AI-laborok várhatóan gyorsan reprodukálhatóvá válnak, a tőke nem elég a versenyelőnyhöz

Az AI-laborok több milliárd dollárt költenek chipekre, energiaellátásra, kutatókra és adatokra, hogy a világ legjobb modelljét hozzák létre. Hat hónappal egy áttörés után egy másik labor már nagyjából hasonló képességeket érhet el. A nyílt modellek ezeknek a képességeknek a jelentős részét töredékáron kínálják. A „moat”, azaz a tartós versenyelőny, egyre inkább elmozduló fogalommá válik. (TheSequence)

Hamilton Helmer „Seven Powers” keretrendszere hasznos a tartós üzleti előnyök megértéséhez. Ez két dolgot követel meg: egy előnyt és egy gátat. Az AI-iparban a „várak” gyártása viszonylag könnyű. A skálázási törvények — több számítási kapacitás, adat és mérnöki munka általában javuló teljesítményt eredményez — részben kiszámíthatóvá tették a képességek fejlődését. Ez teszi a tőkét rendkívül fontossá, de veszélyesen könnyű összetéveszteni egy valódi „moattal”.

A modellkészségek tömörítése

A Stanford és a Google Robotics közös kutatása szerint a nagy modellek viselkedése desztillációval kisebb rendszerekbe tömöríthető. Emellett egy útválasztó (router) dinamikusan irányíthatja a lekérdezéseket a legolcsóbb vagy éppen legjobb modellhez az adott pillanatban. Ezek a technikák aláássák a zárt rendszerek hatékonyságát.

Stratégiai átállás szükségessége

Az első intelligencia elérésének gazdasági értéke bizonytalan, és csökkenhet, ahogy a képességek egyre reprodukálhatóbbakká válnak. A tőke befektetése fontos, de nem garantálja a tartós előnyt. A startupoknak és a befektetőknek újra kell gondolniuk a stratégiai fókuszt a gyors iteráció és a nyílt ökoszisztémák felé. Az AI-laboroknak a „moat” helyett a folyamatos innovációra kell összpontosítaniuk, a Stanford és a Google Robotics kutatási eredményei szerint.