Mga Founder, Kritiko, at Researcher: Ang mga Usapang Dapat Mong Basahin

Karamihan sa mga tao ay kilala ang CEO ng OpenAI. Pero mas kakaunti ang nakakaalam sa mga may-akda ng paper na nagtakda sa kasalukuyang panahon ng mga large language model. Ang kakulangang ito sa kaalaman ay nagdudulot ng maling pananaw sa kung paano talaga umuunlad ang teknolohiya. Itinuturing natin ang artificial intelligence na parang serye ng mga product launch, kahit na ito ay mabagal na pag-iipon ng mga mathematical breakthrough. Ang mga founder ang namamahala sa capital at sa public narrative. Ang mga researcher naman ang namamahala sa mga weights at logic. Ang pag-unawa sa pagkakaibang ito ang tanging paraan para makita ang katotohanan sa likod ng mga marketing cloud. Kung ang mga founder lang ang sinusundan mo, nanonood ka lang ng pelikula. Kung ang mga researcher naman ang sinusundan mo, binabasa mo ang script. Tatalakayin ng artikulong ito kung bakit mahalaga ang pagkakaibang ito at kung paano tutukuyin ang mga signal na tunay na nagdidikta sa kinabukasan ng industriya. Lalampasan natin ang mga charismatic na talumpati para tingnan ang malamig na realidad ng lab. Panahon na para magpokus sa mga taong sumusulat ng code sa halip na sa mga pumipirma lang ng press release.

Ang mga Invisible Architect ng Machine Age

Ang mga founder ang mukha ng publiko. Sila ang nagsasalita sa World Economic Forum at humaharap sa Kongreso. Trabaho nilang makakuha ng bilyun-bilyong pondo at bumuo ng brand na parang hindi maiiwasan. Gumagamit sila ng mga salitang parang mahika. Iba ang mga researcher. Nagtatrabaho sila sa Python at LaTeX. Interesado sila sa loss functions at token efficiency. Maaaring sabihin ng isang founder na nag-iisip ang kanilang model. Sasabihin naman sa iyo ng isang researcher na nagpe-predict lang ito ng susunod na pinaka-posibleng salita base sa isang partikular na probability distribution. Nagkakaroon ng kalituhan dahil itinuturing ng media ang dalawang grupong ito bilang isa. Kapag sinabi ng isang CEO na lulutasin ng isang model ang climate change, isa itong sales pitch. Kapag nag-publish ang isang researcher ng paper tungkol sa sparse autoencoders, isa itong technical claim. Ang isa ay pag-asa. Ang isa ay katotohanan.

Madalas mapagkamalan ng publiko ang pag-asa bilang katotohanan. Humahantong ito sa cycle ng over-promise at under-delivery. Para maintindihan ang field na ito, kailangan mong paghiwalayin ang taong nagbebenta ng kotse sa taong nagdisenyo ng makina. Alam ng engine designer kung nasaan ang mga maluwag na turnilyo. Hindi kailanman sasabihin sa iyo ng salesperson ang tungkol sa mga maluwag na turnilyo dahil trabaho nilang panatilihing mataas ang stock price. Nakikita natin ito sa tuwing may bagong model na lumalabas. Nagpo-post ang founder ng cryptic tweet para mag-hype. Nagpo-post naman ang researcher ng link sa technical report sa arXiv. Ang tweet ay nakakakuha ng milyun-milyong views. Ang technical report ay binabasa ng ilang libong tao na talagang gumagawa ng mga bagay. Lumilikha ito ng feedback loop kung saan ang pinakamalalakas na boses ang nagtatakda ng realidad para sa lahat.

Higit pa sa Public Face ng Inobasyon

Ang pagkakahating ito ay may malaking implikasyon sa global policy. Ang mga gobyerno ay kasalukuyang gumagawa ng mga batas base sa mga babala ng mga founder. Ang mga founder na ito ay madalas magbabala tungkol sa mga existential risk na parang science fiction. Pinapanatili nito ang pokus sa mga hypothetical na kinabukasan sa halip na sa mga kasalukuyang pinsala. Samantala, itinuturo ng mga researcher ang mga agarang isyu tulad ng data bias at pagkonsumo ng enerhiya. Sa pakikinig lang sa mga sikat na pangalan, nanganganib tayong mag-regulate ng maling mga bagay. Maaari nating ipagbawal ang isang future superintelligence habang binabalewala ang katotohanan na ang mga kasalukuyang model ay nauubos ang tubig sa mga maliliit na bayan para palamigin ang kanilang mga data center. Hindi lang ito isyu sa Amerika. Sa Europe at Asia, umiiral ang parehong dinamika.

Ang mga boses na nakakakuha ng pinakamaraming airtime ay ang mga may pinakamalaking marketing budget. Lumilikha ito ng winner-take-all na kapaligiran kung saan ang ilang kumpanya ang nagtatakda ng agenda para sa buong planeta. Kung hindi natin palalawakin ang ating perspektibo, hinahayaan nating ang ilang tao sa Silicon Valley ang magtakda kung ano ang ligtas at kung ano ang posible. Ang konsentrasyon ng kapangyarihang ito ay isang panganib sa sarili nito. Nililimitahan nito ang pagkakaiba-iba ng kaisipan sa isang field na nangangailangan nito. Kailangan nating marinig ang mga tao sa University of Toronto o ang mga lab sa Tokyo gaya ng pakikinig natin sa mga tao sa San Francisco. Ang scientific progress ay isang global effort, pero ang narrative ay kasalukuyang isang local monopoly. Kailangan nating tingnan ang mga journal tulad ng Nature para makita ang tunay na pag-unlad na ginagawa sa labas ng mga corporate boardroom.

Bakit Nakikinig ang Mundo sa Maling Tao

Isipin ang isang araw sa buhay ng isang lead researcher sa isang malaking lab. Gigising sila at titingnan ang resulta ng isang training run na nagkakahalaga ng tatlong milyong dolyar. Makikita nilang mas hallucinating ang model kaysa sa inaasahan. Gugugol sila ng sampung oras sa pagtingin sa mga data cluster para mahanap ang noise. Hindi sila nag-iisip tungkol sa 2024 election o sa kapalaran ng sangkatauhan. Nag-iisip sila kung bakit hindi maintindihan ng model ang negation sa mga kumplikadong pangungusap. Tinitingnan nila ang mga heat map ng neuron activation. Ang kanilang tagumpay ay sinusukat sa bits per character o accuracy sa isang partikular na benchmark. Ngayon, isipin ang araw ng isang founder. Nasa isang private jet sila para makipagkita sa isang head of state. Pinag-uusapan nila ang trillion-dollar opportunity ng bagong ekonomiya.

Ang researcher ang humaharap sa kung paano. Ang founder ang humaharap sa kung bakit ito sulit sa pera. Para sa isang developer na bumubuo ng app, ang researcher ang mas mahalagang figure. Ang researcher ang nagtatakda ng API latency at ng context window. Ang founder ang nagtatakda ng presyo. Kung sinusubukan mong magtayo ng negosyo, kailangan mong malaman kung kaya ba talaga ng teknolohiya ang sinasabi ng founder. Kadalasan, hindi. Nakita natin ito noong unang panahon ng autonomous driving. Sabi ng mga founder, magkakaroon tayo ng milyun-milyong robotaxi sa 2026. Alam ng mga researcher na ang mga edge case sa malakas na ulan ay isa pa ring hindi nalulutas na problema. Naniwala ang publiko sa mga founder. Tama ang mga researcher.

Ang parehong pattern na ito ay nauulit sa generative AI space. Sinasabi sa atin na ang mga model ay malapit nang pumalit sa mga abogado at doktor. Kung babasahin mo ang mga technical paper, makikita mo na ang mga model ay nahihirapan pa rin sa basic logical consistency. Ang agwat sa pagitan ng demo at ng realidad ay kung saan nawawalan ng pera ang mga kumpanya. Maaari kang makahanap ng deep dive sa mga trend ng artificial intelligence para makita kung paano sinusubok ang mga technical limit na ito ngayon. Ang pagkakaibang ito ang pagkakaiba sa pagitan ng isang sound investment at isang speculative bubble. Kapag nakarinig ka ng bagong claim, itanong mo sa sarili mo kung galing ba ito sa isang paper o sa isang press release. Ang sagot ang magsasabi sa iyo kung gaano kabigat ang dapat mong ibigay dito. Ang mga journalist sa MIT Technology Review ay madalas na binibigyang-diin ang agwat na ito sa pagitan ng lab at ng lobby. Dapat nating tandaan na ang mga founder ay may insentibo na itago ang mga kapintasan habang ang mga researcher ay may insentibo na hanapin ang mga ito. Ang nauna ang bumubuo ng hype at ang huli ang bumubuo ng katotohanan. Sa katagalan, ang katotohanan lang ang tanging bagay na nag-i-scale. Nakita natin ito noong 2026 nang ang unang wave ng hype ay nagsimulang lumamig sa ilalim ng bigat ng technical reality.

Isang Martes sa Lab kumpara sa Boardroom

Dapat tayong magtanong ng mga mahihirap na tanong tungkol sa kasalukuyang landas ng development. Sino ang nagbabayad para sa research na sinasabi ng mga founder na makikinabang ang lahat? Karamihan sa mga top researcher ay umalis na sa akademya para sa mga private lab. Ibig sabihin, ang kaalamang ginagawa nila ay hindi na isang public good. Ito ay isang corporate secret. Ano ang mangyayari sa scientific method kapag ang data na ginamit para patunayan ang isang punto ay nakatago sa likod ng paywall? Nakikita natin ang paglipat mula sa open science patungo sa isang model ng closed competitive advantage. Ang kasikatan ba ng ilang indibidwal ay nakakatulong sa field o lumilikha ito ng cult of personality na nagdidiskurahi sa dissent? Kung makahanap ang isang researcher ng malaking kapintasan sa isang flagship model, nararamdaman ba nilang ligtas silang i-report ito kung maaari nitong pabagsakin ang valuation ng kumpanya?

Ang financial pressure sa mga kumpanyang ito ay napakalaki. Kailangan din nating isaalang-alang ang environmental cost. Sulit ba ang paghabol sa mas magandang benchmarks kapalit ng napakalaking carbon footprint ng pag-train sa mga model na ito? Madalas nating pag-usapan ang mga benepisyo ng AI para sa kapaligiran, pero bihirang makakita ng ledger na nagbabalanse sa dalawa. Panghuli, sino ang nagmamay-ari ng kultura kung saan ang mga model na ito ay na-train? Ginagamit ng mga researcher ang kolektibong output ng internet para bumuo ng kanilang mga system. Ang mga founder naman ay naniningil sa publiko para ma-access ang isang distilled version ng parehong output. Ito ay isang paglipat ng yaman na bihirang pag-usapan sa mga headline. Hindi lang ito mga technical problem. Ang mga ito ay social at ethical dilemma na nangangailangan ng higit pa sa isang mas mahusay na algorithm para malutas.

Technical Constraints at Local Implementation

Para sa mga bumubuo sa mga platform na ito, ang mga technical detail ay mas mahalaga kaysa sa pilosopiya. Ang mga kasalukuyang API limit ay isang malaking bottleneck para sa enterprise adoption. Karamihan sa mga provider ay may mahigpit na rate limit na pumipigil sa high-volume real-time processing. Ito ang dahilan kung bakit maraming kumpanya ang tumitingin sa local storage at local execution. Ang paggamit ng mga model tulad ng Llama 3 sa local hardware ay nagbibigay-daan para sa mas mahusay na data privacy at mas mababang long-term cost. Gayunpaman, ang hardware requirement ay mataas. Para magpatakbo ng 70 billion parameter model na may disenteng bilis, kailangan mo ng high-end GPU na may malaking VRAM. Dito nagtatagpo ang geek section at ang financial section. Ang gastos ng isang H100 cluster ay isang barrier to entry na nagpapanatili ng kapangyarihan sa kamay ng mga mayayaman.

Nakikita rin natin ang paglipat patungo sa specialized fine-tuning. Sa halip na gumamit ng general model para sa lahat, ang mga developer ay gumagamit ng mas maliliit na model na na-train sa mga partikular na dataset. Pinapabuti nito ang accuracy at binabawasan ang token count. Ang technical challenge dito ay data curation. Kung ang input data ay mahina, ang fine-tuned model ay magiging mas masahol kaysa sa general model. Nakikita rin natin ang mas maraming paggamit ng Retrieval Augmented Generation (RAG) para i-ground ang mga model sa factual data. Nilalagpasan nito ang pangangailangan para sa napakalaking context window at binabawasan ang mga hallucination. Pero ang RAG ay may sariling limitasyon, partikular sa kung paano nito hinahawakan ang ranking ng mga na-retrieve na dokumento. Kung mabigo ang search step, walang silbi ang model output. Karamihan sa mga user ay hindi nakakaalam na ang performance ng isang AI ay nakadepende sa database na kinukwestyon nito gaya ng sa mismong model.

Ang Huling Filter para sa Impormasyon

Ang kinabukasan ng AI ay hindi isang kwentong isinalaysay ng iisang tao. Ito ay isang magulo at patuloy na debate sa pagitan ng mga nagbebenta ng vision at ng mga bumubuo ng realidad. Para maging isang matalinong consumer ng tech news, dapat mong matutunang tumingin nang lampas sa charismatic founder. Hanapin ang mga pangalan sa mga paper. Hanapin ang mga researcher na handang pag-usapan kung ano ang hindi kayang gawin ng kanilang mga model. Ang mga kontradiksyon sa industriya ay hindi mga bug. Ang mga ito ang pinakatapat na bahagi ng kwento. Ang field ay patuloy na mag-e-evolve dahil ang mga technical problem ay malayo pa sa pagiging nalulutas. Ang live question ay nananatili: kaya ba nating bumuo ng isang tunay na intelligent system nang walang napakalaking pagkonsumo ng resource na nagtatakda sa kasalukuyang panahon? Hangga’t hindi natin ito nasasagot, ang hype ay patuloy na mauuna sa science. Dapat tayong manatiling mapag-alinlangan sa anumang narrative na nangangako ng isang perpektong solusyon nang hindi binabanggit ang mga trade-off na kasangkot.

Paalala ng Editor: Ginawa namin ang site na ito bilang isang multilingual AI news at guides hub para sa mga taong hindi computer geeks, ngunit nais pa ring maunawaan ang artificial intelligence, gamitin ito nang may higit na kumpiyansa, at sundan ang hinaharap na dumarating na.