurmak bir özellik haline gelir. David Baszucki, Roblox:
Roblox'taki 65 milyon kullanıcının çoğu istedikleri düzeyde içerik oluşturmuyor. Uzun bir süre, bir dikiş makinesini ve kumaşı kullanabileceğiniz ve her şeyin 3 boyutlu olarak simüle edilebileceği bir Project Runway simülasyon oyunu hayal ettik, ancak bu bile çoğumuz için biraz karmaşıktı. Artık Project Runway Roblox'ta çıktığında bunun bir metin istemi, bir resim istemi veya bir sesli istem olacağını düşünüyorum. Eğer o gömleği yapmana yardım etseydim şöyle derdim: Mavi bir kot gömlek, birkaç düğme ve daha dar bir kesim istiyorum. Aslında yaratılışta bir hızlanma göreceğimizi düşünüyorum. Dylan Field, Figma:
Şu anda yapay zekanın ilk taslağı tamamlamasının mümkün olduğu bir aşamadayız ancak bundan nihai ürüne ulaşmak hala biraz zor ve çoğu zaman bunu yapmak için bir ekip gerekiyor. Ancak yapay zekanın insanlara arayüz öğeleri önermesini ve bunu gerçekten anlamlı bir şekilde yapmasını sağlayabilirseniz, bence bu, kullanıcının amacına yanıt veren bağlamsal tasarımlar yaratarak tasarımda yepyeni bir çağ açacaktır. Tüm tasarımcıların bu yapay zeka sistemleriyle iş birliği içinde çalışacağı büyüleyici bir dönem olacağına inanıyorum. ## 4 Diğer örnekler için, "yardımcı pilot" programlamanın doğruluğu insan kullanımıyla birlikte artacaktır.
Yapay zeka birçok alanda insan çalışmasını artırma potansiyeline sahip olsa da, "yardımcı pilotların" programlanması çeşitli nedenlerden dolayı yaygın olarak benimsenen ilk yapay zeka asistanı haline geldi:
Birincisi, geliştiriciler genellikle yeni teknolojileri ilk benimseyenlerdir. Mayıs/Haziran 2023'te ChatGPT ipuçları üzerinde yapılan bir analiz, ChatGPT ipuçlarının %30'unun programlamayla ilgili olduğunu ortaya çıkardı. İkincisi, en büyük LLM'ler kod ağırlıklı veri kümeleri (İnternet gibi) üzerinde eğitilir, bu da onları programlamayla ilgili sorgulara yanıt vermede özellikle iyi kılar. Son olarak döngüdeki kişiler kullanıcılardır. Dolayısıyla doğruluk önemli olsa da yapay zeka yardımcı pilotuna sahip bir insan geliştirici, tek başına bir insan geliştiriciden daha hızlı bir şekilde doğruluğu yineleyebilir.
Martin Casado,a16z:
Bunu doğru yapmanız gerekiyorsa ve çok sayıda karmaşık kullanım durumu varsa, ya tüm teknik işleri kendiniz yapın ya da insanları işe alın. Genellikle insanları işe alıyoruz. Bu değişken bir maliyettir. İkincisi, çözümlerin kuyruğu genellikle çok uzun olduğundan (otonom sürüşte meydana gelebilecek birçok anormallik gibi), önde kalmak için gereken yatırım artar ve değer düşer. Bu durum ters ölçek ekonomisi etkisi yaratır. Eskiden merkezi bir şirkette bulunan döngüdeki insan artık kullanıcıdır, dolayısıyla artık işletme için değişken bir maliyet ve iş maliyetinin ekonomisi yoktur. Döngüdeki kişi çıkarıldı, böylece kod geliştirmek gibi doğruluğun önemli olduğu şeyleri yapabilirsiniz ve yinelemeli olduğundan, biriken hataların miktarı azalır çünkü kullanıcılardan sürekli olarak geri bildirim ve düzeltmeler alırsınız. Geliştiriciler kod yazmalarına ve sorun gidermelerine yardımcı olmak için bir yapay zeka sohbet robotunu sorgulayabildiğinde, bu, geliştirmenin yapılma şeklini iki önemli şekilde değiştirir: 1) Geliştirmeyi daha fazla kişi için kolaylaştırır İşbirliği, doğal bir dil arayüzü aracılığıyla gerçekleştiği için, 2) İnsan geliştiriciler daha fazla ürün üretin ve bunların daha uzun süre akmasını sağlayın.
Mira Murati, OpenAI:
Programlama giderek daha az soyut hale geliyor. Aslında yüksek bant genişliğine sahip bilgisayarlarla doğal dilde konuşabiliyoruz. Teknolojiyi kullanıyoruz ve teknoloji, onu "programlamak" yerine onunla nasıl çalışacağımızı anlamamıza yardımcı oluyor. Kevin Scott, Microsoft:
GitHub, oluşturmaya çalıştığımız bu yardımcı pilot modelinin ilk örneğidir; bu model şu şekildedir: Birinin yapmakta olduğu bilgi çalışmasını nasıl alırsınız ve belirli türdeki bilişsel çalışmaları yaparken önemli ölçüde daha üretken olmalarına yardımcı olmak için yapay zekayı nasıl kullanırsınız? ? Hepsinden önemlisi, geliştiricilerle gözlemlediklerimize göre yapay zeka, onların akış durumunda normalden daha uzun süre kalmalarına yardımcı oluyor. Bir miktar kod yazarken ve "Bundan sonra bunu nasıl yapacağımı bilmiyorum. Belgelere bakmam gerekiyor. Üzerinde çalışan başka bir mühendise sormam gerekiyor" diye düşünürken takılıp kalmayın. bir şey." "Akış halinden çıkmadan önce kendinizi akıştan kurtarabilmek son derece değerlidir. Yazılım geliştirme dışındaki amaçlar için oluşturulmuş üretken yapay zeka araçlarının faydasını düşünenler için bu akış durumları kavramının dikkate alınması faydalı olacaktır. Dylan Field, Figma:
En iyi tasarımcılar kod hakkında daha fazla düşünmeye başlar ve en iyi geliştiriciler tasarım hakkında daha fazla düşünmeye başlar. Tasarımcıların ve geliştiricilerin ötesinde, örneğin ürün çalışanlarını düşünürseniz, daha önce spesifikasyonlar üzerinde çalışıyor olabilirler, ancak şimdi fikirlerini daha etkili bir şekilde iletmek için modeller üzerinde daha çok çalışıyorlar. Temel olarak bu, kuruluştaki herkesin fikirden tasarıma ve hatta muhtemelen üretime daha hızlı geçmesine olanak tanıyacaktır. Ancak yine de her adımı geliştirmeniz gerekiyor. Gerçekten şunu düşünecek birine ihtiyacınız var: "Tamam, hangi fikirleri keşfedeceğiz? Onları nasıl keşfedeceğiz?" Tasarımlarda ince ayar yapmak isteyeceksiniz, onları doğru şekilde ele almak isteyeceksiniz, İlk taslaktan nihai ürüne kadar. ## 5 Yapay zeka ile biyolojiyi birleştirmek, hastalıkları tedavi etmenin yeni yollarını hızlandırabilir ve insan sağlığı üzerinde derin bir etki yaratabilir
Biyoloji inanılmaz derecede karmaşıktır; hatta belki de insan zihninin tam olarak kavrayabilme yeteneğinin ötesinde. Ancak yapay zeka ve biyolojinin kesişmesi, biyoloji anlayışımızı hızlandırabilir ve zamanımızın en heyecan verici ve dönüştürücü teknolojik ilerlemelerinden bazılarına yol açabilir. Yapay zeka destekli biyoloji platformları, daha önce bilinmeyen biyolojik bilgilerin kilidini açma potansiyeline sahip; bu da yeni tıbbi atılımlara, yeni teşhis yöntemlerine ve hastalıkları daha erken tespit etme ve tedavi etme, hatta potansiyel olarak ortaya çıkmadan önce önleme becerisine yol açıyor.
Daphne Koller, içeride:
Tarihimizin belirli dönemlerinde, belirli bilimsel disiplinler nispeten kısa bir sürede inanılmaz ilerlemeler kaydetti. 1950'lerde disiplin hesaplamaydı ve o zamana kadar yalnızca insanların yapabileceği hesaplamaları yapmak için bu makineleri kullandık. Daha sonra 1990'larda ilginç bir farklılık ortaya çıktı. Bir yandan veri bilimi ve istatistik bize modern makine öğrenimini ve yapay zekayı getirdi. Diğer tarafta ise benim kantitatif biyoloji olarak düşündüğüm şey var ki bu, biyolojiyi ilk kez 5 yıl süren bir deneyde 3 geni izlemenin ötesinde bir ölçekte ölçmeye başlıyoruz. Şimdi, 2020, iki disiplinin gerçekten yakınlaştığı son zamandır ve bize dijital biyoloji çağını, biyolojiyi benzeri görülmemiş bir doğruluk ve ölçekte ölçme yeteneğini getiriyor; makine öğrenimi ve veri bilimi araçlarını kullanarak anlaşılmaz olanı yorumlamak Kesinlikle çok büyük miktarda veri, farklı biyolojik ölçekler ve farklı sistemler ve daha sonra bu anlayışı mühendislik biyolojisine geri getirmek için CRISPR genom düzenleme gibi araçları kullanmak, böylece biyolojinin yapması gerekmeyen şeyleri yapmasını sağlayabiliriz. Artık biyolojiyi hücresel (ve bazen hücre altı) ve organizma düzeyinde geniş ölçekte ölçebiliyoruz. Bu, ilk kez makine öğrenimini gerçekten anlamlı bir şekilde kullanmamızı sağlıyor. Biyolojik bir dil modeli oluşturduk. GPT'ye benziyor ama hücreler için. Hücrelerin diline ve hücrelerin neye benzediğine sahibiz. Farklı durumlardaki yüz milyonlarca hücreyi ölçersiniz ve ardından, doğal dil için büyük bir dil modeli gibi, az miktarda veriyle şunu sormaya başlayabilirsiniz: "Tamam, bir hastalık, hastalığa neden olan geni bir hücreden nasıl taşır? "Tedavi sizi bir hastalık durumundan sağlıklı bir duruma umutla nasıl geri getirir?" Bu çok güçlüdür. Diğer dil modellerinde olduğu gibi, ne kadar çok veri beslerseniz o kadar iyi olur. ## 6 Modeli kullanıcıların eline sunmak yeni uygulama senaryolarını keşfetmemize yardımcı olacak
Yapay zeka modellerinin daha önceki versiyonları belirli görevlerde insanları aşmayı hedeflerken, Transformer tabanlı LLM'ler genel muhakeme konusunda başarılıydı. Ancak iyi bir genel model oluşturmuş olmamız, onu belirli bir kullanım durumuna nasıl uygulayacağımızı çözdüğümüz anlamına gelmez. İnsanları RLHF biçiminde döngüye dahil etmek, günümüzün yapay zeka modellerinin performansını artırmak için kritik öneme sahip olduğu gibi, yeni teknolojiyi kullanıcıların eline geçirmek ve bunu nasıl kullandıklarını anlamak, bu temellere dayalı olarak hangi uygulamaların oluşturulacağını belirlemenin anahtarı olacaktır. modeller.üst.
Kevin Scott, Microsoft:
Şunu unutmamalıyız: Model ürün değildir. Bir girişimci olarak anlayışınız şudur: Kullanıcılarınız kim? Onların sorunu ne? Onlara yardım etmek için ne yapabilirsiniz? Ardından yapay zekanın kullanıcı sorunlarını çözmek için gerçekten yararlı bir altyapı olup olmadığını belirleyin; bu bir sabittir. Yapay zeka, yeni sorun sınıflarını çözmenize veya eski sorun sınıflarını daha iyi yollarla çözmenize olanak tanıyan yeni, ilginç bir altyapı gibidir. Mira Murati, OpenAI:
Geleceğin tam olarak nasıl görüneceğini bilmiyoruz, bu yüzden bu araçları ve teknikleri birçok insanın kullanımına sunmaya çalışıyoruz, böylece deneyebilirler ve ne olacağını görebiliriz. Bu başından beri kullandığımız bir strateji. ChatGPT'yi başlatmadan bir hafta önce bunun yeterince iyi olmadığından endişeliydik. Hepimiz ne olduğunu gördük: Bunu ortaya koyuyoruz ve sonra insanlar bize bunun yeni kullanım senaryolarını keşfetmeye yetecek kadar iyi olduğunu söylüyorlar ve siz de ortaya çıkan tüm bu kullanım senaryolarını görüyorsunuz. ## 7 Yapay Zekalı arkadaşlarınızın hafızaları daha iyi olacak
Veriler, hesaplama ve model parametreleri Yüksek Lisans'ın genel akıl yürütmesini güçlendirirken, bağlamsal pencereler kısa süreli hafızalarını güçlendirir. Bağlam pencereleri genellikle işleyebilecekleri belirteçlerin sayısına göre ölçülür. Bugün, çoğu bağlam penceresi yaklaşık 32K'dır, ancak daha büyük bağlam pencereleri geliyor ve bunlarla birlikte, LLM'ler aracılığıyla daha fazla bağlamla daha büyük belgeleri çalıştırma yeteneği de geliyor.
Noam Shazeer, Karakter.AI:
Şu anda sunduğumuz modeller binlerce jetonun bağlam pencerelerini kullanıyor; bu, ömür boyu arkadaşlarınızın son yarım saat içinde olanları hatırlayacağı anlamına geliyor. Çok fazla bilgi dökebilirseniz işler daha iyi hale gelecektir. Senin hakkında milyarlarca şey öğrenebilmeli. HBM bant genişliği orada. Dario Amodei, Antropik:
Hala küçümsendiğini düşündüğüm şeylerden biri, daha uzun bağlam ve onunla birlikte gelen şeyler. Sanırım insanların kafasında bu chatbot'a sahip olma fikri var. "Ben ona bir soru sordum, o da soruyu yanıtladı. Ancak yasal bir sözleşmeyi yükleyip 'Bu yasal sözleşmedeki en sıra dışı beş şart nedir?' diyebilirsiniz. Veya bir mali tablo yükleyin ve şöyle deyin: "Bu şirketin bulunduğu yerin özeti. Bu analistin iki hafta önce söyledikleriyle karşılaştırıldığında şaşırtıcı olan ne? Tüm bu bilgiler, insanların sayması gereken büyük miktardaki verileri manipüle ediyor ve analiz ediyor." saatlerce okumak için. bunun insanların yaptıklarından daha muhtemel olduğunu düşünüyorum. Daha yeni başlıyoruz." ## 8 Sesli sohbet robotları, botlar ve yapay zekayla etkileşim kurmanın diğer yolları önemli bir araştırma alanıdır
Günümüzde çoğu insan yapay zekayla sohbet robotları biçiminde etkileşime giriyor, ancak bunun nedeni, sohbet robotlarının her kullanım durumu için en iyi arayüz olmaları değil, genellikle oluşturulmasının kolay olmasıdır.
Pek çok inşaatçı, kullanıcıların çok modlu yapay zeka aracılığıyla yapay zeka modelleriyle etkileşim kurması için yeni yollar geliştirmeye odaklanıyor. Kullanıcılar, dünyanın geri kalanıyla etkileşime geçtikleri şekilde multimodal modellerle de etkileşime girebilecek: görüntüler, metin, ses ve diğer medya aracılığıyla. Bir adım daha ileri giderek: Bedenlenmiş yapay zeka, sürücüsüz arabalar gibi fiziksel dünyayla etkileşime girebilen yapay zekaya odaklanıyor.
Mira Murati, OpenAI:
Günümüzün temel modelinin metinde dünyayı iyi temsil ettiğini düşünüyorum. Resimler ve videolar gibi başka yöntemler ekliyoruz, böylece bu modeller, dünyayı anlama ve gözlemleme şeklimize benzer şekilde, dünyanın daha eksiksiz bir resmini elde edebilir. Noam Shazeer, Karakter.AI:
Belki bir ses duymak, bir yüz görmek ya da birden fazla kişiyle etkileşime geçmek istiyorsunuzdur. Sanki başkan seçildiyseniz, kulaklıklarınız ve bir sürü arkadaşınız veya danışmanınız var. Veya bir "eğlence barına" girdiğinizde herkesin adınızı bilmesi ve gelmenize sevinmesi gibi. Daphne Koller, giriş:
Yapay zekanın bir sonraki olası etki sınırı, yapay zekanın fiziksel dünyayla etkileşime geçmeye başladığı zamandır. Bunun ne kadar zor olduğunu hepimiz görüyoruz. Kendi kendine giden bir araba yapmanın, bir chatbot oluşturmaya kıyasla ne kadar zor olduğunu hepimiz gördük, değil mi? Sohbet robotları geliştirmede büyük ilerleme kaydediyoruz ve sürücüsüz arabalar hâlâ San Francisco'daki itfaiye araçlarının önünde engel teşkil ediyor. Bu karmaşıklığın yanı sıra etkinin ölçeğini de anlamak önemlidir ## 9 Bazı genel modellerimiz, bir dizi özel modelimiz veya her ikisinin bir karışımı mı olacak?
Daha büyük "daha yüksek zekalı" temel modeller veya daha küçük özel modeller ve veri kümeleri için hangi kullanım senaryoları en uygunudur? Tıpkı on yıl önceki bulut ve uç mimarisi tartışmasında olduğu gibi, bu sorunun yanıtı da ne kadar ödemeye istekli olduğunuza, çıktının ne kadar doğru olmasını istediğinize ve ne kadar gecikmeyi tolere edebileceğinize bağlıdır. Araştırmacılar, belirli kullanım durumları için büyük tabanlı modellere ince ayar yapmak üzere hesaplama açısından daha verimli yöntemler geliştirdikçe, bu soruların yanıtları zaman içinde değişebilir.
Uzun vadede, hangi modellerin hangi kullanım durumları için kullanıldığı konusunda aşırı rotasyona gidebiliriz çünkü gelecek yapay zeka uygulamaları dalgasını destekleyecek altyapı ve mimariyi oluşturmanın henüz ilk aşamalarındayız.
Ali Ghodsi, Databricks:
Biraz 2000 yılına benziyor, İnternet her şeye hakim olmak üzere ve önemli olan tek şey en iyi yönlendiriciyi kimin oluşturabileceği. Cisco'nun piyasa değeri 2000 yılında 5 trilyon ABD dolarına ulaşarak o dönemde Microsoft'u geride bırakmıştı. Peki en büyük LLM'ye (dil modeli) kim sahip? Açıkçası, kim en büyüğünü inşa edebilir ve onu tam olarak eğitebilirse, tüm yapay zeka ve gelecekteki insanlar üzerinde kontrole sahip olacak. Ancak tıpkı internet gibi, daha sonra başka biri de Uber ve taksi şoförlüğü gibi fikirler üretecektir. Başkaları şöyle düşünecek: "Hey, Facebook'taki arkadaşlarımın ne yaptığını görmek istiyorum." Bunlar çok büyük iş fırsatları olabilir ve bir model oluşturabilenler yalnızca OpenAI, Databricks veya Anthropic gibi şirketler değildir. Tüm uygulamalara hakim olun senaryolar. Güvendiğiniz bir doktor yaratmak çok çaba gerektirir. Dario Amodei, Antropik:
En büyük faktör daha fazla para yatırımı yapmaktır. Bugün üretilen en pahalı modellerin maliyeti yaklaşık 100 milyon dolardır, artı ya da eksi büyüklükte. Gelecek yıl birden fazla oyuncunun yaklaşık 1 milyar dolar değerindeki modellerini görebiliriz ve 2025 yılına gelindiğinde milyarlarca, hatta 10 milyar dolarlık modelleri göreceğiz. Bu 100x'lik fark, H100'ün hesaplamalarının daha hızlı hale gelmesi gerçeğiyle birleşiyor; bu, doğruluğun azalması nedeniyle özellikle büyük bir sıçrama. Tüm bu faktörleri bir araya getirdiğinizde ölçeklendirme kanunları uygulanmaya devam ederse yeteneklerde büyük bir artış olacaktır. Mira Murati, OpenAI:
Bu ne yapmak istediğinize bağlıdır. Yapay zeka sistemlerinin yaptığımız işleri giderek daha fazla üstleneceği açıktır. OpenAI platformu açısından bakıldığında bugün bile çok küçük modellerden son teknoloji modellere kadar birçok modeli API aracılığıyla sağladığımızı görebilirsiniz. Her zaman en güçlü veya yetkin modeli kullanmak zorunda değilsiniz. Bazen sadece kendi özel kullanım durumlarına uyan ve daha uygun maliyetli bir modele ihtiyaç duyarlar. İnsanların modelimizi geliştirmelerini ve onlara bu süreci kolaylaştıracak araçları vermelerini istiyoruz. Kendi verilerinizi getirebilmeniz ve bu modelleri özelleştirebilmeniz için onlara daha fazla erişim ve kontrol vermek istiyoruz. Gerçekten modelin kapsamını aşan, ürünü tanımlayan şeylere odaklanmanız gerekiyor. David Baszucki, Roblox:
Roblox gibi herhangi bir şirkette muhtemelen oldukça özelleştirilmiş 20 veya 30 son kullanıcı dikey uygulaması vardır - doğal dil filtreleme, 3D oluşturmaktan çok farklıdır - ve son kullanıcıda tüm bu uygulamaların çalışmasını istiyoruz. Bizimki gibi bir şirkette aşağı doğru indikçe, 2 veya 3 daha büyük, daha şişman tip modelden oluşan doğal bir kümelenme olabilir. Eğitmek istediğimiz disiplinleri çok hassas bir şekilde ayarladık ve bu disiplinler için birçok çıkarım gerçekleştirdik. ## 10 Yapay zeka kuruluşta yeterince benimsendiğinde bu veri kümelerine ne olur?
Üretken yapay zekanın işletmeler üzerindeki etkisi henüz başlangıç aşamasındadır; bunun nedeni kısmen işletmelerin genellikle daha yavaş hareket etmeleri ve kısmen de kendi özel veri kümelerinin değerinin farkına varmaları ve verileri mutlaka başka bir şirkete devretmek istememeleridir. Modelleri ne kadar güçlü olursa olsun. Çoğu kurumsal kullanım durumu yüksek düzeyde doğruluk gerektirir ve işletmelerin Yüksek Lisans'ı seçmek için 3 seçeneği vardır: kendi Yüksek Lisansını oluşturmak, bunu onlar için oluşturmak için bir Yüksek Lisans hizmet sağlayıcısı kullanmak veya temel modele ince ayar yapmak - kendi Yüksek Lisansınızı oluşturmak kolay.
Ali Ghosdi, Databricks:
CEO'ların ve yönetim kurullarının beyinlerinde olan şey şu: Belki rakiplerimi yenebilirim. Belki düşmanlarınızı öldüren kriptonittir. Üretken yapay zekaya ait verilere sahibim ve şöyle düşünüyorlar: "Bunu kendim yapmalıyım." Fikri mülkiyete sahip olmam gerekiyor. Kendi LLM'nizi sıfırdan oluşturmak ister misiniz? Bu önemsiz bir şey değil, yine de çok fazla GPU gerektiriyor, çok paraya mal oluyor ve veri kümenize ve kullanım senaryonuza bağlı. Daha ucuz, daha küçük, amaca yönelik olarak çok yüksek doğruluk ve performansa sahip bir model isteyen çok sayıda müşterimiz var. "Hey, yapmak istediğim şey bu. Üretim sürecindeki bu özel kusurun bu görüntülerinden iyi bir sınıflandırma elde etmek istiyorum" diyorlar. Burada doğruluk önemlidir. Bana verebileceğin her bir doğruluk önemlidir. Burada, üzerinde eğitim verecek iyi bir veri kümeniz varsa ve daha küçük bir modeli eğitebiliyorsanız daha iyi durumda olursunuz. Gecikme daha hızlı, daha ucuz olacak ve evet, gerçekten büyük modelleri geride bırakan bir doğruluğa kesinlikle sahip olabilirsiniz. Ancak yaptığınız model hafta sonları sizi eğlendirmeyecek veya çocuklarınızın ödevlerine yardımcı olmayacak. ## 11 Ölçekleme Yasası bizi YGZ'ye kadar götürecek mi?
LLM şu anda Ölçeklendirme yasasını takip etmektedir: mimari ve algoritmalar aynı kalsa bile, daha fazla veri ve hesaplama ekledikçe model performansı artar. Peki bu kural ne kadar sürebilir? Sonsuza kadar devam mı edecek yoksa biz YGZ'yi geliştirmeden doğal sınırlarına mı ulaşacak?
Mira Murati, OpenAI:
Verilere ve hesaplamaya erişimi genişletmeye devam ettikçe daha iyi, daha güçlü modeller elde edemeyeceğimize dair hiçbir kanıt yok. Bunun sizi AGI'ye kadar götürüp götürmeyeceği, bu farklı bir soru. Bu süreçte ihtiyaç duyulan başka atılımlar ve ilerlemeler de olabilir, ancak ölçeklendirme yasaları ve bu daha büyük modellerden gerçekten çok fazla fayda elde etme açısından hala kat edilmesi gereken uzun bir yol olduğunu düşünüyorum. Dario Amodei, Antropik:
Burada algoritmik bir gelişme olmasa ve şu ana kadar bulunduğumuz yere kadar ölçeklensek bile ölçeklendirme yasası devam edecektir. Noam Shazeer, Karakter.AI:
Amacımız bir AGI şirketi ve ürün öncelikli bir şirket olmaktır ve bunu yapmanın yolu da doğru ürünleri seçmek, bizi genelleştirilebilir şeyler yapmaya zorlamak, modelleri daha akıllı hale getirmek, onları insanların isteyeceği bir şey haline getirmek ve teslim etmektir. Hizmetleri ucuz ve geniş ölçekte. Ölçeklendirme Yasası bizi uzun bir yola götürecek. Aslında hesaplama o kadar da pahalı değil. Bugün işletme maliyetleri 10-18 dolar civarında. Bunları verimli bir şekilde yapabiliyorsanız maliyeti, zamanınızın değerinden çok daha az olmalıdır. Bunları büyüklük sırasına göre büyütme yeteneği var. ## 12 Ortaya çıkan yetenekler nelerdir?
Bazı insanlar yapay zeka üretme yeteneğini hemen göz ardı etse de yapay zeka, belirli görevleri yerine getirme konusunda halihazırda insanlardan çok daha iyi ve gelişmeye devam edecek. En iyi inşaatçılar, yapay zekanın en umut verici gelişen yeteneklerini tespit edebildi ve bu yetenekleri güvenilir yeteneklere dönüştüren modeller ve şirketler inşa edebildi. Ölçeğin ortaya çıkan yeteneklerin güvenilirliğini artırma eğiliminde olduğunun farkındalar.
Mira Murati, OpenAI:
Son derece güvenilmez olsalar bile, ortaya çıkan bu özelliklere dikkat etmek önemlidir. Özellikle bugün şirket kuran insanlar için şunu gerçekten düşünmek istersiniz: "Tamam, bugün neler mümkün? Bugün ne görüyorsunuz?" Çünkü bu modeller çok hızlı bir şekilde güvenilir hale gelecektir. Dario Amodei, Antropik:
GPT-2'yi piyasaya sürdüğümüzde, o zamanlar en etkileyici kabul edilen şey şuydu: "Bu beş İngilizceden Fransızcaya çeviri örneğini doğrudan dil modeline aktarırsınız ve ardından altıncı İngilizce cümleyi beslersiniz ve bu aslında Fransızcaya çevrilecektir. . Aman Tanrım, bu modeli anlıyor gibiydi." Kötü bir çeviri olmasına rağmen bu bizim için çılgıncaydı. Ama bizim görüşümüz şu: "Bakın bu muhteşem bir yolculuğun sadece başlangıcı çünkü hiçbir sınır yok ve büyümeye devam edebilir." Daha önce gördüğümüz modeller neden varlığını sürdüremiyor? Bir sonraki kelimeyi tahmin etmek için o kadar çok hedef var ki ve onlara meydan okuyabileceğiniz o kadar çok şey var ki, kesinlikle işe yarıyor. Ve sonra bazı insanlar buna bakıp şöyle dediler: "Gerçekten kötü bir robot çeviri aracı yaptın." ## 13 Bu modellerin hizmet maliyeti düşecek mi?
Hesaplama maliyetleri, bu modellerin ölçeklendirilmesindeki ana sınırlamalardan biridir ve mevcut çip kıtlığı, arzı sınırlayarak maliyetleri artırmaktadır. Ancak eğer Nvidia gelecek yıl daha fazla H100 üretirse, bu durum GPU sıkıntısını hafifletecek ve potansiyel olarak bilgi işlem maliyetlerini düşürecektir.
Noam Shazeer, Karakter.AI:
Şu anda sunduğumuz modelin eğitimi geçen yıl yaklaşık 2 milyon dolarlık bilgi işlem döngüsü gerektirdi ve muhtemelen bunu yarım milyon dolara tekrar yapacağız. Bu yüzden yıl sonundan önce düzinelerce IQ puanına sahip daha akıllı şeyleri kullanıma sunacağız. Bu olayların büyük ölçüde büyüdüğünü görüyorum. O kadar da pahalı değil. Sanırım dün Nvidia'nın gelecek yıl 2M H100 olacak başka bir 1.5M H100 üreteceğini söyleyen bir makale gördüm. Bu, kişi başına saniyede yaklaşık çeyrek trilyon işlem anlamına gelir. Bu, gezegendeki her insan için 100 milyar parametreli bir modelin saniyede 1 kelimeyi işleyebileceği anlamına geliyor. Ancak aslında herkesin buna erişimi yok, bu yüzden o kadar da pahalı değil. Doğru yaparsanız bu şey çok ölçeklenebilir ve biz de bunun gerçekleşmesi için çok çalışıyoruz. Dario Amodei, Antropik:
Benim temel düşüncem, çıkarımın o kadar pahalı olmayacağıdır. Ölçekleme yasasının temel mantığı, hesaplamayı n faktörü kadar artırırsanız, verileri n'nin karekökü kadar ve modelin boyutunu da n'nin karekökü kadar artırmanız gerektiğidir. Bu karekök temel olarak modelin kendisinin daha fazla büyümeyeceği ve siz bunu yaptıkça donanımın daha hızlı olacağı anlamına gelir. Önümüzdeki 3-4 yıl boyunca bu konuların geçerliliğini sürdüreceğini düşünüyorum. Mimari yenilik olmadan biraz daha pahalı hale gelirler. Mimaride yenilik olursa, ki umarım vardır, ucuzlar. Ancak hesaplama maliyetleri sabit kalsa bile, özellikle sahaya bu kadar çok yetenek akıyorken, model düzeyinde verimlilik iyileştirmeleri kaçınılmaz görünüyor ve yapay zekanın kendisi, yapay zekanın çalışma şeklini iyileştirmek için en güçlü aracımız olabilir.
Dario Amodei, Antropik:
Yapay zeka güçlendikçe çoğu bilişsel görevde daha iyi performans gösteriyor. İlgili bilişsel görevlerden biri, yapay zeka sistemlerinin güvenliğini yargılamak ve sonuçta güvenlik araştırması yürütmektir. Bunun kendine referans veren bir bileşeni var. Bunu, yorumlanabilirlik alanı gibi sinir ağlarının içini okuyarak görebiliriz. Güçlü yapay zeka sistemleri, daha zayıf yapay zeka sistemlerindeki nöronal aktiviteyi yorumlamamıza yardımcı olabilir. Ve bu yorumlanabilirlik öngörüleri sıklıkla bize modelin nasıl çalıştığını anlatır. Bize bir modelin nasıl çalıştığını anlattıklarında genellikle onu iyileştirmenin veya daha verimli hale getirmenin yollarını önerirler. En umut verici araştırma alanlarından biri, modelin tamamını çalıştırmadan, belirli kullanım durumları için büyük modellere ince ayar yapmaktır.
Ali Ghodsi, Databricks:
Binlerce farklı konuda iyi olan binlerce LLM sürümü yapsaydınız ve bunların her birini GPU'ya yükleyip ona hizmet etmeniz gerekiyorsa, bu çok pahalı olurdu. Şu anda herkesin aradığı en büyük şey şu: Sadece küçük değişikliklerle çok iyi sonuçlar alabilecek bir teknik var mı? Önek ayarlama, LoRA, CUBE LoRA vb. gibi birçok teknoloji bulunmaktadır. Ancak gerçekten kusursuz olan hiçbir çözümün işe yaradığı kanıtlanmadı. Ama birisi onu bulacak. ## 14 Genel yapay zekaya yönelik ilerlemeyi nasıl ölçeriz?
Bu modelleri genişlettiğimizde yapay zekanın yapay genel zekaya dönüştüğünü nasıl bileceğiz? AGI terimini sıklıkla duyduğumuzda, belki de kısmen ölçülmesinin zor olmasından dolayı, tanımlanması zor bir şey olabilir.
GLUE ve SUPERGLUE gibi niceliksel kıyaslamalar uzun süredir yapay zeka modeli performansını ölçmek için standartlaştırılmış ölçümler olarak kullanılıyor. Ancak insanlara verdiğimiz standartlaştırılmış testler gibi, AI kıyaslamaları da şu soruyu gündeme getiriyor: Bir Yüksek Lisans'ın muhakeme yeteneğini ne ölçüde ölçüyorsunuz ve bir testi geçme yeteneğini ne ölçüde ölçüyorsunuz?
Ali Ghodsi, Databricks:
Bütün kriterlerin saçmalık olduğunu düşünüyorum. Tüm üniversitelerimizin şöyle dediğini düşünün: "Sınavdan önceki gece bakmanız için size cevapları vereceğiz. Ve ertesi gün, soruları cevaplayıp not vermenizi sağlayacağız." Aniden , herkes sınavı rahatlıkla geçebilirdi. Örneğin MMLU, birçok kişinin bu modelleri değerlendirmek için kullandığı kriterdir. MMLU internette çoktan seçmeli bir sorudur. Bir soru sorun, cevap A mı, B mi, C mi, D mi yoksa E mi? Daha sonra size doğru cevabı söyleyecektir. Çevrimiçi olarak eğitilebilir ve onu yenebilecek bir LLM modeli oluşturulabilir. Yapay Zeka için orijinal niteliksel test Turing testiydi, ancak insanları yapay zekanın insan olduğuna ikna etmek zor bir sorun değil. Yapay zekanın insanların gerçek dünyada yaptıklarını yapmasını sağlamak zor bir sorun. Peki bu sistemlerin işlevselliğini anlamak için hangi testleri kullanabiliriz?
Dylan Field, Figma:
Şu anda bu sistemlerden gördüğümüz şey, insanları insan olduğunuza inandırmanın kolay olduğu, ancak aslında iyi şeyler yapmanın zor olduğudur. GPT-4'ün bir iş planı geliştirmesini ve bunu size satmasını sağlayabilirim ancak bu, yatırım yapacağınız anlamına gelmez. Aslında biri yapay zeka tarafından yönetilen, diğeri insanlar tarafından yönetilen iki rakip işletmeniz olduğunda ve yapay zeka işine yatırım yapmayı seçtiğinizde, bu beni endişelendiriyor. David Baszucki, Roblox:
Bir yapay zeka için bir Turing testi sorum var: Eğer 1633 yılına bir yapay zeka yerleştirirsek ve onun o dönemde mevcut olan tüm bilgileri kullanmasına izin verirsek, güneş sisteminin merkezinde Dünya'nın mı yoksa Güneş'in mi olduğunu tahmin edebilir mi? Bilgilerin %99,9'u Dünyanın güneş sisteminin merkezi olduğunu mu söylüyor? Bence 5 yıl çok yakın ama bu AI Turing testini 10 yıl içinde yapsaydık muhtemelen güneş derdi. ## 15 İnsanların hâlâ katılması gerekiyor mu?
Yeni teknolojiler sıklıkla bazı insan işlerinin ve işlerinin yerini alır, ancak aynı zamanda tamamen yeni alanlar açar, üretkenliği artırır ve daha fazla insanın daha fazla iş türüne erişmesini sağlar. Yapay zekanın mevcut işleri otomatikleştirdiğini hayal etmek kolay olsa da, yapay zekanın getireceği sonraki sorunları ve olasılıkları hayal etmek çok daha zor.
Martin Casado, a16z:
Çok basit bir şekilde ifade edersek, Jevons'un Paradoksu şöyle diyor: Eğer talep esnekse ve fiyat düşerse, talep tazminatı aşacaktır. Çoğu zaman telafi edilenden çok daha fazlasıdır. Bu kesinlikle internet için de geçerlidir. Daha fazla değer ve daha fazla üretkenlik elde edersiniz. Kişisel olarak herhangi bir yaratıcı varlığın veya işin otomatikleştirilmesi söz konusu olduğunda talebin esnek olduğuna inanıyorum. Biz ne kadar çok üretirsek o kadar çok insan tüketir. Tıpkı mikroçipler ve İnternet çağında gördüğümüz gibi, üretkenliğin muazzam bir şekilde artmasını, çok sayıda yeni işin ve birçok yeni şeyin olmasını sabırsızlıkla bekliyoruz. Kevin Scott, Microsoft:
Ekonominin esas olarak tütün çiftçiliği, mobilya imalatı ve tekstil endüstrisi tarafından desteklendiği kırsal orta Virginia'da büyüdüm. Liseden mezun olduğumda üç sektör de çökmüştü. Bu topluluklardaki insanlar inanılmaz derecede güçlü araçlara erişime sahip olduklarında genellikle olağanüstü şeyler yaparlar; kendileri, aileleri ve toplulukları için ekonomik fırsatlar yaratırlar. Sizin ya da benim çözemediğimiz sorunları çözüyorlar çünkü dünyanın tüm sorun manzarasını göremiyoruz. Bizim onların bakış açısına sahip değiliz. Bu yapay zeka araçlarının kullanımı artık her zamankinden daha kolay. Artık bu araçlarla ilginç şeyler yapabilir ve bilgisayar bilimi alanında doktora veya klasik yapay zeka alanında uzmanlığa sahip olmadan Virginia'nın küçük kasabasında bir girişimci olabilirsiniz. Sadece meraklı ve girişimci kalmalısınız. Dylan Field, Figma:
Bugüne kadarki her teknoloji değişimine veya platform değişimine bakarsanız, bunun tasarlanacak daha fazla şeyle sonuçlandığını görürsünüz. Bir matbaa var ve sonra sayfaya ne koyacağınızı bulmanız gerekiyor. Son zamanlarda mobil internetle birlikte şöyle düşünebilirsiniz: "Eh, daha az piksel var, daha az tasarımcı var." Ama durum böyle değil, tasarımcı sayısında en büyük patlamayı o zaman gördük. ## 16 Yapay zeka girişimi kurmak için bundan daha heyecan verici bir zaman olmamıştı (özellikle de fizikçi veya matematikçiyseniz)
Bu, yapay zeka geliştirmek için benzersiz ve heyecan verici bir zamandır: Temel modeller hızla ölçekleniyor, ekonomi nihayet yeni kurulan şirketlerin lehine dönüyor ve çözülmesi gereken pek çok sorun var. Bu problemlerin çözümü büyük sabır ve azim gerektirir ve fizikçiler ve matematikçiler şimdiye kadar bunları çözmeye özellikle çok uygunlardı. Ancak genç ve hızla büyüyen bir alan olarak yapay zekanın kapıları sonuna kadar açık ve şimdi onu inşa etmenin tam zamanı.
Dario Amodei, Antropik:
Herhangi bir anda iki tür alem vardır. Biri tecrübe ve bilgi birikiminin çok zengin olduğu, uzmanlaşmanın uzun yıllar aldığı bir alandır. Biyoloji klasik bir örnek; biyolojide sadece 6 ay çalışırsanız çığır açıcı veya Nobel Ödülü düzeyinde bir çalışma yapmanız çok zor... Diğeri ise çok genç veya çok hızlı gelişen bir alan. Yapay zeka bu kategorilerden biriydi ve bir dereceye kadar hala da öyle. Gerçekten yetenekli genel uzmanlar, genellikle uzun süredir bu alanda olan insanlardan daha iyi performans gösterebilirler çünkü işler çok hızlı değişir. Aksine, çok fazla ön bilgiye sahip olmak bir dezavantaj olabilir. Mira Murati, OpenAI:
Matematiğin teorik alanından çıkarılacak bir sonuç, problemler üzerinde uzun süre düşünmeye ihtiyaç duymanız gerektiğidir. Bazen uykuya dalarsınız ve yeni fikirlerle uyanırsınız, günler veya haftalar içinde nihai çözümünüzü yavaş yavaş bulursunuz. Hızlı geri dönüşleri olan bir süreç değil ve bazen yinelenen bir şey değil. Bir problemle yüzleşmek için gerekli sezgiyi ve disiplini geliştirdiğiniz ve onu çözmek için kendinize güvendiğiniz neredeyse farklı bir düşünme şeklidir. Zamanla hangi sorunların gerçekten üzerinde çalışmaya değer olduğu konusunda bir sezgi geliştireceksiniz. Daphne Koller, içeriden:
Zaman içinde yalnızca makine öğrenimi gelişmekle kalmıyor, aynı zamanda güvendiğimiz biyolojik araçlar da gelişiyor. Geçmişte CRISPR teknolojisi yoktu, yalnızca siRNA vardı. Daha sonra CRISPR gen düzenleme teknolojisi geldi ve şimdi tüm genomik bölgelerin yerini alabilecek CRISPR prime teknolojisi var. Sonuç olarak, geliştirdiğimiz araçlar giderek daha iyi hale geliyor ve bu da daha fazla hastalığı daha anlamlı yollarla ele alma olanağımızın önünü açıyor. Yapay zeka/makine öğreniminin biyoloji ve tıp alanlarıyla kesiştiği noktada birçok fırsat bulunmaktadır. Bu yakınlaşma, bugün var olan ancak beş yıl önce olmayan araçları kullanarak yaşadığımız dünyada büyük bir etki yaratmamıza olanak tanıyan bir andır. Kevin Scott, Microsoft:
Geçmişte gerçekleşen bazı büyük platform değişimlerini düşünürseniz, bu platformlardaki en değerli şeylerin, platform değişikliğinin ilk iki yılında devreye alınan şeyler olmadığını görürsünüz. Akıllı telefonunuzda en çok zaman geçirdiğiniz yeri düşünürseniz, bunun bir mesajlaşma uygulaması, bir web tarayıcısı veya bir e-posta istemcisi olmadığını görürsünüz. Aksine, platformun kullanıma sunulmasından sonraki birkaç yıl içinde yaratılan yeni bir şeydir. Daha önce imkansız olan şeyler artık mümkün mü? İnsanların düşünmesi gereken şey bu. Önemsiz şeylerin peşinde koşmayın.