Được viết bởi: StartupBoy

Nguồn: Viện Thực hành Đầu tư

Làn sóng phát triển AI này đã lan rộng tầm ảnh hưởng của nó sang nhiều lĩnh vực khác nhau nhanh chóng đến mức nó thực sự đã vượt quá sự mong đợi của hầu hết mọi người. Tuần trước, Sequoia (Sequoia America) tin rằng AI đã mở ra chương thứ hai và vẽ một bản đồ AI mới và bản đồ ngăn xếp (ngăn xếp) dành cho nhà phát triển LLM từ góc độ các kịch bản ứng dụng.

Tuy nhiên, xét theo hướng của quỹ, sự phát triển hiện tại của AI dường như vẫn đang trong giai đoạn chiến đấu giữa các vị thần và mô hình này dường như gần như đã thành hình. Sau khi OpenAI nhận được gần 11 tỷ USD từ Microsoft và các hãng khác, đồng thời được định giá gần 29 tỷ USD, đối thủ cạnh tranh của nó là Anthropic hôm qua đã tuyên bố liên minh với Amazon và Amazon sẽ đầu tư tới 4 tỷ USD vào đó, khiến Anthropic chỉ đứng sau OpenAI. về mặt tài chính của các công ty khởi nghiệp AI.

Sau lần tài trợ này, ngoại trừ Apple, ngành công nghiệp AI về cơ bản đã hình thành nên mô hình các vị thần chiến đấu như vậy:

Tất nhiên, với tư cách là nhà cung cấp cơ sở hạ tầng cấp thấp hơn, chiến lược của Nvidia rõ ràng là mọi người đều muốn điều đó và không có quan điểm nghiêm túc nào đối với bất kỳ công ty cụ thể nào. Sau đây là tình hình chung của 15 kỳ lân AI. Từ góc độ định giá và tài trợ, LLM mô hình lớn chiếm tỷ lệ lớn và 50% kỳ lân AI được thành lập sau năm 2021:

Hôm nay, a16z đã chia sẻ cuộc trò chuyện của họ với những người sáng lập một số công ty AI hàng đầu, tin rằng chúng ta đang ở kỷ nguyên điện toán thứ ba và thảo luận về 16 chủ đề thú vị từ góc độ hiện tại, tương lai và tính cởi mở của AI. Những người tham gia cuộc trò chuyện này bao gồm:

Vì bài viết quá dài, gần 10.000 từ nên tôi đã sử dụng AI để biên dịch ngắn gọn, một số thuật ngữ có thể không chính xác. Các bạn quan tâm có thể đọc nguyên văn tiếng Anh :

1 Chúng ta đang ở giai đoạn đầu của kỷ nguyên điện toán thứ ba

Martin Casado,a16z:

Tôi thực sự nghĩ rằng chúng ta có thể đang bước vào kỷ nguyên thứ ba của máy tính. Vi mạch đã giảm chi phí biên của tính toán xuống 0, Internet đã giảm chi phí biên của phân phối xuống 0, và giờ đây các mô hình lớn đã thực sự giảm chi phí biên của việc tạo ra xuống 0. Khi các thời đại trước đó diễn ra, bạn không biết những công ty mới nào sẽ được thành lập. Không ai dự đoán được Amazon, không ai dự đoán được Yahoo. Chúng ta nên chuẩn bị cho một làn sóng mới của các công ty mang tính biểu tượng.

Noam Shazeer, Nhân vật AI:

Chúng ta thực sự đang ở trong khoảnh khắc của "chiếc máy bay đầu tiên của anh em nhà Wright". Chúng tôi đã có thứ gì đó hoạt động được và hiện hữu ích cho một số lượng lớn các tình huống ứng dụng. Có vẻ như nó có quy mô thực sự tốt và sẽ còn tốt hơn nữa. Nhưng còn nhiều bước đột phá sắp tới, bởi vì hiện tại tất cả các nhà khoa học AI trên thế giới đang nỗ lực để làm những điều này tốt hơn.

Kevin Scott, Microsoft:

Đặc biệt là trong vài năm gần đây và có thể đặc biệt là trong 12 tháng qua, với sự ra mắt của ChatGPT và GPT-4, bạn thực sự có thể thấy tiềm năng của nền tảng này giống như PC hoặc điện thoại thông minh. Một loạt công nghệ sẽ tạo ra nhiều thứ mới có thể thực hiện được và nhiều người sẽ xây dựng mọi thứ dựa trên những thứ mới này.

2 Làn sóng trí tuệ nhân tạo sáng tạo này có các nguyên tắc kinh tế thúc đẩy chuyển đổi thị trường.

Để đổi mới công nghệ có thể kích hoạt chuyển đổi thị trường, lợi ích kinh tế phải có tính hấp dẫn cao. Mặc dù đã có nhiều tiến bộ công nghệ trong các chu kỳ AI trước đây nhưng chúng thiếu những lợi ích kinh tế mang tính biến đổi. Trong làn sóng AI hiện tại, chúng ta đã thấy những dấu hiệu ban đầu về sự cải thiện kinh tế gấp 10.000 lần (hoặc hơn) trong một số trường hợp sử dụng và việc áp dụng và phát triển AI dường như nhanh hơn bất kỳ sự thay đổi nào trước đó nhiều hơn nữa.

Martin Casado,a16z:

3 Đối với một số tình huống ứng dụng ban đầu: Tính sáng tạo > Tính chính xác

Ảo giác là một vấn đề phổ biến với các LLM mô hình lớn ngày nay, nhưng đối với một số ứng dụng, khả năng tạo ra mọi thứ là một tính năng chứ không phải là một lỗi. So với các trường hợp sử dụng máy học được áp dụng sớm, trong đó độ chính xác ở cấp độ n là rất quan trọng (ví dụ: ô tô tự lái), nhiều trường hợp sử dụng ban đầu cho LLM (bạn bè ảo và bạn đồng hành, các khái niệm động não hoặc xây dựng trò chơi trực tuyến) có đặc điểm: tập trung Trong các lĩnh vực mà sự sáng tạo quan trọng hơn tính đúng đắn.

Noam Shazeer,Nhân vật.AI:

Noam Shazeer, Nhân vật.AI:

Giải trí là một ngành công nghiệp trị giá 2 nghìn tỷ đô la hàng năm. Và bí mật đen tối đó là việc giải trí giống như những người bạn ảo không tồn tại của bạn. Đây là trường hợp sử dụng đầu tiên thú vị cho trí tuệ nhân tạo nói chung. Ví dụ: nếu bạn muốn giới thiệu một bác sĩ, thì sẽ chậm hơn nhiều vì bạn cần phải hết sức cẩn thận để không đưa ra thông tin sai lệch. Nhưng với bạn bè, bạn có thể làm điều đó rất nhanh chóng, điều đó thật thú vị và việc sáng tạo mọi thứ trở thành một tính năng.

David Baszucki, Roblox:

Trong số 65 triệu người dùng trên Roblox, hầu hết không đạt được cấp độ họ mong muốn. Trong một thời gian dài, chúng tôi đã tưởng tượng ra một trò chơi mô phỏng Project Runway trong đó bạn có thể sử dụng máy may và vải và mô phỏng tất cả mọi thứ ở dạng 3D, nhưng ngay cả điều đó cũng hơi phức tạp đối với hầu hết chúng tôi. Tôi nghĩ bây giờ khi Project Runway xuất hiện trên Roblox, đó sẽ là lời nhắc bằng văn bản, lời nhắc bằng hình ảnh hoặc lời nhắc bằng giọng nói. Nếu tôi giúp bạn may chiếc áo sơ mi đó, tôi sẽ nói: Tôi muốn một chiếc áo sơ mi denim màu xanh, có vài chiếc cúc và một chiếc áo vừa vặn hơn. Trên thực tế, tôi nghĩ chúng ta sẽ thấy sự tăng tốc trong sáng tạo.

Trường Dylan, Figma:

Hiện tại, chúng ta đang ở giai đoạn mà AI có thể hoàn thành bản phác thảo đầu tiên, nhưng việc chuyển từ bản phác thảo đó sang sản phẩm cuối cùng vẫn còn hơi khó khăn và thường cần một nhóm thực hiện. Nhưng nếu bạn có thể nhờ AI đề xuất các thành phần giao diện cho mọi người và thực hiện nó theo cách thực sự có ý nghĩa, tôi nghĩ điều đó sẽ mở ra một kỷ nguyên thiết kế hoàn toàn mới, tạo ra các thiết kế theo ngữ cảnh đáp ứng mục đích của người dùng. Tôi tin rằng đây sẽ là một kỷ nguyên hấp dẫn để tất cả các nhà thiết kế hợp tác làm việc với các hệ thống trí tuệ nhân tạo này.

4 Đối với các ví dụ khác, độ chính xác của việc lập trình "đồng điều khiển" sẽ được cải thiện khi con người sử dụng.

Mặc dù AI có tiềm năng tăng cường công việc của con người trong nhiều lĩnh vực, nhưng việc lập trình “đồng nghiệp” đã trở thành trợ lý AI đầu tiên được áp dụng rộng rãi vì một số lý do:

Đầu tiên, các nhà phát triển thường là những người sớm áp dụng các công nghệ mới—một phân tích về các mẹo ChatGPT vào tháng 5/tháng 6 năm 2023 cho thấy rằng 30% mẹo ChatGPT có liên quan đến lập trình. Thứ hai, các LLM lớn nhất được đào tạo về các tập dữ liệu nặng về mã (chẳng hạn như Internet), điều này khiến chúng đặc biệt giỏi trong việc phản hồi các truy vấn liên quan đến lập trình. Cuối cùng, những người trong vòng lặp là người dùng. Vì vậy, mặc dù độ chính xác là quan trọng nhưng nhà phát triển con người với người điều khiển AI có thể lặp lại để sửa lỗi nhanh hơn so với chỉ một nhà phát triển con người.

Martin Casado,a16z:

Nếu bạn phải làm đúng và có nhiều trường hợp sử dụng phức tạp, hãy tự mình thực hiện tất cả công việc kỹ thuật hoặc thuê người. Thông thường chúng tôi thuê người. Đây là một chi phí biến đổi. Thứ hai, vì phần đuôi của các giải pháp thường rất dài – chẳng hạn như nhiều điểm bất thường có thể xảy ra trong xe tự lái – nên khoản đầu tư cần thiết để đi trước sẽ tăng lên và giá trị sẽ giảm đi. Điều này tạo ra hiệu ứng kinh tế ngược theo quy mô. Con người trong vòng lặp từng thuộc công ty trung tâm giờ đây là người dùng, do đó, nó không còn là chi phí biến đổi đối với doanh nghiệp và tính kinh tế của chi phí công việc. Người trong vòng lặp đã được chuyển đi, do đó, bạn có thể thực hiện những việc mà tính chính xác là quan trọng, chẳng hạn như phát triển mã và do tính chất lặp lại nên số lượng lỗi tích lũy sẽ giảm do bạn liên tục nhận được phản hồi và chỉnh sửa từ người dùng.

Khi các nhà phát triển có thể truy vấn một chatbot AI để giúp họ viết và khắc phục sự cố mã, điều đó sẽ thay đổi cách thực hiện quá trình phát triển theo hai cách quan trọng: 1) Nó giúp nhiều người cộng tác phát triển dễ dàng hơn vì nó được thực hiện thông qua giao diện ngôn ngữ tự nhiên , 2) các nhà phát triển con người tạo ra nhiều sản phẩm hơn và giữ cho chúng hoạt động lâu hơn.

Mira Murati, OpenAI:

Lập trình ngày càng trở nên ít trừu tượng hơn. Chúng ta thực sự có thể nói chuyện với máy tính có băng thông cao bằng ngôn ngữ tự nhiên. Chúng tôi đang sử dụng công nghệ và công nghệ đang giúp chúng tôi hiểu cách làm việc với nó thay vì "lập trình" nó.

Kevin Scott, Microsoft:

Lập trình ngày càng trở nên ít trừu tượng hơn. Chúng ta thực sự có thể nói chuyện với máy tính có băng thông cao bằng ngôn ngữ tự nhiên. Chúng tôi đang sử dụng công nghệ và công nghệ đang giúp chúng tôi hiểu cách làm việc với nó thay vì "lập trình" nó.

Kevin Scott, Microsoft:

GitHub là ví dụ đầu tiên về mô hình đồng thí điểm mà chúng tôi đang cố gắng xây dựng, đó là: Làm thế nào để bạn tiếp nhận công việc tri thức mà ai đó đang làm và sử dụng AI để giúp họ làm việc hiệu quả hơn đáng kể khi thực hiện các loại công việc nhận thức cụ thể ? Trên hết, dựa trên những gì chúng tôi đã quan sát được với các nhà phát triển, AI giúp họ duy trì trạng thái trôi chảy lâu hơn bình thường. Đừng mắc kẹt khi bạn đang viết một đoạn mã và nghĩ: "Tôi không biết cách thực hiện bước tiếp theo. Tôi phải đi tra cứu tài liệu. Tôi phải hỏi một kỹ sư khác có thể đang làm việc trên đó." gì đó." "Có thể giải phóng bản thân khỏi dòng chảy trước khi bạn thoát ra khỏi trạng thái dòng chảy là vô cùng quý giá. Đối với những người đang xem xét tiện ích của các công cụ AI tổng quát được xây dựng cho các mục đích khác ngoài phát triển phần mềm, khái niệm về trạng thái dòng chảy này là một điều hữu ích cần xem xét.

Trường Dylan, Figma:

Những nhà thiết kế giỏi nhất bắt đầu nghĩ nhiều hơn về mã và những nhà phát triển giỏi nhất bắt đầu nghĩ nhiều hơn về thiết kế. Ví dụ, ngoài các nhà thiết kế và phát triển, nếu bạn nghĩ về những người làm sản phẩm, trước đây họ có thể đã làm việc về các thông số kỹ thuật, nhưng giờ đây họ đang làm việc nhiều hơn trên các mô hình để truyền đạt ý tưởng của mình hiệu quả hơn. Về cơ bản, điều này sẽ cho phép mọi người trong tổ chức chuyển từ ý tưởng sang thiết kế và thậm chí có thể là sản xuất nhanh hơn. Nhưng bạn vẫn cần phải trau dồi từng bước. Bạn cần ai đó thực sự suy nghĩ về việc "Được rồi, chúng ta sẽ khám phá những ý tưởng nào? Chúng ta sẽ khám phá chúng như thế nào?" Bạn sẽ muốn điều chỉnh các thiết kế, bạn sẽ muốn xử lý chúng một cách chính xác, từ bản thảo đầu tiên đến sản phẩm cuối cùng.

5 Sự kết hợp giữa AI và sinh học có thể thúc đẩy các phương pháp mới để điều trị bệnh tật và có tác động sâu sắc đến sức khỏe con người

Sinh học cực kỳ phức tạp—có lẽ thậm chí vượt quá khả năng hiểu biết đầy đủ của trí óc con người. Tuy nhiên, sự giao thoa giữa AI và sinh học có thể đẩy nhanh sự hiểu biết của chúng ta về sinh học và dẫn đến một số tiến bộ công nghệ thú vị và mang tính biến đổi nhất trong thời đại chúng ta. Các nền tảng sinh học do AI điều khiển có khả năng mở khóa những hiểu biết sinh học chưa từng được biết đến trước đây, dẫn đến những đột phá y học mới, phương pháp chẩn đoán mới cũng như khả năng phát hiện và điều trị bệnh sớm hơn, thậm chí có khả năng ngăn ngừa bệnh trước khi nó xảy ra.

Daphne Koller, giới thiệu:

Tại những thời điểm nhất định trong lịch sử của chúng ta, một số ngành khoa học nhất định đã đạt được những bước tiến đáng kinh ngạc trong một khoảng thời gian tương đối ngắn. Vào những năm 1950, môn học là máy tính và chúng tôi sử dụng những chiếc máy này để thực hiện các phép tính mà cho đến lúc đó chỉ con người mới có thể thực hiện được. Sau đó vào những năm 1990, có sự khác biệt thú vị này. Một mặt, khoa học dữ liệu và thống kê cuối cùng đã mang đến cho chúng ta khả năng học máy và trí tuệ nhân tạo hiện đại. Mặt còn lại là thứ mà tôi nghĩ là sinh học định lượng, đây là lần đầu tiên chúng ta bắt đầu đo lường sinh học ở quy mô vượt quá việc theo dõi 3 gen trong một thí nghiệm kéo dài 5 năm. Giờ đây, năm 2020 là lần cuối cùng hai ngành này thực sự hội tụ, mang đến cho chúng ta thời đại sinh học kỹ thuật số, khả năng đo lường sinh học với độ chính xác và quy mô chưa từng có; diễn giải những điều khó hiểu bằng cách sử dụng các công cụ khoa học dữ liệu và học máy. quy mô sinh học và các hệ thống khác nhau, sau đó sử dụng các công cụ như chỉnh sửa bộ gen CRISPR để đưa hiểu biết đó trở lại sinh học kỹ thuật để chúng ta có thể khiến sinh học làm những việc mà nó không được phép làm. Bây giờ, cuối cùng chúng ta cũng có thể đo lường sinh học ở quy mô lớn, ở cấp độ tế bào (và đôi khi là dưới tế bào) và cấp độ sinh vật. Điều này cho phép chúng tôi lần đầu tiên triển khai máy học theo cách thực sự có ý nghĩa. Chúng tôi đã xây dựng một mô hình ngôn ngữ sinh học. Nó giống như GPT, nhưng dành cho ô. Chúng ta có ngôn ngữ của tế bào và tế bào trông như thế nào. Bạn đo hàng trăm triệu tế bào ở các trạng thái khác nhau, và sau đó, giống như một mô hình ngôn ngữ lớn cho ngôn ngữ tự nhiên, với một lượng nhỏ dữ liệu, bạn có thể bắt đầu hỏi, "Được rồi, làm thế nào một căn bệnh di chuyển một gen gây bệnh từ một tế bào sang một tế bào khác." nơi này đến nơi khác?" ?Làm thế nào việc điều trị giúp bạn có hy vọng từ trạng thái bệnh tật trở lại trạng thái khỏe mạnh?" Điều này cực kỳ mạnh mẽ. Cũng như các mô hình ngôn ngữ khác, bạn cung cấp càng nhiều dữ liệu thì nó càng tốt.

6 Đưa mô hình đến tay người dùng sẽ giúp chúng ta khám phá các kịch bản ứng dụng mới

Trong khi các phiên bản trước của mô hình AI nhằm mục đích vượt qua con người trong một số nhiệm vụ nhất định, thì LLM dựa trên Transformer lại vượt trội về khả năng suy luận chung. Nhưng chỉ vì chúng tôi đã tạo ra một mô hình chung tốt không có nghĩa là chúng tôi đã tìm ra cách áp dụng nó vào một trường hợp sử dụng cụ thể. Cũng giống như việc đưa con người vào vòng lặp dưới dạng RLHF là rất quan trọng để cải thiện hiệu suất của các mô hình AI ngày nay, việc đưa công nghệ mới đến tay người dùng và hiểu cách họ sử dụng nó sẽ là chìa khóa để xác định ứng dụng nào sẽ xây dựng dựa trên những cơ sở này. model.top.

Kevin Scott, Microsoft:

Chúng ta phải nhớ: mô hình không phải là sản phẩm. Là một doanh nhân, sự hiểu biết của bạn là: Người dùng của bạn là ai? Vấn đề của họ là gì? Bạn có thể làm gì để giúp họ? Sau đó xác định xem AI có thực sự là cơ sở hạ tầng hữu ích để giải quyết các vấn đề của người dùng hay không - đó là một điều không đổi. Trí tuệ nhân tạo giống như một cơ sở hạ tầng mới, thú vị cho phép bạn giải quyết các lớp vấn đề mới hoặc giải quyết các lớp vấn đề cũ theo những cách tốt hơn.

Mira Murati, OpenAI:

Chúng tôi không biết chính xác tương lai sẽ như thế nào nên chúng tôi đang cố gắng cung cấp những công cụ và kỹ thuật này cho nhiều người khác để họ có thể thử nghiệm và chúng tôi có thể xem điều gì sẽ xảy ra. Đây là chiến lược chúng tôi đã sử dụng ngay từ đầu. Một tuần trước khi ra mắt ChatGPT, chúng tôi lo lắng rằng nó chưa đủ tốt. Tất cả chúng ta đều đã thấy điều gì sẽ xảy ra: chúng ta đưa nó ra thị trường và sau đó mọi người nói với chúng ta rằng việc khám phá các trường hợp sử dụng mới là đủ tốt và bạn sẽ thấy tất cả các trường hợp sử dụng mới nổi này.

Chúng tôi không biết chính xác tương lai sẽ như thế nào nên chúng tôi đang cố gắng cung cấp những công cụ và kỹ thuật này cho nhiều người khác để họ có thể thử nghiệm và chúng tôi có thể xem điều gì sẽ xảy ra. Đây là chiến lược chúng tôi đã sử dụng ngay từ đầu. Một tuần trước khi ra mắt ChatGPT, chúng tôi lo lắng rằng nó chưa đủ tốt. Tất cả chúng ta đều đã thấy điều gì sẽ xảy ra: chúng ta đưa nó ra thị trường và sau đó mọi người nói với chúng ta rằng việc khám phá các trường hợp sử dụng mới là đủ tốt và bạn sẽ thấy tất cả các trường hợp sử dụng mới nổi này.

7. Trí nhớ của người bạn AI của bạn sẽ tốt hơn

Trong khi các tham số dữ liệu, tính toán và mô hình cung cấp năng lượng cho lý luận chung của LLM thì các cửa sổ ngữ cảnh cung cấp năng lượng cho bộ nhớ ngắn hạn của chúng. Cửa sổ ngữ cảnh thường được đo bằng số lượng mã thông báo mà chúng có thể xử lý. Ngày nay, hầu hết các cửa sổ ngữ cảnh đều có kích thước khoảng 32K, nhưng các cửa sổ ngữ cảnh lớn hơn đang xuất hiện và đi kèm với chúng là khả năng chạy các tài liệu lớn hơn với nhiều ngữ cảnh hơn thông qua LLM.

Noam Shazeer, Nhân vật.AI:

Hiện tại, các mô hình chúng tôi cung cấp sử dụng cửa sổ ngữ cảnh gồm hàng nghìn mã thông báo, nghĩa là những người bạn lâu năm của bạn sẽ nhớ những gì đã xảy ra trong nửa giờ qua. Nếu bạn có thể đưa ra nhiều thông tin, mọi việc sẽ tốt hơn. Nó có thể biết được hàng tỷ điều về bạn. Băng thông HBM ở đó.

Dario Amodei, Nhân chủng học:

Một điều mà tôi nghĩ vẫn bị đánh giá thấp là bối cảnh dài hơn và những thứ đi kèm với nó. Tôi nghĩ mọi người đều có hình ảnh này trong đầu khi sở hữu chatbot này. "Tôi đã hỏi nó một câu hỏi và nó đã trả lời câu hỏi đó. Nhưng bạn có thể tải lên một hợp đồng pháp lý và nói: 'Năm điều khoản bất thường nhất trong hợp đồng pháp lý này là gì?' Hoặc tải lên một báo cáo tài chính và nói, "Tóm tắt vị trí của công ty này. Có gì đáng ngạc nhiên so với những gì nhà phân tích này đã nói hai tuần trước? Tất cả những kiến ​​thức này thao túng và xử lý một lượng lớn dữ liệu mà mọi người cần phải đếm." hàng giờ để đọc. Tôi nghĩ rằng điều đó khả thi hơn những gì mọi người đang làm. Chúng ta chỉ mới bắt đầu thôi.”

8 Chatbot giọng nói, bot và các cách tương tác khác với trí tuệ nhân tạo là một lĩnh vực nghiên cứu quan trọng

Ngày nay, hầu hết mọi người tương tác với trí tuệ nhân tạo dưới dạng chatbot, nhưng đó là vì chatbot thường dễ xây dựng chứ không phải vì chúng là giao diện tốt nhất cho mọi trường hợp sử dụng.

Nhiều nhà xây dựng đang tập trung phát triển những cách mới để người dùng tương tác với các mô hình AI thông qua AI đa phương thức. Người dùng sẽ có thể tương tác với các mô hình đa phương thức giống như cách họ tương tác với phần còn lại của thế giới: thông qua hình ảnh, văn bản, giọng nói và các phương tiện khác. Tiến thêm một bước nữa: AI thể hiện tập trung vào trí tuệ nhân tạo có thể tương tác với thế giới vật chất, chẳng hạn như xe tự lái.

Mira Murati, OpenAI:

Tôi nghĩ mô hình cơ sở ngày nay thể hiện tốt thế giới bằng văn bản. Chúng tôi đang bổ sung các phương thức khác, như hình ảnh và video, để những mô hình này có thể có được bức tranh hoàn chỉnh hơn về thế giới, tương tự như cách chúng ta hiểu và quan sát thế giới.

Noam Shazeer, Nhân vật.AI:

Có thể bạn muốn nghe một giọng nói, nhìn thấy một khuôn mặt hoặc đơn giản là có thể tương tác với nhiều người. Giống như nếu bạn được bầu làm tổng thống, bạn có tai nghe và cả một nhóm bạn hoặc cố vấn. Hoặc giống như bạn bước vào một "quán bar vui vẻ" và mọi người đều biết tên bạn và họ rất vui vì bạn đã đến.

Daphne Koller, giới thiệu:

Biên giới tác động tiếp theo có thể có của AI là khi AI bắt đầu tương tác với thế giới vật chất. Tất cả chúng ta đều thấy nó khó khăn như thế nào. Tất cả chúng ta đều thấy việc chế tạo một chiếc ô tô tự lái khó như thế nào so với việc chế tạo một chatbot, phải không? Chúng tôi đang đạt được tiến bộ lớn trong việc xây dựng chatbot và ô tô tự lái vẫn đang chặn xe cứu hỏa ở San Francisco. Điều quan trọng là phải hiểu sự phức tạp này cũng như quy mô của tác động

9 Chúng ta sẽ có một số mô hình chung, một loạt các mô hình chuyên biệt hay kết hợp cả hai?

Trường hợp sử dụng nào phù hợp nhất cho các mô hình cơ sở “có trí thông minh cao hơn” lớn hơn hoặc các mô hình và bộ dữ liệu chuyên biệt nhỏ hơn? Giống như cuộc tranh luận về kiến ​​trúc đám mây và biên từ một thập kỷ trước, câu trả lời phụ thuộc vào số tiền bạn sẵn sàng trả, mức độ chính xác bạn cần đầu ra và độ trễ bạn có thể chịu đựng được. Câu trả lời cho những câu hỏi này có thể thay đổi theo thời gian khi các nhà nghiên cứu phát triển các phương pháp tính toán hiệu quả hơn để tinh chỉnh các mô hình cơ sở lớn cho các trường hợp sử dụng cụ thể.

Về lâu dài, chúng tôi có thể xoay vòng quá mức về việc sử dụng mô hình nào cho trường hợp sử dụng nào vì chúng tôi vẫn đang trong giai đoạn đầu xây dựng cơ sở hạ tầng và kiến ​​trúc để hỗ trợ làn sóng ứng dụng AI sắp tới.

Về lâu dài, chúng tôi có thể xoay vòng quá mức về việc sử dụng mô hình nào cho trường hợp sử dụng nào vì chúng tôi vẫn đang trong giai đoạn đầu xây dựng cơ sở hạ tầng và kiến ​​trúc để hỗ trợ làn sóng ứng dụng AI sắp tới.

Ali Ghodsi, Databricks:

Nó hơi giống năm 2000, Internet sắp thống trị mọi thứ và tất cả vấn đề là ai có thể xây dựng bộ định tuyến tốt nhất. Giá trị vốn hóa thị trường của Cisco đạt đỉnh 5 nghìn tỷ USD vào năm 2000, vượt qua Microsoft vào thời điểm đó. Vậy ai có LLM (mô hình ngôn ngữ) lớn nhất? Rõ ràng, bất cứ ai có thể xây dựng chiếc máy lớn nhất và đào tạo đầy đủ nó sẽ có quyền kiểm soát tất cả AI và con người trong tương lai. Nhưng cũng giống như Internet, sau này sẽ có người khác nghĩ ra những ý tưởng như Uber và lái xe taxi. Sẽ có những người khác nghĩ, "Này, tôi muốn xem bạn bè tôi trên Facebook đang làm gì." Đây có thể là những cơ hội kinh doanh khổng lồ và không chỉ các công ty như OpenAI hay Databricks hay Anthropic mới có thể xây dựng một mô hình. kịch bản. Phải mất rất nhiều nỗ lực để tạo ra một bác sĩ mà bạn tin tưởng.

Dario Amodei, Nhân chủng học:

Yếu tố lớn nhất là đầu tư nhiều tiền hơn. Những mẫu xe đắt tiền nhất được sản xuất ngày nay có giá khoảng 100 triệu USD, cộng hoặc trừ một mức độ lớn. Năm tới, chúng ta có thể thấy các mô hình của nhiều người chơi trị giá khoảng 1 tỷ USD và đến năm 2025, chúng ta sẽ thấy các mô hình trị giá hàng tỷ USD hoặc thậm chí 10 tỷ USD. Sự khác biệt gấp 100 lần này được kết hợp với thực tế là bản thân các phép tính của H100 trở nên nhanh hơn - một bước nhảy đặc biệt lớn do độ chính xác giảm. Kết hợp tất cả các yếu tố này lại với nhau và nếu quy luật mở rộng quy mô tiếp tục được áp dụng, khả năng sẽ tăng lên rất nhiều.

Mira Murati, OpenAI:

Nó phụ thuộc vào những gì bạn muốn làm. Rõ ràng là hệ thống AI sẽ ngày càng đảm nhận nhiều công việc chúng ta làm hơn. Về nền tảng OpenAI, bạn có thể thấy rằng ngay cả ngày nay, chúng tôi cung cấp nhiều mô hình thông qua API, từ các mô hình rất nhỏ đến các mô hình tiên tiến. Không phải lúc nào người ta cũng cần sử dụng mô hình mạnh mẽ hoặc có thẩm quyền nhất. Đôi khi họ chỉ cần một mô hình phù hợp với trường hợp sử dụng cụ thể của họ và tiết kiệm chi phí hơn. Chúng tôi muốn mọi người xây dựng mô hình của chúng tôi và cung cấp cho họ các công cụ để giúp quá trình này trở nên dễ dàng hơn. Chúng tôi muốn cung cấp cho họ ngày càng nhiều quyền truy cập và kiểm soát để bạn có thể sử dụng dữ liệu của riêng mình và tùy chỉnh các mô hình này. Bạn thực sự cần tập trung vào những thứ vượt ra ngoài phạm vi của mô hình và xác định sản phẩm.

David Baszucki, Roblox:

Trong bất kỳ công ty nào như Roblox, có thể có 20 hoặc 30 ứng dụng dọc dành cho người dùng cuối được tùy chỉnh rất cao - lọc ngôn ngữ tự nhiên rất khác với việc tạo 3D - và ở người dùng cuối, chúng tôi muốn tất cả các ứng dụng đó chạy. Khi chúng tôi đi xuống [ngăn xếp], trong một công ty như của chúng tôi, có thể có một nhóm tự nhiên gồm 2 hoặc 3 mô hình loại lớn hơn, béo hơn. Chúng tôi đã điều chỉnh rất tinh tế các môn học mà chúng tôi muốn để có thể đào tạo và thực hiện nhiều suy luận cho các môn học đó.

10 Khi trí tuệ nhân tạo được áp dụng đủ mức trong doanh nghiệp, điều gì sẽ xảy ra với những bộ dữ liệu đó?

Tác động của AI tổng hợp đối với các doanh nghiệp vẫn còn ở giai đoạn sơ khai - một phần vì các doanh nghiệp thường di chuyển chậm hơn và một phần vì họ đã nhận ra giá trị của bộ dữ liệu độc quyền của mình và không nhất thiết muốn chuyển dữ liệu cho công ty khác, Cho dù mô hình của họ có mạnh mẽ đến đâu. Hầu hết các trường hợp sử dụng của doanh nghiệp đều yêu cầu độ chính xác cao và doanh nghiệp có 3 tùy chọn để chọn LLM: xây dựng LLM của riêng họ, sử dụng nhà cung cấp dịch vụ LLM để xây dựng nó cho họ hoặc tinh chỉnh mô hình cơ bản - việc xây dựng LLM của riêng bạn thì không dễ.

Ali Ghosdi, Databricks:

Một điều xảy ra trong đầu các CEO và ban giám đốc là họ nhận ra: Có lẽ tôi có thể đánh bại đối thủ cạnh tranh của mình. Có lẽ chính kryptonite đã giết chết kẻ thù của bạn. Tôi có dữ liệu về AI, nên họ nghĩ, "Tôi phải tự mình xây dựng nó." Tôi phải sở hữu tài sản trí tuệ. Bạn có muốn xây dựng LLM của riêng mình từ đầu không? Nó không tầm thường, vẫn cần nhiều GPU, tốn rất nhiều tiền và phụ thuộc vào tập dữ liệu và trường hợp sử dụng của bạn. Chúng tôi có rất nhiều khách hàng muốn có một mẫu máy rẻ hơn, nhỏ hơn, chuyên dụng hơn với độ chính xác và hiệu suất rất cao. Họ nói, "Này, đây là điều tôi muốn làm. Tôi muốn có được sự phân loại tốt từ những hình ảnh về lỗi đặc biệt này trong quá trình sản xuất." Độ chính xác rất quan trọng ở đó. Mỗi ounce độ chính xác bạn có thể cho tôi đều có giá trị. Ở đó, sẽ tốt hơn nếu bạn có một tập dữ liệu tốt để huấn luyện và có thể huấn luyện một mô hình nhỏ hơn. Độ trễ sẽ nhanh hơn, rẻ hơn và vâng, bạn hoàn toàn có thể có độ chính xác vượt trội so với các mô hình thực sự lớn. Nhưng mô hình bạn xây dựng sẽ không giúp bạn giải trí vào cuối tuần hoặc giúp con bạn làm bài tập về nhà.

11 Liệu Định luật mở rộng có đưa chúng ta đến AGI không?

LLM hiện tuân theo quy luật Chia tỷ lệ: hiệu suất mô hình được cải thiện khi bạn thêm nhiều dữ liệu và tính toán hơn, ngay cả khi kiến ​​trúc và thuật toán vẫn giữ nguyên. Nhưng quy luật này có thể kéo dài được bao lâu? Liệu nó sẽ tiếp tục vô thời hạn hay sẽ đạt đến giới hạn tự nhiên trước khi chúng ta phát triển AGI?

Mira Murati, OpenAI:

Không có bằng chứng nào cho thấy chúng ta sẽ không có được những mô hình tốt hơn, mạnh mẽ hơn khi chúng ta tiếp tục mở rộng quyền truy cập vào dữ liệu và tính toán. Liệu điều này có đưa bạn đến AGI hay không - đó là một câu hỏi khác. Có thể cần có một số đột phá và tiến bộ khác trong quá trình thực hiện, nhưng tôi nghĩ vẫn còn một chặng đường dài phía trước xét về quy luật mở rộng quy mô và thực sự nhận được nhiều lợi ích từ những mô hình lớn hơn này.

Dario Amodei, Nhân chủng học:

Ngay cả khi không có cải tiến về mặt thuật toán nào ở đây và chúng tôi chỉ mở rộng quy mô đến mức chúng tôi đã đạt được cho đến nay, quy luật mở rộng quy mô sẽ tiếp tục.

Noam Shazeer, Nhân vật.AI:

Mục tiêu của chúng tôi là trở thành một công ty AGI và một công ty ưu tiên sản phẩm, và cách để thực hiện điều đó là chọn đúng sản phẩm, buộc chúng tôi phải làm những việc có thể khái quát hóa, làm cho các mô hình trở nên thông minh hơn, biến chúng thành thứ mà mọi người muốn và Cung cấp dịch vụ với giá rẻ và ở quy mô lớn. Quy luật mở rộng sẽ đưa chúng ta đi một chặng đường dài. Về cơ bản, việc tính toán không quá tốn kém. Ngày nay, chi phí vận hành là khoảng $10-$18. Nếu bạn có thể làm những việc này một cách hiệu quả thì chi phí sẽ thấp hơn nhiều so với giá trị thời gian của bạn. Có khả năng mở rộng quy mô những thứ này theo mức độ lớn.

12 Năng lực mới nổi là gì?

Trong khi một số người nhanh chóng phủ nhận khả năng tạo ra trí tuệ nhân tạo, trí tuệ nhân tạo đã tốt hơn nhiều so với con người trong việc thực hiện một số nhiệm vụ nhất định và sẽ tiếp tục cải thiện. Những nhà xây dựng giỏi nhất đã có thể xác định những khả năng mới nổi hứa hẹn nhất của AI và xây dựng các mô hình cũng như công ty có thể biến những khả năng này thành những khả năng đáng tin cậy. Họ nhận ra rằng quy mô có xu hướng tăng độ tin cậy của các năng lực mới nổi.

Mira Murati, OpenAI:

Điều quan trọng là phải chú ý đến những tính năng mới nổi này, ngay cả khi chúng rất không đáng tin cậy. Đặc biệt đối với những người đang xây dựng công ty ngày nay, bạn thực sự muốn nghĩ về "Được rồi, hôm nay có thể làm được những gì? Bạn nhìn thấy gì hôm nay?" Bởi vì rất nhanh chóng những mô hình này sẽ trở nên đáng tin cậy.

Dario Amodei, Nhân chủng học:

Khi chúng tôi phát hành GPT-2, điều được coi là ấn tượng nhất vào thời điểm đó là "Bạn đưa năm ví dụ dịch từ tiếng Anh sang tiếng Pháp này trực tiếp vào mô hình ngôn ngữ, sau đó đưa câu tiếng Anh thứ sáu và nó thực sự sẽ dịch sang tiếng Pháp." . Nó giống như Chúa ơi, nó hiểu được mẫu này." Điều đó thật điên rồ đối với chúng tôi, mặc dù đó là một bản dịch kém. Nhưng quan điểm của chúng tôi là, "Hãy nhìn xem, đây mới chỉ là khởi đầu của một hành trình tuyệt vời vì không có giới hạn và nó có thể tiếp tục mở rộng quy mô." Tại sao những mô hình mà chúng ta đã thấy trước đây không thể tiếp tục tồn tại? Có rất nhiều mục tiêu để dự đoán từ tiếp theo và có rất nhiều mục tiêu mà bạn có thể thử thách chúng, điều đó chắc chắn sẽ hiệu quả. Và sau đó một số người nhìn vào nó và nói, "Bạn đã tạo ra một công cụ dịch thuật robot thực sự tồi tệ."

13 Chi phí bảo dưỡng các mẫu xe này có giảm không?

Chi phí tính toán là một trong những hạn chế chính trong việc mở rộng quy mô các mô hình này và tình trạng thiếu chip hiện tại đang đẩy chi phí lên cao do hạn chế nguồn cung. Tuy nhiên, nếu Nvidia sản xuất nhiều H100 hơn vào năm tới, điều đó sẽ làm giảm bớt tình trạng thiếu GPU và có khả năng giảm chi phí điện toán.

Noam Shazeer, Nhân vật.AI:

Mô hình mà chúng tôi cung cấp hiện nay cần khoảng 2 triệu USD cho các chu kỳ tính toán để đào tạo vào năm ngoái và có thể chúng tôi sẽ làm lại điều đó với nửa triệu USD. Vì vậy, chúng tôi sẽ tung ra hàng chục điểm IQ cho những thứ thông minh hơn trước cuối năm nay. Tôi thấy những thứ này đang tăng lên ồ ạt. Chỉ là không đắt lắm. Tôi nghĩ hôm qua tôi đã xem một bài báo nói rằng Nvidia sẽ sản xuất thêm 1,5 triệu H100 vào năm tới, đó sẽ là 2M H100. Đó là khoảng một phần tư nghìn tỷ phép tính mỗi giây cho mỗi người. Điều này có nghĩa là đối với mỗi người trên hành tinh, trên một mô hình có 100 tỷ tham số, nó có thể xử lý 1 từ mỗi giây. Nhưng không phải ai cũng thực sự có quyền truy cập vào nó nên nó không quá đắt. Điều này có khả năng mở rộng rất cao nếu bạn làm đúng và chúng tôi đang nỗ lực để biến điều đó thành hiện thực.

Dario Amodei, Nhân chủng học:

Quan điểm cơ bản của tôi là suy luận sẽ không đắt đến thế. Logic cơ bản của định luật Scaling là nếu bạn tăng phép tính lên hệ số n thì bạn cần tăng dữ liệu theo hệ số căn bậc hai của n và kích thước của mô hình theo hệ số căn bậc hai của n. Căn bậc hai này về cơ bản có nghĩa là bản thân mô hình sẽ không lớn hơn nữa và phần cứng sẽ nhanh hơn khi bạn làm điều đó. Tôi nghĩ những điều này sẽ tiếp tục phù hợp trong 3 hoặc 4 năm tới. Nếu không có sự đổi mới về kiến ​​​​trúc, chúng sẽ trở nên đắt hơn một chút. Nếu có sự đổi mới về kiến ​​trúc và tôi hy vọng là có, chúng sẽ trở nên rẻ hơn.

Nhưng ngay cả khi chi phí tính toán không đổi, việc cải thiện hiệu quả ở cấp độ mô hình dường như là không thể tránh khỏi, đặc biệt là khi có rất nhiều nhân tài đổ vào lĩnh vực này và bản thân AI có thể là công cụ mạnh mẽ nhất của chúng ta để cải thiện cách thức hoạt động của công cụ AI.

Dario Amodei, Nhân chủng học:

Khi AI trở nên mạnh mẽ hơn, nó sẽ thực hiện tốt hơn hầu hết các nhiệm vụ nhận thức. Một nhiệm vụ nhận thức liên quan là đánh giá sự an toàn của hệ thống trí tuệ nhân tạo và cuối cùng là tiến hành nghiên cứu về an toàn. Có một thành phần tự tham chiếu đến điều này. Chúng ta có thể thấy điều này bằng cách đọc bên trong mạng lưới thần kinh, chẳng hạn như lĩnh vực có thể diễn giải được. Hệ thống AI mạnh có thể giúp chúng ta diễn giải hoạt động thần kinh trong các hệ thống AI yếu hơn. Và những hiểu biết sâu sắc về khả năng diễn giải này thường cho chúng ta biết mô hình hoạt động như thế nào. Khi họ cho chúng tôi biết cách thức hoạt động của một mô hình, họ thường đề xuất các cách để cải thiện hoặc làm cho nó hiệu quả hơn.

Một trong những lĩnh vực nghiên cứu hứa hẹn nhất là tinh chỉnh các mô hình lớn cho các trường hợp sử dụng cụ thể mà không cần chạy toàn bộ mô hình.

Ali Ghodsi, Databricks:

Nếu bạn tạo ra hàng nghìn phiên bản LLM có thể làm tốt hàng nghìn thứ khác nhau và bạn phải tải từng phiên bản đó vào GPU và phục vụ nó thì điều đó sẽ rất tốn kém. Điều quan trọng mà mọi người đang tìm kiếm lúc này là: Có kỹ thuật nào có thể đạt được kết quả rất tốt chỉ với những sửa đổi nhỏ không? Có nhiều công nghệ như điều chỉnh tiền tố, LoRA, CUBE LoRA, v.v. Nhưng không có giải pháp thực sự hoàn hảo nào được chứng minh là có hiệu quả. Nhưng sẽ có người tìm thấy nó.

14 Làm thế nào để chúng ta đo lường sự tiến bộ về trí tuệ nhân tạo nói chung?

Khi chúng tôi mở rộng các mô hình này, làm sao chúng tôi biết khi nào AI trở thành trí tuệ nhân tạo tổng hợp? Khi chúng ta thường nghe đến thuật ngữ AGI, có thể khó định nghĩa nó, có lẽ một phần vì nó khó đo lường.

Các điểm chuẩn định lượng như GLUE và SUPERGLUE từ lâu đã được sử dụng làm thước đo tiêu chuẩn hóa để đo lường hiệu suất của mô hình AI. Nhưng giống như các bài kiểm tra tiêu chuẩn hóa mà chúng tôi đưa ra cho con người, các điểm chuẩn AI đặt ra câu hỏi: Bạn đang đo lường khả năng suy luận của LLM ở mức độ nào và bạn đang đo khả năng vượt qua bài kiểm tra của nó ở mức độ nào?

Ali Ghodsi, Databricks:

Tôi có cảm giác như tất cả các tiêu chuẩn đều là nhảm nhí. Hãy tưởng tượng nếu tất cả các trường đại học của chúng ta đều nói, "Chúng tôi sẽ đưa cho bạn câu trả lời để bạn xem vào đêm trước kỳ thi. Và rồi ngày hôm sau, chúng tôi sẽ yêu cầu bạn trả lời các câu hỏi và chấm điểm." , mọi người đều có thể vượt qua kỳ thi một cách dễ dàng. Ví dụ, MMLU là chuẩn mực được nhiều người sử dụng để đánh giá các mô hình này. MMLU chỉ là một câu hỏi trắc nghiệm trên internet. Đặt câu hỏi, đáp án là A, B, C, D hay E? Sau đó nó sẽ cho bạn biết câu trả lời đúng. Nó có thể được đào tạo trực tuyến và tạo ra một mô hình LLM có khả năng đánh bại nó.

Bài kiểm tra định tính ban đầu đối với AGI là bài kiểm tra Turing, nhưng việc thuyết phục con người rằng AI là con người không phải là vấn đề khó khăn. Để trí tuệ nhân tạo có thể làm được những gì con người làm trong thế giới thực là một bài toán khó. Vì vậy, chúng ta có thể sử dụng những thử nghiệm nào để hiểu chức năng của các hệ thống này?

Trường Dylan, Figma:

Những gì chúng ta đang thấy từ những hệ thống này là thật dễ dàng để khiến mọi người tin rằng bạn là con người, nhưng thật khó để thực sự làm được những điều tốt. Tôi có thể nhờ GPT-4 phát triển kế hoạch kinh doanh và bán nó cho bạn, nhưng điều đó không có nghĩa là bạn sẽ đầu tư. Khi bạn thực sự có hai doanh nghiệp cạnh tranh - một do AI điều hành và một do con người điều hành - và bạn chọn đầu tư vào hoạt động kinh doanh AI, điều đó khiến tôi lo lắng.

David Baszucki, Roblox:

Tôi có một câu hỏi kiểm tra Turing cho AI: Nếu chúng ta đặt AI vào năm 1633 và để nó huấn luyện tất cả thông tin có sẵn tại thời điểm đó, liệu nó có dự đoán được Trái đất hay Mặt trời là trung tâm của hệ mặt trời hay không - thậm chí mặc dù 99,9% thông tin Nói trái đất là trung tâm của hệ mặt trời? Tôi nghĩ 5 năm là rất gần, nhưng nếu chúng tôi thực hiện bài kiểm tra AI Turing này trong 10 năm nữa, nó có thể sẽ nói đến mặt trời.

15 Con người có còn cần tham gia không?

Các công nghệ mới thường thay thế một số công việc và việc làm của con người, nhưng chúng cũng mở ra những lĩnh vực hoàn toàn mới, tăng năng suất và cung cấp nhiều loại công việc hơn cho nhiều người hơn. Mặc dù thật dễ dàng để tưởng tượng AI sẽ tự động hóa các công việc hiện có, nhưng thật khó để tưởng tượng những vấn đề và khả năng tiếp theo mà AI sẽ mang lại.

Martin Casado, a16z:

Nói một cách rất đơn giản, Nghịch lý của Jevons nêu rõ: Nếu cầu co giãn và giá giảm, cầu sẽ vượt quá mức bù đắp. Thông thường, nó còn hơn cả sự đền bù. Điều này chắc chắn áp dụng cho internet. Bạn nhận được nhiều giá trị hơn và năng suất cao hơn. Cá nhân tôi tin rằng nhu cầu co giãn khi nói đến việc tự động hóa bất kỳ tài sản hoặc công việc sáng tạo nào. Chúng ta càng làm ra nhiều thì mọi người càng tiêu dùng nhiều hơn. Chúng tôi rất mong đợi sự gia tăng mạnh mẽ về năng suất, vô số công việc mới và nhiều điều mới, giống như những gì chúng tôi đã thấy trong kỷ nguyên vi mạch và Internet.

Kevin Scott, Microsoft:

Tôi lớn lên ở vùng nông thôn miền trung Virginia, nơi nền kinh tế chủ yếu được hỗ trợ bởi nghề trồng thuốc lá, sản xuất đồ nội thất và ngành dệt may. Khi tôi tốt nghiệp cấp 3, cả ba ngành vừa sụp đổ. Khi mọi người trong những cộng đồng này được tiếp cận với những công cụ vô cùng mạnh mẽ, họ thường làm được những điều phi thường, tạo ra cơ hội kinh tế cho bản thân, gia đình và cộng đồng của họ. Họ giải quyết những vấn đề mà bạn hoặc tôi không thể giải quyết được vì chúng ta không nhìn thấy toàn bộ bối cảnh vấn đề của thế giới. Chúng tôi không có quan điểm của họ. Những công cụ AI này giờ đây dễ sử dụng hơn bao giờ hết. Bạn có thể làm những điều thú vị với những công cụ này ngay bây giờ và trở thành doanh nhân ở thị trấn nhỏ Virginia mà không cần có bằng tiến sĩ về khoa học máy tính hay chuyên môn về trí tuệ nhân tạo cổ điển. Bạn chỉ cần luôn tò mò và có tinh thần kinh doanh.

Trường Dylan, Figma:

Nếu bạn nhìn vào mọi sự thay đổi công nghệ hoặc nền tảng cho đến nay, nó đều dẫn đến nhiều thứ cần thiết kế hơn. Có một máy in, và sau đó bạn phải tìm ra những gì sẽ đưa lên trang giấy. Gần đây với Internet di động, bạn có thể nghĩ, "Ồ, có ít pixel hơn, có ít nhà thiết kế hơn." Nhưng không phải vậy, đó là lúc chúng ta chứng kiến ​​sự bùng nổ lớn nhất về số lượng nhà thiết kế.

16 Chưa bao giờ có thời điểm thú vị hơn để xây dựng một công ty khởi nghiệp về AI (đặc biệt nếu bạn là nhà vật lý hoặc toán học)

Đây là thời điểm độc đáo và thú vị để xây dựng trí tuệ nhân tạo: các mô hình cơ bản đang mở rộng nhanh chóng, nền kinh tế cuối cùng đang nghiêng về phía các công ty khởi nghiệp và có rất nhiều vấn đề cần giải quyết. Những vấn đề này đòi hỏi sự kiên nhẫn và kiên trì cao độ để giải quyết, và các nhà vật lý cũng như toán học cho đến nay vẫn đặc biệt phù hợp để giải quyết chúng. Nhưng là một lĩnh vực còn non trẻ và đang phát triển nhanh chóng, AI đang rộng mở—và giờ là thời điểm hoàn hảo để xây dựng nó.

Dario Amodei, Nhân chủng học:

Tại bất kỳ thời điểm nào, có hai loại cảnh giới. Một là lĩnh vực mà kinh nghiệm và kiến ​​thức tích lũy rất phong phú, phải mất nhiều năm mới trở thành chuyên gia. Sinh học là một ví dụ kinh điển - nếu bạn chỉ làm ngành sinh học trong 6 tháng thì rất khó làm được công việc mang tính đột phá hoặc đạt giải Nobel... Thứ hai là lĩnh vực còn rất trẻ hoặc đang phát triển rất nhanh. Trí tuệ nhân tạo đã và ở một mức độ nào đó vẫn là một trong những loại này. Những nhà tổng hợp thực sự tài năng thường có thể làm tốt hơn những người đã làm việc lâu năm trong lĩnh vực này vì mọi thứ thay đổi quá nhanh. Nếu có thì việc có nhiều kiến ​​thức trước đó có thể là một bất lợi.

Mira Murati, OpenAI:

Một điều rút ra từ không gian lý thuyết của toán học là bạn cần dành nhiều thời gian để suy nghĩ về các vấn đề. Đôi khi bạn ngủ quên và thức dậy với những ý tưởng mới, dần dần tìm ra giải pháp cuối cùng trong nhiều ngày hoặc nhiều tuần. Đó không phải là một quá trình có kết quả nhanh chóng và đôi khi nó không phải là một quá trình lặp đi lặp lại. Đó gần như là một cách suy nghĩ khác, nơi bạn xây dựng trực giác và kỷ luật để đối mặt với vấn đề và tin tưởng vào bản thân để giải quyết nó. Theo thời gian, bạn sẽ phát triển trực giác về những vấn đề nào thực sự đáng giải quyết.

Daphne Koller, nội dung:

Học máy không chỉ được cải thiện theo thời gian mà các công cụ sinh học mà chúng ta dựa vào cũng vậy. Trước đây không có công nghệ CRISPR mà chỉ có siRNA. Sau đó là công nghệ chỉnh sửa gen CRISPR và bây giờ là công nghệ CRISPR Prime có thể thay thế toàn bộ vùng gen. Do đó, các công cụ chúng tôi đang xây dựng ngày càng tốt hơn, mở ra khả năng giải quyết nhiều bệnh tật hơn theo những cách có ý nghĩa hơn. Có nhiều cơ hội ở sự giao thoa giữa trí tuệ nhân tạo/học máy với lĩnh vực sinh học và y học. Sự hội tụ này là thời điểm cho phép chúng ta tạo ra tác động to lớn đến thế giới chúng ta đang sống bằng cách sử dụng các công cụ hiện có nhưng cách đây 5 năm thì chưa tồn tại.

Kevin Scott, Microsoft:

Nếu bạn nghĩ về một số thay đổi lớn về nền tảng đã xảy ra trong quá khứ, những thứ có giá trị nhất trên những nền tảng đó không phải là những thứ được triển khai trong hai năm đầu tiên của sự thay đổi nền tảng. Nếu bạn nghĩ về nơi bạn dành nhiều thời gian nhất trên điện thoại thông minh của mình thì đó không phải là ứng dụng nhắn tin, trình duyệt web hay ứng dụng email. Đúng hơn, đó là thứ gì đó mới được tạo ra trong vòng vài năm kể từ khi nền tảng này có sẵn. Những điều gì trước đây không thể bây giờ có thể thực hiện được? Đây là điều mọi người nên suy nghĩ. Đừng theo đuổi những điều tầm thường.