Метка: Книги

Поэтому многие люди опасаются, что в индустрии центров обработки данных с искусственным интеллектом произойдет крах, а следовательно, и в крупных технологиях в целом, если доходы от индустрии искусственного интеллекта не будут расти достаточно быстро, чтобы не отставать от бума капитальных вложений в течение следующих нескольких лет. Крах индустрии дата-центров означал бы, что крупные технологические акционеры потеряли бы много денег, как акционеры доткомов в 2000 году. Это также непосредственно замедлило бы экономику, поскольку крупные технологические компании перестали бы инвестировать. Но самая страшная вероятность заключается в том, что это вызвало бы финансовый кризис.

Интересно, что одновременно происходят два казалось бы противоположных процесса: рост масштабов и рост специализации. С одной стороны, развиваются огромные дата-центры для обучения универсальных ИИ-моделей, потребляющие массу энергии. С другой — появляются «умные» решения, которые могут работать локально: в смартфонах, автомобилях, на производстве. Это создает гибкие технологические экосистемы, где одни ИИ — огромные и универсальные, а другие — узкоспециализированные, работающие в конкретных условиях. Успешные компании будут совмещать централизованную мощь и локальный контроль, как, например, мини-сети на зеленой энергии или «роботы по запросу» для конкретных производств.

В отличие от социальных сетей, модель Substack не основана на иерархии сверху вниз или подчинении прихотям какого-либо правителя. Вы сами устанавливаете правила той культуры, в которой хотите жить. Мы создаем систему, в которой порядок возникает не по указке, а благодаря свободному потоку информации и мыслей — где люди помогают друг другу понимать мир и чувствовать свою принадлежность к чему-то большему. Каждый Substack, формируемый своими авторами и читателями, может стать сообществом. Это модель, основанная на владении и личной ответственности, в которой отношения важнее охвата. Она способствует настоящим человеческим связям — таким, при которых за каждой идеей можно увидеть живого человека.

Главная проблема в том, что LLM не учатся со временем так, как это делает человек. Отсутствие постоянного обучения — это огромный минус. Да, начальный уровень у моделей во многих задачах может быть выше среднего человека. Но вы не можете дать модели обратную связь высокого уровня. Вы получаете то, что есть «из коробки». Можно крутить системный промпт, но на практике это не дает настоящего обучения и улучшений, которые происходят у человека. Чем полезен человек? Не только интеллектом. Главная сила — в умении накапливать контекст, анализировать свои ошибки и постепенно улучшать процесс за счет мелких корректировок.