💻 OpenAI laiž klajā Codex lietotni, lai iegūtu pozīcijas mākslīgā intelekta kodēšanas sacensībās ↗
OpenAI piegādāja Codex lietotni datoram, kas izskatās pēc komandu centra, kurā vienlaikus var žonglēt ar vairākiem kodēšanas aģentiem, nevis tikai ar vienu tērzēšanas pavedienu, ko piecas minūtes vēlāk pazaudējat savā mentālajā atvilktnē.
Atmosfēra ir “uzraudzīt nelielu baru” ar paralēlām darba plūsmām un ilgstošākiem uzdevumiem, kas izklausās produktīvi… un arī tā, it kā jūs būtu paaugstināts amatā, lai vadītu mazus, nenogurstošus praktikantus.
Tas ir diezgan tiešs sitiens pret konkurentiem, kuri pēdējā laikā ir baudījuši kodēšanas rīkus. Nevis nokautējošs sitiens, bet gan skaļāks grūdiens nekā parasti.
⚙️ Ekskluzīvi: Avoti apgalvo, ka OpenAI nav apmierināts ar dažām Nvidia mikroshēmām un meklē alternatīvas ↗
Sūdzība nav par to, ka "lielus modeļus nevar apmācīt", bet gan par secinājumu ātrumu, brīdi, kad modelim ir ātri un atkal jāsniedz atbildes lielā mērogā. Nvidia joprojām ir centrālais elements, taču spiediena punkti mainās.
Tāpēc uzņēmums ir meklējis alternatīvas, tostarp AMD un specializētus atskaņotājus, piemēram, Cerebras un Groq — tāda veida aparatūru, kas dzīvo latentuma un mikroshēmas atmiņas dēļ.
Publiski visi joprojām ir pieklājīgi (gandrīz satraucoši pieklājīgi), taču zemteksts ir skaidrs: ja kodēšanas aģenti ir jaunā mode, ātrums vairs nav “jauka lieta”, bet gan galvenā prioritāte.
🏗️ Oracle akciju vērtība pieaug, jo 50 miljardu dolāru piesaiste mazina bažas par datu centru finansējumu ↗
Oracle izstrādāja plānu piesaistīt milzīgu naudas summu, izmantojot parādu un pašu kapitālu, lai finansētu datu centra izveidi, kas ir cieši saistīta ar tās lielākajām saistībām mākslīgā intelekta jomā.
Analītiķi to formulēja kā "labi, jūs droši vien varat par to samaksāt", kas ir tāds jocīgs mierinājuma veids — līdzīgi kā teikts, ka jūsu lidmašīnai, iespējams, ir pietiekami daudz degvielas.
Pat ar finansēšanas plānu nemitīgi rodas nervoza doma: vai visi šie mākslīgā intelekta infrastruktūras izdevumi nozīmē ilgstošus ieguvumus vai tikai ļoti dārgas mirgojošas gaismas.
🌿 Carbon Robotics izveidoja mākslīgā intelekta modeli, kas atpazīst un identificē augus ↗
Carbon Robotics atklāja “liela auga modeli”, lai darbinātu savus lāzera bāzes ravēšanas robotus, kas, jā, joprojām izklausās pēc multfilmas ļaundara ierīces, bet acīmredzot tas ir īsts un praktisks.
Praktiskais ieguvums ir liels: sistēma var atpazīt jaunas nezāles bez lēnā “marķēt, pārkvalificēt, gaidīt” cikla. Lauksaimnieki var norādīt, ko iznīcināt un ko atstāt, un robots pielāgojas bez pilnīgas atiestatīšanas.
Tas ir viens no tiem mākslīgā intelekta stāstiem, kas klusībā šķiet svarīgāks par krāšņajām demonstrācijām — mazāk dzejas, vairāk pārtikas krājumu.
⚖️ Antropotiskā pieeja juridiskajām tehnoloģijām ↗
Anthropic izstrādā spraudņus, kas iekļauj tā modeli reālās darbplūsmās, tostarp juridisko spraudni, kas paredzēts dokumentu pārskatīšanai un līgumu analīzei. Cilvēki zvēr, ka šāds darbs ir “niansēts”… līdz brīdim, kad viņi ir izstrādājuši 200 gandrīz identiskas klauzulas pēc kārtas.
Tomēr tas nav viena klikšķa aizvietotājs juridiskajām komandām. Šīs sistēmas ieviešanai joprojām ir nepieciešamas tehniskas prasmes, un visi, kā jau pienākas, apsēstībā domās par datu drošību.
Nedaudz pikanta netieša norāde: uz šauru automatizāciju balstīti juridiskās programmatūras pārdevēji pēkšņi varētu šķist daudz mazāk īpaši.
🧬 ConcertAI uzsāk paātrinātus klīniskos pētījumus, izmantojot aģentu mākslīgo intelektu, lai radikāli saīsinātu pētījumu termiņus ↗
ConcertAI ieviesa “paātrinātu klīnisko pētījumu” platformu, kas balstīta uz aģentūru mākslīgo intelektu, kuras mērķis ir paātrināt sarežģītās daļas — protokola izstrādi, priekšizpētes pārbaudes, vietas izvēli, vervēšanu un visu mezgloto ķēdi.
Viņi apgalvo, ka, izmantojot aģentus, kas iegūst datus no reālās pasaules un patentētiem datiem, kā arī savienotājus ar kopīgiem pētniecības avotiem, tiks panākta ievērojama laika ierobežojumu un grozījumu samazināšana. Izklausās ambiciozi, un klīniskajām operācijām noderētu nedaudz berzes novēršanas maģijas.
Ja tas izdodas kaut vai daļēji, tas vairāk nozīmē, ka “mākslīgais intelekts visu izārstē”, bet gan “mākslīgais intelekts liek mašīnai pārstāt apstāties”, kas, iespējams, ir ticamāks progresa veids.
Bieži uzdotie jautājumi
Kas ir OpenAI Codex lietotne un ko tā dara?
OpenAI Codex lietotne tiek raksturota kā darbvirsmas “komandcentrs” vairāku kodēšanas aģentu vienlaicīgai koordinēšanai. Tā neatrodas vienā tērzēšanas pavedienā, bet atbalsta paralēlas darba plūsmas un ilgākus uzdevumus, kurus var uzraudzīt. Mērķis ir pārvaldīt nelielu aģentu “spiecu”, vienlaikus pārskatot, vadot un integrējot viņu radīto.
Ar ko OpenAI Codex lietotne atšķiras no parasta kodēšanas tērzēšanas robota?
Tipisks kodēšanas tērzēšanas robots ir piesaistīts vienai sarunas pavedienam, savukārt OpenAI Codex lietotne ir veidota, lai paralēli vadītu vairākus aģentus. Tas maina darbplūsmu no “jautā, gaidi, jautā vēlreiz” uz “deleģē vairākus uzdevumus un seko līdzi progresam”. Praksē tas var šķist tuvāk projekta uzraudzībai nekā vienkārša tērzēšana, īpaši, ja uzdevumi sniedzas tālāk par ātras atbildes ciklu.
Kāda veida darbi ir vispiemērotākie vairāku kodēšanas aģentu uzraudzībai?
Daudzos cauruļvados vairāku aģentu iestatījumi ir lieliski, ja darbu var sadalīt paralēlās daļās, kurām joprojām nepieciešama cilvēka uzraudzība. Bieži vien atsevišķi aģenti tiek piešķirti atkļūdošanai, testu rakstīšanai, dokumentācijas atjaunināšanai vai alternatīvu ieviešanas iespēju izpētei, vienlaikus saglabājot kopējo arhitektūru saskaņotu. Visvairāk palīdz, ja uzdevumiem ir skaidri noteikts darbības joma, atšķirības tiek rūpīgi pārskatītas un izmaiņas tiek koordinētas, lai aģenti nesadurtos vienās un tajās pašās koda bāzes daļās.
Kāpēc secinājumu ātrums ir tik svarīgs kodēšanas aģentiem?
Kodēšanas aģenti var ģenerēt pastāvīgu nelielu, biežu pieprasījumu plūsmu, īpaši, darbojoties paralēli un mijiedarbojoties ar rīkiem. Latentums un caurlaidspēja kļūst vairāk “lietotājam orientēti” nekā vienreizējās modeļu demonstrācijās. Kad reaģētspēja plašā mērogā kļūst par vājo vietu, secinājumu ātrums kļūst par galveno produkta ierobežojumu, nevis sekundāru infrastruktūras detaļu.
Kādas mikroshēmu alternatīvas tiek pētītas bez Nvidia mākslīgā intelekta secinājumiem?
Ziņojumos teikts, ka Nvidia joprojām ir centrālais elements, taču pieaug interese par alternatīvām, kuru mērķis ir ātrāka secinājumu izdarīšana. Starp minētajiem nosaukumiem ir AMD un specializēti ražotāji, piemēram, Cerebras un Groq. Uzsvars tiek likts mazāk uz to, "vai to var apmācīt", bet vairāk uz zemas latentuma, augstas caurlaidspējas apkalpošanu, īpaši tāpēc, ka aģentūru darbplūsmas tiek paplašinātas.
Kāpēc Oracle piesaista līdz 50 miljardiem dolāru, un kam tas paredzēts?
Oracle izstrādāja plānu piesaistīt lielu parāda un pašu kapitāla kombināciju, lai finansētu datu centra izveidi, kas saistīta ar lielām mākslīgā intelekta saistībām. Šis solis ir paredzēts, lai mazinātu bažas par to, vai uzņēmums spēj finansēt lielus infrastruktūras izdevumus. Investoru uzmanības centrā joprojām ir jautājums, vai lielie mākslīgā intelekta kapitālieguldījumi kļūst par ilgstošu atdevi, nevis vienkārši par lielākām izmaksām.
Kā Carbon Robotics rūpnīcas modelis maina lāzerravēšanas robotus?
Carbon Robotics ieviesa “lielu augu modeli” augu noteikšanai un identificēšanai, lai nodrošinātu lāzera ravēšanu. Galvenais solījums ir ātrāka adaptācija: jaunu nezāļu atpazīšana bez lēnas marķēšanas, pārkvalificēšanas un pilnīga modeļa atjauninājuma gaidīšanas. Lauksaimnieki var norādīt, kas ir jānoņem, nevis jāsaglabā, un sistēma ir izstrādāta tā, lai pielāgotos bez pilnīgas atiestatīšanas.
Kā aģentūru mākslīgā intelekta rīki parādās juridiskajā darbā un klīniskajos pētījumos?
Anthropic tiek raksturots kā spraudņu ieviešana, kas integrējas darbplūsmās, tostarp juridisko dokumentu pārskatīšanā un līgumu analīzē. Atsevišķi ConcertAI palaida "paātrinātu klīnisko pētījumu" platformu, kuras mērķis ir paātrināt protokolu izstrādi, iespējamības pārbaudes, vietas izvēli un vervēšanu. Abās jomās praktiskā ieviešana parasti ir atkarīga no drošības, pārvaldības un rūpīgas validācijas, ne tikai no modeļa iespējām.