🎙️ ElevenLabs sasniedz 11 miljardu dolāru novērtējumu pēc jaunas 500 miljonu dolāru finansējuma kārtas ↗
ElevenLabs tikko iekļuva “tas kļūst nopietni” līmenī — piesaistīti 500 miljoni ASV dolāru, novērtējums 11 miljardi ASV dolāru. Tas ir straujš lēciens no pēdējā publiski apspriestā skaitļa, un tas uzsver, cik lielā mērā investori joprojām uzskata mākslīgā intelekta balsi par platformu, nevis salona triku.
Ierosinājums: reālistiskāka runa, vairāk valodu, “emocionālāka” sarunvalodas balss un vairāk dublēšanas — būtībā mērķis ir iekļauties milzīgā mediju un aģentu darbplūsmu plūsmā… labāk vai sliktāk.
🧠 Cerebras nopelnījis par 1 miljardu dolāru vairāk un novērtēja to ar 23,1 miljardu dolāru AI mikroshēmu sacensībās ↗
Cerebras piesaistīja 1 miljardu dolāru finansējumu vēlīnā stadijā, un novērtējums ir skaļš: 23,1 miljards dolāru. Ja mēnešiem ilgi dzirdat apgalvojumu “Nvidia nevar būt vienīgā atbilde”, tad lūk, kā tas izklausās, rakstot čeku.
Viņi der, ka vafeļu mēroga aparatūra — milzu mikroshēmas apmācībai un secinājumu izdarīšanai — var turpināt nodrošināt ilgstošu pieprasījumu, kamēr visi cīnās par skaitļošanas resursiem. Tā ir daļēji diversifikācija, daļēji izmisums, daļēji "lūdzu, neļaujiet GPU piegādei diktēt visu manu plānu", un tas viss vienlaikus.
💸 Alfabēta mākslīgā intelekta kapitālieguldījumu plāni ir satraucoši, un vājā vieta nav tikai nauda ↗
Alfabēts izstrādāja infrastruktūras izdevumu plānus, kuru apmērs ir… diezgan absurds. Noskaņojums ir šāds: turpināt liet betonu, turpināt pirkt mikroshēmas, turpināt paplašināt datu centrus – jo mākslīgais intelekts nedarbojas ar vibrācijām, bet gan ar enerģiju un silīciju.
Ir kaut kas viegli mierinošs – un arī satraucošs: pat ar šādu budžetu piegādes ierobežojumi joprojām ir svarīgi. Nauda, protams, palīdz, taču nevar acumirklī no zila gaisa uzburt transformatorus, tīkla jaudu vai tūkstoš jaunu datu centru.
🎓 Saras Hukeres Adaptation Labs piesaista 50 miljonu dolāru lielu finansējumu, lai izveidotu modeļus, kas mācās reāllaikā ↗
Adaptation Labs nāca klajā ar 50 miljonu dolāru vērtu sākuma kapitāla kārtu, kuras pamatā bija ideja, ka mazāki, viedāki modeļi, kas ātri pielāgojas, daudzos reālās pasaules apstākļos varētu pārspēt milzīgu apjomu.
Pamatdoma ir skaidra: tā vietā, lai mūžīgi veiktu tikai apjomīgu iepriekšēju apmācību, jākoncentrējas uz sistēmām, kas efektīvi turpina mācīties. Atkarībā no noskaņojuma tā ir vai nu nākamā saprātīgā fāze… vai drosmīgs mēģinājums apiet GPU bruņošanās sacensību.
🧾 Microsoft OpenAI skaitļošanas darījums investoriem kļūst par riska stāstu ↗
Bloomberg viedoklis: investori sāk uztvert Microsoft attiecības ar OpenAI nevis kā garantētu džekpotu, bet gan kā riska virsmu – izmaksas, saistības, pārvaldība, viss sarežģītais kopums.
Tas gluži nav gluži "sadarbības trūkums" — drīzāk, kad rēķini kļūst pietiekami lieli, pat stratēģiska priekšrocība var sākt uztvert kā apgrūtinājumu. Līdzīgi kā sacīkšu zirgam, kas turpina uzvarēt... vienlaikus iztērējot visu jūsu māju.
📜 ES Mākslīgā intelekta akta impulss — mākslīgā intelekta ģenerēta satura platformu pārredzamības kodeksa projekts ↗
Tiek apspriests mākslīgā intelekta ģenerēta vai manipulēta satura pārredzamības prakses kodeksa projekts, kas saistīts ar to, kā jāmarķē un jāapstrādā mākslīgā intelekta rezultāti. Ne pats krāšņākais virsraksts, bet tas ir tāds "papīra slānis", kas ātri ietekmē lēmumus par produktu.
Ja veidojat vai ieviešat ģeneratīvus resursus, tas jūs mudina uz lielāku ūdenszīmju/marķēšanas disciplīnu — un, iespējams, vairāk auditēšanas un dokumentācijas, nekā jebkurš vēlētos piektdienās. (Bet… jā, tas tuvojas.)
Bieži uzdotie jautājumi
Ko ElevenLabs 11 miljardu dolāru vērtējums liecina par mākslīgā intelekta balss attīstības virzienu?
Tas liek domāt, ka investori uzskata mākslīgā intelekta balsi par galveno infrastruktūru multivides un aģentu stila produktiem, nevis par jaunu funkciju. Uzsvars tiek likts uz reālistisku, daudzvalodu, emocionāli izteiksmīgu runu, kas netraucēti iekļaujas dublēšanas un sarunu darbplūsmās. Daudzos kanālos tas padara balsi par atkārtoti izmantojamu slāni dažādās lietotnēs, nevis vienreizēju demonstrācijas iespēju.
Kā man praktiski vajadzētu domāt par mākslīgā intelekta finansējuma pieaugumu, piemēram, ElevenLabs un Cerebras?
Lielas pārdošanas apjomi parasti signalizē, ka tirgus sagaida lielus, ilgstošus ieguldījumus skaitļošanas, datu un izplatīšanas jomā, lai uzvarētu. Izstrādātājiem tas bieži vien nozīmē ātrāku produktu iterāciju no labi finansētiem pārdevējiem, kā arī asāku konkurenci cenu un veiktspējas ziņā. Tas var arī norādīt, ka "platformu" kategorijas - balss, mikroshēmas, infrastruktūra - ir tās, kurās tiek veidotas aizsargājamas pozīcijas.
Kas ir Cerebras vafeļu mēroga pieeja, un kāpēc cilvēki tagad uz to liek likmes?
Cerebras pozicionē milzīgas, plākšņu mēroga mikroshēmas apmācībai un secinājumiem kā alternatīvu veidu, kā apmierināt skaitļošanas pieprasījumu. Iespējams, ka specializēta aparatūra var izveidot noturīgas nišas, kamēr komandas meklē iespējas ārpus vienas dominējošas GPU piegādes ķēdes. Praksē tā ir daļēji diversifikācijas stratēģija un daļēji steidzamība nodrošināt uzticamu jaudu.
Kāpēc Alphabet var tērēt milzīgus līdzekļus mākslīgā intelekta infrastruktūrai un joprojām saskarties ar piegādes ierobežojumiem?
Tā kā mākslīgā intelekta mērogojamību ierobežo ne tikai budžets, bet arī fiziski šķēršļi. Enerģijas pieejamības, datu centru izveides un piekļuves mikroshēmām un komponentiem paplašināšana var aizņemt laiku. Pat ar agresīviem kapitālieguldījumiem nevar uzreiz palielināt tīkla jaudu vai paātrināt visas aparatūras un būvniecības procesa daļas vienlaikus.
Kas ir “mācīšanās reizē” modeļi, un kad tie varētu pārspēt lielākus iepriekš apmācītus modeļus?
Tās ir sistēmas, kas izstrādātas, lai efektīvi pielāgotos pēc ieviešanas, nevis paļautos tikai uz arvien lielāku iepriekšēju apmācību. Daudzos ražošanas apstākļos ātrāka pielāgošanās var būt svarīgāka par neapstrādātu mērogu, īpaši, ja mainās datu maiņa vai darbplūsmas. Izplatīta pieeja ir saglabāt modeļus mazākus un padarīt mācīšanos vai atjaunināšanu efektīvāku ražošanas vidē.
Kā ES Mākslīgā intelekta likuma pārredzamības centieni ietekmē komandas, kas piegādā ģeneratīvu saturu?
Viņi virza produktus uz skaidrāku mākslīgā intelekta ģenerētu vai manipulētu rezultātu marķēšanu un apstrādi. Daudzās organizācijās tas nozīmē stingrāku ūdenszīmju vai informācijas atklāšanas disciplīnu, kā arī stingrāku dokumentācijas un audita praksi. Ja jūs ieviešat ģeneratīvos datu nesējus, ir prātīgi jau laikus plānot izcelsmes izsekošanu un vieglu atbilstības darbplūsmu izveidi.