Artificiell intelligens har gått igenom många cykler av spänning och besvikelse. Idag befinner vi oss i en uppåtgående fas tack vare utvecklingen av stora språkmodeller (LLM) baserade på Transformer-arkitekturen. Denna arkitektur är särskilt väl lämpad för GPU:er, vilket gör det möjligt att använda enorma mängder data och datorkraft för att träna modeller med miljarder parametrar.Den viktigaste konsekvensen är skapandet av ett nytt användargränssnitt för datorer: det mänskliga språket.
Precis som det grafiska användargränssnittet gjorde persondatorn tillgänglig för miljontals användare på 1980-talet, har nya gränssnitt för naturligt språk gjort AI tillgängligt för hundratals miljoner användare världen över under det senaste året.
Trots denna uppenbara tillgänglighet är den "demokratisering" som SaaS-lösningarna utlovar ofullständig och partiell, vilket skapar nya former av ojämlikhet.
AI kräver fortfarande specifika färdigheter:
- AI-kompetens och förståelse för systemens begränsningar
- Förmåga att kritiskt utvärdera resultat
- Kunskaper om integration av affärsprocesser
John McCarthy myntade begreppet AI på 1950-talet, men han klagade själv: "Så fort det fungerar är det ingen som kallar det AI längre". Detta fenomen, känt som "AI-effekten", fortsätter att påverka oss än idag.
AI:s historia är full av framgångar som, när de väl blivit tillräckligt tillförlitliga, inte längre anses vara tillräckligt "intelligenta" för att förtjäna det eftersträvansvärda epitetet.
Exempel på teknik som en gång ansågs vara banbrytande AI och som nu tas för given:
- Maskinseende nu inbyggt i varje smartphone
- Röstigenkänning, nu helt enkelt "diktering
- Språköversättning och sentimentanalysRekommendationssystem (Netflix, Amazon) och ruttoptimering (Google Maps)
Detta är en del av ett bredare fenomen som vi kan kalla "gränsparadoxen".
Eftersom vi tillskriver människan den gräns som ligger bortom vårt tekniska kunnande, kommer denna gräns alltid att vara svårdefinierad. Intelligens är inte något vi kan fånga, utan en horisont som ständigt närmar sig och som vi omvandlar till användbara verktyg.
Spridningen av generativ AI har drastiskt minskat kostnaderna för att producera och överföra information, med paradoxala effekter när det gäller målen för medborgerligt deltagande.
Kombinationen av generativ AI och sociala medier har skapat:
- Kognitiv överbelastning och förstärkning av redan existerande fördomar
- Ökad social polarisering
- Lätt att manipulera den allmänna opinionen
- Spridning av förfalskat innehåll
Förenklade gränssnitt döljer hur AI fungerar:Dålig förståelse för automatiserade beslutsprocesserSvårigheter att identifiera algoritmiska felaktigheter
Begränsad anpassning av underliggande modellerVikten av människoledd automatiserad intelligensAI kan bara ta oss 90% av vägen dit.
Maskiner är utmärkta på att analysera stora datamängder, men har svårt att hantera gränsfall. Algoritmer kan tränas för att hantera fler undantag, men bortom en viss punkt uppväger de resurser som krävs fördelarna. Människor är precisa tänkare som tillämpar principer på gränsfall, medan maskiner är approximatorer som fattar beslut baserat på tidigare erfarenheter.
Som Gartner beskriver det i "Technology Hype Cycles" följs vild entusiasm alltid av besvikelse - "desillusioneringens dal".
Alan Kay, pionjär inom datavetenskap och vinnare av Turingpriset, sade: "Teknik är teknik endast för dem som föddes innan den uppfanns". De som arbetar med maskininlärning är forskare och ingenjörer, men deras insatser framstår alltid som magiska - tills en dag då de inte är det.
Homogenisering och förlust av konkurrensfördelarUtbredd användning av samma förbyggda SaaS-lösningar resulterar i:Konvergens till liknande affärsprocesserDifferentieringssvårigheter genom AIIInnovation begränsad av plattformens kapacitetData persistens och dess risker
Med tillgång till generativa AI-plattformar:Data finns kvar över tid i digitala infrastrukturerDatapunkter kan återanvändas i olika sammanhang
En farlig cykel skapas när framtida generationer av AI tränas på syntetiskt innehåll.
AI-marknaden är uppdelad i:
- Commodity AI: standardiserade lösningar tillgängliga för många
- Avancerad egenutvecklad AI: toppmodern kapacitet som utvecklats av ett fåtal stora organisationer
En del av problemet ligger i själva definitionen av "artificiell intelligens".
Om vi bryter ner termen rekursivt finner vi att varje gren av definitionen hänvisar till "människor" eller "folk". Per definition tänker vi alltså på AI som en imitation av människor, men så snart en förmåga börjar användas av maskiner förlorar vi den mänskliga referenspunkten och slutar betrakta den som AI.
Det är mer användbart att fokusera på specifika tekniker som kan sättas i arbete, t.ex. transformatorer för språkmodeller eller diffusion för bildgenerering. Detta gör vår förmåga att utvärdera ett företag mycket mer explicit, påtaglig och verklig.
Frontier-paradoxen innebär att AI accelererar så snabbt att det snart bara kommer att vara teknik, och en ny frontier blir AI. Att bli "teknik" ska ses som ett erkännande för en idé som tidigare låg i framkanten av det möjliga.Den här artikeln är delvis inspirerad av Sequoia Capitals reflektioner kring AI-paradoxen.
För ytterligare information: https://www.sequoiacap.com/article/ai-paradox-perspective/
Det verkliga löftet om tillgänglig AI är inte bara att göra tekniken tillgänglig, utan att skapa ett ekosystem där innovation, kontroll och fördelar verkligen fördelas.
Vi måste vara medvetna om spänningen mellan tillgång till information och riskerna för överbelastning och manipulation.
Det är bara genom att behålla ett starkt mänskligt inslag i artificiell intelligens och använda ett mer exakt språk som vi kan förverkliga dess potential som en kraft för verkligt distribuerad inkludering och innovation.
.svg)
.svg)
.svg)
.jpeg)
.jpeg)