Postęp w generatywnej AI

Koncepcje generatywnej AI

Daniel Tedesco

Data Lead, Google

Wspólny wysiłek

Uniwersytety
Rządy i organizacje obywatelskie
Społeczności open-source
Startupy i duże firmy

Uniwersytety

Nowe badania, np. wynalezienie GAN-ów
Nowi badacze
Współpraca z innymi sektorami

Strona główna centrum AI Uniwersytetu w Montrealu

¹ Strona internetowa Uniwersytetu w Montrealu

Rządy i organizacje obywatelskie

Rządy

Tworzą i egzekwują regulacje
Finansują badania podstawowe

Instytucje obywatelskie

Dostarczają niezależnych analiz
Udostępniają zasoby, np. zbiory danych
Finansują projekty

Stoiska wystawiennicze na konferencji z banerem z napisem „DARPA Demo Day"

¹ National Defense Magazine, https://www.nationaldefensemagazine.org/articles/2016/5/11/darpa-shows-off-technology-at-demo-day

Społeczności open-source

Zapewniają otwarty dostęp do narzędzi i modeli
Obniżają próg wejścia i ułatwiają eksperymentowanie
Trudno je utrzymać i zapewnić im odpowiednią jakość
Zwiększają ryzyko nadużyć

Wybrane projekty open-source w dziedzinie generatywnej AI

Logotypy narzędzi i modeli generatywnej AI typu open-source

Startupy i duże firmy

Dążą do przewagi konkurencyjnej
Upowszechniają generatywną AI
Prezentują osiągnięcia, aby przyciągnąć talenty i zainteresować inwestorów

Duże firmy dodatkowo:

Finansują badania, np. wprowadzenie transformerów przez Google
Przejmują startupy
Udostępniają zasoby sprzętowe i chmurowe

Dylemat otwartości

Zalety

Wsparcie deweloperów
Przyciąganie talentów
Szeroka informacja zwrotna

Wady

Utrata przewagi konkurencyjnej
Ryzyko odpowiedzialności za nadużycia

Granice rozwoju generatywnej AI

Czynniki przyspieszające

Spadek kosztów sprzętu
Postęp badań
Presja konkurencyjna i geopolityczna

Czynniki hamujące

Ograniczenia technologiczne
Nadmierne regulacje
Zamknięte ekosystemy
Ograniczone zasoby finansowe

Czas na praktykę!

Koncepcje generatywnej AI

Preparing Video For Download...