Gründere, kritikere og forskere: Samtalene du bør få med deg

De fleste kan navnet på CEO-en i OpenAI. Færre kan nevne forfatterne bak forskningsartikkelen som definerte dagens æra for store språkmodeller. Dette kunnskapshullet skaper et forvrengt bilde av hvordan teknologi faktisk utvikler seg. Vi behandler kunstig intelligens som en serie produktlanseringer, når det i virkeligheten er en langsom opphopning av matematiske gjennombrudd. Gründerne forvalter kapitalen og den offentlige fortellingen. Forskerne forvalter vektene og logikken. Å forstå forskjellen er den eneste måten å se gjennom markedsføringståken på. Hvis du bare følger gründerne, ser du på en film. Hvis du følger forskerne, leser du manuset. Denne artikkelen ser på hvorfor skillet er viktig og hvordan du identifiserer signalene som faktisk dikterer fremtiden for bransjen. Vi skal bevege oss forbi de karismatiske talene for å se på den kalde virkeligheten i laboratoriet. Det er på tide å fokusere på menneskene som skriver koden, fremfor bare de som signerer pressemeldingene.

Maskinalderens usynlige arkitekter

Gründere er det offentlige ansiktet utad. De snakker på World Economic Forum og vitner for Kongressen. Jobben deres er å sikre milliarder i finansiering og bygge en merkevare som føles uunngåelig. De bruker ord som antyder magi. Forskere er annerledes. De jobber i Python og LaTeX. De bryr seg om tapsfunksjoner og effektivitet i tokens. En gründer kan si at modellen deres «tenker». En forsker vil fortelle deg at den forutsier det neste mest sannsynlige ordet basert på en spesifikk sannsynlighetsfordeling. Forvirringen oppstår fordi media behandler disse to gruppene som én. Når en CEO sier at en modell vil løse klimakrisen, er det et salgsargument. Når en forsker publiserer en artikkel om sparse autoencoders, er det en teknisk påstand. Det ene er et håp. Det andre er et faktum.

Publikum forveksler ofte håpet med faktum. Dette fører til en syklus av overlovnader og underleveranser. For å forstå dette feltet, må du skille personen som selger bilen fra personen som designet motoren. Motordesigneren vet nøyaktig hvor boltene er løse. Selgeren vil aldri fortelle deg om de løse boltene fordi jobben deres er å holde aksjekursen høy. Vi ser dette utspille seg hver gang en ny modell slippes. Gründeren poster en kryptisk tweet for å bygge hype. Forskeren poster en lenke til en teknisk rapport på arXiv. Tweeten får en million visninger. Den tekniske rapporten blir lest av noen få tusen mennesker som faktisk bygger ting. Dette skaper en feedback-loop der de høyeste stemmene definerer virkeligheten for alle andre.

Utover innovasjonens offentlige ansikt

Dette skillet har enorme konsekvenser for global politikk. Myndigheter skriver for tiden lover basert på advarsler fra gründere. Disse gründerne advarer ofte om eksistensielle risikoer som føles som science fiction. Dette holder fokus på hypotetiske fremtider fremfor nåværende skader. I mellomtiden peker forskere på umiddelbare problemer som dataskjevhet og energiforbruk. Ved å lytte primært til de berømte navnene, risikerer vi å regulere feil ting. Vi kan komme til å forby en fremtidig superintelligens mens vi ignorerer at dagens modeller tapper vannreservene i småbyer for å kjøle ned datasentrene sine. Dette er ikke bare et amerikansk problem. I Europa og Asia eksisterer den samme dynamikken.

Stemmene som får mest sendetid er de med de største markedsføringsbudsjettene. Dette skaper et miljø der vinneren tar alt, og hvor noen få selskaper setter agendaen for hele planeten. Hvis vi ikke utvider perspektivet vårt, lar vi en håndfull mennesker i Silicon Valley definere hva som er trygt og hva som er mulig. Denne konsentrasjonen av makt er en risiko i seg selv. Det begrenser mangfoldet av tanker i et felt som trenger det. Vi må høre fra menneskene ved University of Toronto eller laboratoriene i Tokyo like mye som vi hører fra menneskene i San Francisco. Vitenskapelig fremgang er en global innsats, men fortellingen er for øyeblikket et lokalt monopol. Vi må se på tidsskrifter som Nature for å se den virkelige fremgangen som gjøres utenfor styrerommene.

Hvorfor verden lytter til feil folk

Tenk på en dag i livet til en ledende forsker ved et stort laboratorium. De våkner og sjekker resultatene av en treningskjøring som kostet tre millioner dollar. De ser at modellen hallusinerer mer enn forventet. De bruker ti timer på å se på dataklynger for å finne støyen. De tenker ikke på valget i 2024 eller menneskehetens skjebne. De tenker på hvorfor modellen ikke klarer å forstå negasjon i komplekse setninger. De ser på varmekart over nevronaktivering. Suksessen deres måles i bits per tegn eller nøyaktighet på en spesifikk benchmark. Tenk nå på dagen til en gründer. De er på et privatfly for å møte et statsoverhode. De snakker om mulighetene for en billion dollar i den nye økonomien.

Forskeren håndterer «hvordan». Gründeren håndterer «hvorfor det er verdt penger». For en utvikler som bygger en app, er forskeren den viktigste figuren. Forskeren bestemmer API-latens og kontekstvinduet. Gründeren bestemmer prisen. Hvis du prøver å bygge en bedrift, må du vite om teknologien faktisk kan gjøre det gründeren sier at den kan. Ofte kan den ikke det. Vi så dette i de tidlige dagene med selvkjørende biler. Gründerne sa at vi ville ha millioner av robotaxier innen 2026. Forskerne visste at «edge cases» i kraftig regnvær fortsatt var et uløst problem. Publikum trodde på gründerne. Forskerne hadde rett.

Det samme mønsteret gjentar seg i rommet for generativ AI. Vi får vite at modeller snart vil erstatte advokater og leger. Hvis du leser de tekniske artiklene, ser du at modellene fortsatt sliter med grunnleggende logisk konsistens. Gapet mellom demoen og virkeligheten er der selskaper taper penger. Du kan finne en dybdeanalyse av trender innen kunstig intelligens for å se hvordan disse tekniske grensene testes i dag. Dette skillet er forskjellen mellom en god investering og en spekulativ boble. Når du hører en ny påstand, spør deg selv om den kom fra en artikkel eller en pressemelding. Svaret vil fortelle deg hvor mye vekt du skal legge på den. Journalister hos MIT Technology Review fremhever ofte dette gapet mellom laboratoriet og lobbyen. Vi må huske at gründerne har insentiver til å skjule feilene, mens forskere har insentiver til å finne dem. De førstnevnte bygger hypen, og de sistnevnte bygger sannheten. På lang sikt er sannheten det eneste som skalerer. Vi så dette i 2026 da den første bølgen av hype begynte å kjøle seg ned under vekten av teknisk virkelighet.

En tirsdag i laboratoriet kontra styrerommet

Vi må stille vanskelige spørsmål om den nåværende utviklingsveien. Hvem betaler for forskningen som gründerne hevder vil komme alle til gode? De fleste av de beste forskerne har forlatt akademia til fordel for private laboratorier. Dette betyr at kunnskapen de produserer ikke lenger er et fellesgode. Det er en forretningshemmelighet. Hva skjer med den vitenskapelige metoden når dataene som brukes for å bevise et poeng er skjult bak en betalingsmur? Vi ser en bevegelse bort fra åpen vitenskap mot en modell for lukket konkurransefortrinn. Hjelper berømmelsen til noen få individer feltet, eller skaper den en personlighetskult som motvirker dissens? Hvis en forsker finner en stor feil i en flaggskipmodell, føler de seg trygge på å rapportere det hvis det kan senke selskapets verdi?

Det økonomiske presset på disse firmaene er enormt. Vi må også vurdere miljøkostnadene. Er jakten på litt bedre benchmarks verdt det massive karbonavtrykket ved å trene disse modellene? Vi snakker ofte om fordelene med AI for miljøet, men vi ser sjelden et regnskap som balanserer de to. Til slutt, hvem eier kulturen som disse modellene er trent på? Forskerne bruker internetts kollektive produksjon for å bygge systemene sine. Gründerne tar deretter betalt fra publikum for å få tilgang til en destillert versjon av den samme produksjonen. Dette er en formuesoverføring som sjelden diskuteres i overskriftene. Dette er ikke bare tekniske problemer. Det er sosiale og etiske dilemmaer som krever mer enn bare en bedre algoritme for å løses.

Tekniske begrensninger og lokal implementering

For de som bygger på disse plattformene, betyr de tekniske detaljene mer enn filosofien. Dagens API-grenser er en stor flaskehals for bedriftsadopsjon. De fleste leverandører har strenge hastighetsbegrensninger som hindrer sanntidsbehandling i stort volum. Dette er grunnen til at mange firmaer ser på lokal lagring og lokal utførelse. Ved å bruke modeller som Llama 3 på lokal maskinvare får man bedre personvern og lavere langsiktige kostnader. Maskinvarekravene er imidlertid høye. For å kjøre en modell med 70 milliarder parametere med grei hastighet, trenger du high-end GPU-er med betydelig VRAM. Det er her «geek-seksjonen» møter den økonomiske seksjonen. Kostnaden for en H100-klynge er en inngangsbarriere som holder makten i hendene på de rike.

Vi ser også et skifte mot spesialisert finjustering. I stedet for å bruke en generell modell til alt, bruker utviklere mindre modeller trent på spesifikke datasett. Dette forbedrer nøyaktigheten og reduserer antall tokens. Den tekniske utfordringen her er datakurering. Hvis inndataene er dårlige, vil den finjusterte modellen være dårligere enn den generelle. Vi ser også mer bruk av Retrieval Augmented Generation (RAG) for å forankre modeller i faktiske data. Dette omgår behovet for massive kontekstvinduer og reduserer hallusinasjoner. Men RAG har sine egne begrensninger, spesifikt i hvordan den håndterer rangering av hentede dokumenter. Hvis søketrinnet feiler, er modellens utdata ubrukelig. De fleste brukere innser ikke at ytelsen til en AI avhenger like mye av databasen den spør som av selve modellen.

Det endelige filteret for informasjon

Fremtiden for AI er ikke én historie fortalt av én person. Det er en rotete, pågående debatt mellom de som selger en visjon og de som bygger virkeligheten. For å være en smart forbruker av teknologinyheter, må du lære deg å se forbi den karismatiske gründeren. Se etter navnene på artiklene. Se etter forskerne som er villige til å snakke om hva modellene deres ikke kan gjøre. Motsigelsene i bransjen er ikke feil. De er den mest ærlige delen av historien. Feltet vil fortsette å utvikle seg fordi de tekniske problemene er langt fra løst. Det store spørsmålet gjenstår: kan vi bygge et genuint intelligent system uten det massive ressursforbruket som definerer dagens æra? Inntil vi svarer på det, vil hypen fortsette å løpe fra vitenskapen. Vi må forbli skeptiske til enhver fortelling som lover en perfekt løsning uten å nevne avveiningene som er involvert.

Redaktørens merknad: Vi opprettet dette nettstedet som et flerspråklig knutepunkt for AI-nyheter og guider for folk som ikke er datanerder, men som likevel ønsker å forstå kunstig intelligens, bruke den med større selvtillit og følge fremtiden som allerede er her.