10 demoer som forklarer moderne KI bedre enn 100 artikler

Det visuelle beviset på intelligens

Tiden for å lese om KI er forbi. Vi har gått inn i en tid der vi ser det med egne øyne. I årevis stolte brukere på tekstbeskrivelser av hva store språkmodeller kunne gjøre. Nå har en rekke video-demonstrasjoner fra selskaper som OpenAI og Google endret samtalen. Disse klippene viser programvare som kan se, høre og snakke i sanntid. De viser videogeneratorer som skaper filmatiske verdener ut fra en enkelt setning. Disse demoene fungerer som en bro mellom forskningsrapporter og faktiske produkter. De gir et glimt inn i en fremtid der datamaskinen ikke lenger bare er et verktøy, men en samarbeidspartner. En demo er imidlertid en forestilling. Det er et nøye kuratert vindu inn i en teknologi som kanskje ikke er klar for offentligheten ennå.

For å forstå dagens situasjon i bransjen, må man se forbi de polerte pikslene. Man må spørre hva disse videoene beviser og hva de skjuler. Målet er å skille tekniske gjennombrudd fra markedsføringsteater. Dette skillet definerer den nåværende æraen for alle store teknologiselskaper. Vi vurderer ikke lenger modeller kun etter deres benchmarks. Vi vurderer dem etter deres evne til å samhandle med den fysiske verden gjennom en linse eller en mikrofon. Dette skiftet markerer begynnelsen på den multimodale tidsalderen, der grensesnittet er like viktig som intelligensen bak det.

Dissekering av den iscenesatte virkeligheten

En moderne KI-demo er en hybrid av programvareutvikling og filmproduksjon. Når et selskap viser en modell som samhandler med et menneske, bruker de ofte den beste maskinvaren under perfekte forhold. Disse demoene faller vanligvis inn i tre kategorier. Den første er produktdemoen. Denne viser en funksjon som rulles ut til brukere umiddelbart. Den andre er mulighetsdemoen. Denne viser hva forskerne hos Google DeepMind har oppnådd i et laboratoriemiljø, men som ennå ikke kan skaleres til millioner av brukere. Den tredje er selve forestillingen. Dette er en visjon av fremtiden som baserer seg på tung redigering eller spesifikke prompter som publikum ikke har tilgang til.

For eksempel, når vi ser en modell identifisere objekter gjennom en kameralinse, ser vi et massivt sprang innen multimodal prosessering. Modellen må behandle videorammer, konvertere dem til data og generere et svar på naturlig språk i løpet av millisekunder. Dette beviser at forsinkelsesbarrieren er i ferd med å brytes. Det viser at arkitekturen kan håndtere høy båndbredde. Det som imidlertid forblir ubevist, er påliteligheten til disse systemene. En demo viser ikke de ti gangene modellen ikke klarte å gjenkjenne objektet. Den viser ikke hallusinasjonen der KI-en selvsikkert identifiserer en katt som en brødrister.

Publikum har en tendens til å overvurdere beredskapen til disse verktøyene, samtidig som de undervurderer den rå tekniske prestasjonen som kreves for å få dem til å fungere selv én gang. Å lage en sammenhengende video fra tekst er en enorm matematisk utfordring. Å gjøre det på en måte som følger fysikkens lover er enda vanskeligere. Vi ser fødselen av verden-simulatorer. Dette er ikke bare videospillere. Det er motorer som forutsier hvordan lys og bevegelse fungerer. Selv om resultatene foreløpig er iscenesatte, er den underliggende evnen et signal om et massivt skifte innen databehandling.

Det globale arbeidsmarkedet i endring

Virkningen av disse demonstrasjonene når langt utover Silicon Valley. På global skala endrer disse evnene hvordan nasjoner tenker om arbeid og utdanning. I land som er sterkt avhengige av outsourcing av forretningsprosesser, er synet av en KI som håndterer komplekse kundeservicesamtaler i sanntid en advarsel. Det tyder på at kostnaden for automatisert intelligens faller under kostnaden for menneskelig arbeidskraft i utviklingsland. Dette skaper et nytt press på myndigheter for å revurdere sine økonomiske strategier.

Samtidig representerer disse demoene en ny front i internasjonal konkurranse. Tilgang til de mest avanserte modellene fra selskaper som Anthropic er i ferd med å bli et spørsmål om nasjonal sikkerhet. Hvis en modell kan bistå med å skrive kode eller designe maskinvare, har landet med den beste modellen en klar fordel. Dette har ført til et kappløp om datakraft og datasovereignitet. Vi ser en bevegelse mot lokale modeller som kan kjøres innenfor grensene til en spesifikk nasjon for å beskytte personvern og opprettholde kontroll.

Det globale publikummet ser også en demokratisering av kreativitet. En person i en avsidesliggende landsby med en smarttelefon kan nå få tilgang til den samme kreative kraften som et studio i Hollywood. Dette har potensial til å flate ut den kreative økonomien. Det gir rom for et mangfold av historier og ideer som tidligere ble blokkert av høye inngangskostnader. Dette medfører imidlertid også risiko for feilinformasjon. Den samme teknologien som skaper en vakker demo, kan skape en overbevisende løgn. Det globale samfunnet må nå forholde seg til virkeligheten om at det å se ikke lenger er det samme som å tro. Innsatsen er praktisk og umiddelbar for alle med internettilgang.

Å leve med syntetiske kolleger

Tenk deg en dag i livet til en markedssjef ved navn Sarah i nær fremtid. Hun starter morgenen med å åpne en KI-assistent som har sett timeplanen og e-postene hennes. Hun skriver ikke. Hun snakker til assistenten mens hun lager kaffe. KI-en oppsummerer de tre viktigste oppgavene og foreslår et utkast til et prosjektforslag. Sarah ber KI-en om å se på en video av et konkurrentprodukt og identifisere nøkkelfunksjonene. KI-en gjør dette på sekunder og lager en sammenligningstabell som Sarah kan bruke i møtet sitt.

Senere på ettermiddagen må Sarah lage en kort reklamefilm for en ny kampanje. I stedet for å leie inn et produksjonsteam, bruker hun et videogenereringsverktøy. Hun beskriver scenen, lyset og stemningen. Verktøyet produserer fire forskjellige versjoner av klippet. Hun velger én og ber KI-en om å endre fargen på skjorten til skuespilleren slik at den matcher selskapets merkevareprofil. Redigeringen skjer umiddelbart. Dette er den praktiske anvendelsen av demoene vi ser i dag. Det handler ikke om å erstatte Sarah. Det handler om å fjerne friksjonen mellom ideen hennes og det ferdige produktet.

Likevel forblir motsetningene synlige. Selv om KI-en er hjelpsom, bruker Sarah tretti minutter på å rette opp en feil modellen gjorde angående selskapets juridiske samsvar. Modellen var selvsikker, men tok feil. Hun merker også at KI-en sliter med de spesifikke kulturelle nyansene i målmarkedet hennes i Sørøst-Asia. Demoen viste en universell intelligens, men virkeligheten er et verktøy trent på spesifikke data som har mangler.

Skiftet i forventninger er tydelig. Brukere forventer nå at programvaren deres er proaktiv. De forventer at den forstår kontekst uten å bli fortalt det. Dette endrer hvordan vi bygger nettsider og apper. Vi beveger oss bort fra knapper og menyer mot naturlig samtale. For å forstå dette skiftet, bør man se på moderne trender innen kunstig intelligens for en mer detaljert teknisk gjennomgang.

Sarahs erfaring fremhever de to hovedtingene folk misforstår om KI:

• De overvurderer hvor mye KI-en forstår meningen med arbeidet den utfører.
• De undervurderer hvor mye tid de vil spare på repeterende oppgaver.

Den høye prisen for magi

Spenningen rundt disse demoene skjuler ofte de vanskelige spørsmålene om deres langsiktige bærekraft. Vi må være skeptiske til narrativet om fremgang. For det første, hvem betaler for de enorme datakostnadene som kreves for å kjøre disse modellene? Hver gang en bruker samhandler med en multimodal KI, utløser det en kjede av dyre GPU-prosesser. De nåværende forretningsmodellene dekker ofte ikke disse kostnadene, noe som fører til en avhengighet av venturekapital eller massive bedriftssubsidier. Dette reiser spørsmålet om hva som skjer når subsidiene tar slutt. Vil disse verktøyene bli en luksus for de få?

For det andre må vi vurdere den skjulte kostnaden ved data. De fleste modeller er trent på internetts kollektive produksjon. Dette inkluderer opphavsrettslig beskyttede verk, personopplysninger og det kreative arbeidet til millioner av mennesker som aldri har samtykket til at arbeidet deres brukes på denne måten. Etter hvert som modellene blir mer kapable, krymper tilgangen på menneskelige data av høy kvalitet. Noen selskaper trener nå KI på data generert av annen KI. Dette kan føre til en kvalitetsforringelse eller en feedback-loop av feil.

For det tredje er det spørsmålet om personvern. For at en KI skal være genuint hjelpsom, må den se det du ser og høre det du hører. Dette krever et nivå av overvåking som tidligere var utenkelig. Er vi komfortable med at et selskap har en sanntidsstrøm av livene våre i bytte mot en bedre assistent? Demoene viser bekvemmeligheten, men de viser sjelden datasentrene der denne informasjonen lagres og analyseres. Vi må spørre hvem som eier vektene til disse modellene og hvem som har makten til å slå dem av. Innsatsen handler ikke bare om produktivitet. Den handler om den grunnleggende retten til et privatliv. Dette er et spørsmål om makt.

Under panseret på den agentiske æraen

For superbrukeren ligger interessen i det tekniske rørleggerarbeidet som gjør disse demoene mulige. Vi beveger oss mot en verden med agentiske arbeidsflyter. Dette betyr at KI-en ikke bare genererer tekst. Den bruker verktøy. Den kaller på API-er, skriver til lokal lagring og samhandler med annen programvare. Flaskehalsen nå er ikke modellens intelligens, men *forsinkelsen* i systemet. For å få en demo til å se flytende ut, bruker utviklere ofte spesialisert maskinvare eller optimaliserte inferensmotorer.

Når man integrerer disse modellene i en profesjonell arbeidsflyt, blir flere faktorer kritiske:

• Begrensninger i kontekstvinduet: Selv de beste modellene kan miste oversikten over informasjon i en veldig lang samtale.
• API-hastighetsbegrensninger: Modeller av høy kvalitet blir ofte strupet, noe som gjør dem vanskelige å bruke til tunge produksjonsoppgaver.
• Lokal vs. sky: Å kjøre en modell lokalt på en Mac eller PC gir personvern og hastighet, men krever betydelig VRAM.

I løpet av året så vi fremveksten av små språkmodeller som kan kjøres på forbrukermaskinvare. Disse modellene er ofte destillert fra større versjoner, og beholder mye av resonneringsevnen samtidig som de reduserer fotavtrykket. Dette er avgjørende for utviklere som ønsker å bygge apper som ikke er avhengige av en konstant internettforbindelse. Skiftet mot JSON-modus og strukturert utdata har også gjort det lettere for KI å kommunisere med tradisjonelle databaser.

Overgangen fra en demo til et stabilt produkt er imidlertid fortsatt vanskelig. En demo kan ignorere randsoner. Et produksjonsmiljø kan ikke det. Utviklere må håndtere avvik i modellresponser og uforutsigbarheten til ikke-deterministisk programvare. Geek-delen av bransjen er for tiden besatt av retrieval augmented generation som en måte å forankre disse modellene i virkelige fakta. Dette arbeidet fortsetter inn i det nye året etter hvert som maskinvaren tar igjen programvaren.

Dommen over hypen

Demoene som definerer vårt nåværende øyeblikk er mer enn bare markedsføring. De er et bevis på konseptet for en ny måte å leve med teknologi på. De viser at barrierene mellom menneskelig intensjon og maskinell utførelse er i ferd med å oppløses. Men vi må forbli kritiske. En demo er et løfte, ikke et ferdig produkt. Den viser den best mulige versjonen av et verktøy som fortsatt er under utvikling. Vi må dømme demoen ut fra hva den beviser under granskning og hva som forblir iscenesatt for kameraet.

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.

Den virkelige verdien av disse demoene er hvordan de endrer forventningene våre. De tvinger oss til å forestille oss en verden der datamaskinen forstår oss på våre premisser. Etter hvert som vi beveger oss fremover, vil fokuset skifte fra hva KI-en kan gjøre i en video til hva den kan gjøre på pultene våre. Motsetningene mellom den polerte forestillingen og den rotete virkeligheten vil definere neste fase av bransjen. Døm demoen etter hva den beviser, men bruk verktøyet for hva det faktisk leverer.

Fant du en feil eller noe som må korrigeres? Gi oss beskjed.