🏛️ Neizprotamais mākslīgā intelekta likumprojekts, kuru Baltais nams vēlas pieņemt ↗
Vašingtona cenšas panākt to, kas varētu kļūt par pirmo lielo federālo mākslīgā intelekta likumu, un amatpersonas apgalvo, ka ASV ir nepieciešama vienota valsts mēroga sistēma, nevis sadrumstalota, pa štatiem atšķirīga sistēma. Šī ideja ir virmojusi jau gadiem ilgi, taču tagad tai ir vēl lielāka steidzamības sajūta.
Spiediens rodas no visām pusēm vienlaikus – patērētāju aizsardzības, valsts drošības, datu noteikumiem un globālās konkurences. Ievērības cienīgs ir tas, ka gandrīz visi piekrīt, ka mākslīgajam intelektam ir nepieciešami noteikumi, tomēr šo noteikumu forma joprojām šķiet tikai daļēji iezīmēta, it kā kāds būtu ieskicējis kontūras, bet centrālo daļu atstājis nepabeigtu.
🧠 Mākslīgā intelekta uzplaukums paātrina Ķīnas mikroshēmu nozares izaugsmi, jo pieprasījums sasprindzina piegādes ķēdi ↗
Ķīnas mikroshēmu nozare piedzīvo spēcīgu mākslīgā intelekta pieprasījuma pieaugumu, un vadītāji apgalvo, ka izaugsme pārsniedz cerības, jo modeļu apmācība un secinājumu izdarīšana absorbē arvien modernāku aparatūru. Tajā nav nekā smalka — mākslīgais intelekts vēlas mikroshēmas, tad vēl vairāk mikroshēmu un tad kaut kā atkal vairāk.
Problēma ir tā, ka piegādes ķēde ir pakļauta slodzei. Mikroshēmām kļūstot sarežģītākām un tām prasīgākām attiecībā uz veiktspēju, visa ekosistēma — dizains, iepakojums, ražošana — sāk līdzināties dzinējam, kas tiek nedaudz par tuvu sarkanajai līnijai.
🌐 Openreach izmanto Google mākslīgo intelektu, lai paātrinātu šķiedru interneta ieviešanu un samazinātu emisijas ↗
Openreach izmanto Google mākslīgo intelektu, lai efektīvāk plānotu optiskās šķiedras ieviešanu, cenšoties paātrināt ieviešanu, vienlaikus samazinot emisijas. Tas ir ļoti praktisks stāsts par mākslīgo intelektu, kas šķiet atsvaidzinošs — mazāk robotu lirisma, vairāk kabeļu zemē.
Pieņēmums ir tāds, ka labāka maršrutu plānošana un gudrāki operatīvie lēmumi varētu samazināt nelietderīgus braucienus un uzlabot būvniecības efektivitāti. Varbūt no pirmā acu uzmetiena tas ir garlaicīgi, tomēr tieši šāda veida lietai ir nozīme klusībā — mākslīgais intelekts kā uzgriežņu atslēga, nevis burvju nūjiņa.
💸 Meta palielina augstāko vadītāju algas ar akciju opcijām, jo mākslīgā intelekta sacensības kļūst arvien karstākas ↗
Meta piešķir augstākajiem vadītājiem lielākas akciju prēmijas, jo mākslīgā intelekta talantu cīņa kļūst arvien intensīvāka. Tas pats par sevi jau daudz ko pasaka — kad sacensības kļūst karstākas, čeku grāmatiņas runā skaļāk.
Šķiet, ka šis solis ir mēģinājums noturēt darbiniekus, jo konkurenti turpina tērēt naudu, prestižu un milzīgus skaitļošanas budžetus. Tas nav īpaši pārsteidzoši, lai gan uzsver, kā mākslīgā intelekta tēriņi tagad ietekmē ne tikai mikroshēmas un datu centrus, bet arī tiešu iekšējo varas politiku.
🇮🇳 Mercor konkurents Deccan AI piesaista 25 miljonus dolāru, atsaucoties uz ekspertiem no Indijas ↗
Deccan AI piesaistīja 25 miljonus dolāru, lai paplašinātu savu darbu pie pēcapmācības datiem un novērtējumiem, izmantojot Indijā bāzētu ekspertu darbaspēku. Tas ir atgādinājums, ka mākslīgais intelekts perspektīvās netiek veidots tikai izsmalcinātās laboratorijās — liela daļa būtiskāko uzlabojumu notiek mazāk glaunajos slāņos zem tiem.
Jaunuzņēmums palīdz uzlabot tādas jomas kā kodēšanas veiktspēja, aģentu uzvedība un rīku izmantošana, kas ir tieši tās daļas, kas uzņēmumiem rūp, kad bāzes modelis ir ieviests. Tātad, jā, mākslīgā intelekta uzplaukums joprojām ir saistīts ar milzīgiem modeļiem, bet arī ar cilvēku sastatnēm, kas tos apvij.
🗜️ Google atklāj TurboQuant, jaunu mākslīgā intelekta atmiņas saspiešanas algoritmu — un jā, internetā to sauc par “Pied Piper” ↗
Google pētnieki atklāja TurboQuant — atmiņas saspiešanas metodi, kas paredzēta mākslīgā intelekta darba atmiņas samazināšanai, nemazinot veiktspēju. Ļoti tehniski, ļoti Google stilā — un tomēr internets to gandrīz uzreiz pārvērta par situāciju komēdijas joku, jo, protams, tā arī notika.
Svarīgs ir efektivitātes aspekts. Ja modeļi var saglabāt jēgpilnāku kontekstu, vienlaikus izmantojot mazāk atmiņas, tas varētu mazināt patiesu sašaurinājumu mākslīgā intelekta sistēmās. Tas izklausās nišas līmenī, līdz atceraties, ka labāka saspiešana var izpausties kā lētāki, ātrāki un jaudīgāki produkti.
👷 Mākslīgā intelekta prasmju plaisa ir klāt, saka mākslīgā intelekta uzņēmums, un lietotāji ir soli priekšā ↗
Jaunākais Anthropic pētījums par darba tirgu liecina, ka mākslīgais intelekts vēl nav izraisījis plašus darbavietu zaudējumus, taču tas rada pieaugošu plaisu starp cilvēkiem, kuri prot labi izmantot šos rīkus, un visiem pārējiem. Šķiet, ka tas šobrīd ir galvenais stāsts – nevis masveida aizstāšana, vēl ne, bet gan nevienmērīgs paātrinājums.
Jaudīgi lietotāji kļūst ātrāki un efektīvāki, savukārt jaunāki vai nesenāk strādājošie darbinieki šīs pārmaiņas var sajust pirmie. Tas ir līdzīgi kā iedot pusei biroja darbinieku reaktīvos mugursomu komplektus un pārējiem likt ātri staigāt.
Bieži uzdotie jautājumi
Kāpēc Baltais nams tagad cenšas panākt federālu mākslīgā intelekta likumu?
Rakstā norādīts, ka steidzamība ir pastiprinājusies, jo vienlaikus saskaras vairāki spiedieni: patērētāju aizsardzība, valsts drošība, datu pārvaldība un starptautiskā konkurence. Federāls mākslīgā intelekta likums tiek piedāvāts kā veids, kā izvairīties no sadrumstalotas, katrā štatā atšķirīgas situācijas. Atklātais jautājums vairs nav par to, vai noteikumi ir nepieciešami, bet gan par to, kādā formā šiem noteikumiem vajadzētu būt praksē.
Ko risina vienots valsts mēroga mākslīgā intelekta ietvars, salīdzinot ar noteikumiem, kas piemērojami katrā atsevišķā valstī?
Valsts mēroga sistēma kopumā vienkāršotu atbilstību prasībām uzņēmumiem, kas veido vai ievieš mākslīgo intelektu visā ASV. Tā vietā, lai katrā štatā ievērotu atšķirīgu saistību kopumu, uzņēmumi varētu darboties saskaņā ar vienu bāzes līniju. Rakstā ieteikts, ka politikas veidotāji to uzskata par svarīgu gan skaidrības nodrošināšanai valsts līmenī, gan globālās konkurētspējas saglabāšanai.
Kāpēc mākslīgā intelekta pieprasījums rada tik lielu slodzi Ķīnas mikroshēmu piegādes ķēdei?
Rakstā norādīts uz vienkāršu dinamiku: modeļu apmācība un secinājumu izdarīšana turpina patērēt arvien modernāku aparatūru. Pieaugot pieprasījumam, spiediens pārvietojas pa visu steku, tostarp mikroshēmu dizainu, iepakojumu un ražošanu. Problēma ir ne tikai milzīgais apjoms, bet arī pieaugošās veiktspējas un sarežģītības prasības, kas apgrūtina piegādes ķēdes tīru mērogošanu.
Kā mākslīgais intelekts tiek izmantots reālos infrastruktūras projektos, piemēram, optiskās šķiedras izvēršanā?
Šajā gadījumā mākslīgais intelekts tiek izmantots mazāk kā virsrakstus piesaistošs produkts un vairāk kā darbības rīks. Openreach izmanto Google mākslīgo intelektu, lai uzlabotu plānošanu, samazinātu nevajadzīgus braucienus un padarītu ieviešanas lēmumus efektīvākus. Tas ir svarīgi, jo pat nelieli maršrutēšanas un plānošanas uzlabojumi var paātrināt ieviešanu, vienlaikus palīdzot samazināt emisijas.
Kāpēc tādi uzņēmumi kā Meta palielina vadītāju akciju prēmijas mākslīgā intelekta sacensību laikā?
Rakstā tas tiek aplūkots kā talantu un darbinieku noturēšanas jautājums. Pieaugot konkurencei mākslīgā intelekta jomā, uzņēmumi tērē līdzekļus ne tikai mikroshēmām un datu centriem, bet arī tam, lai nepieļautu augstākā līmeņa vadītāju pārcelšanu citur. Lielākas akciju prēmijas liecina, ka konkurence par priekšrocībām tagad attiecas arī uz iekšējām motivācijas sistēmām, statusu un ilgtermiņa atalgojumu.
Kā patiesībā izskatās mākslīgā intelekta prasmju plaisa šobrīd?
Saskaņā ar rakstu, pašreizējā tendence mazāk ir saistīta ar plašu darbavietu zaudēšanu un vairāk ar nevienmērīgu pieaugumu. Cilvēki, kuri jau zina, kā efektīvi izmantot mākslīgā intelekta rīkus, kļūst ātrāki un produktīvāki, savukārt citi riskē atpalikt. Tas rada pieaugošu plaisu komandās, īpaši tur, kur jaunākiem darbiniekiem ir mazāka pieredze mākslīgā intelekta pārvēršanā praktiskā rezultātos.