Αυτή την εβδομάδα στο AI: Ο Mistral και ο αγώνας της ΕΕ για την κυριαρχία της τεχνητής νοημοσύνης

Το να συμβαδίζεις με έναν κλάδο τόσο γρήγορο όσο η τεχνητή νοημοσύνη είναι μια μεγάλη παραγγελία. Έτσι, έως ότου μια τεχνητή νοημοσύνη μπορεί να το κάνει για εσάς, ακολουθεί μια χρήσιμη συλλογή από πρόσφατες ιστορίες στον κόσμο της μηχανικής μάθησης, μαζί με αξιοσημείωτες έρευνες και πειράματα που δεν καλύψαμε από μόνα τους.

Αυτή την εβδομάδα, η Google πλημμύρισε τα κανάλια με ανακοινώσεις γύρω από το Gemini, το νέο της ναυαρχίδα πολυτροπικό μοντέλο AI. Αποδεικνύεται ότι δεν είναι τόσο εντυπωσιακό όσο αρχικά είχε αποδείξει η εταιρεία – ή, μάλλον, η “lite” έκδοση του μοντέλου (Gemini Pro) που κυκλοφόρησε η Google αυτή την εβδομάδα δεν είναι. (Δεν βοηθάει το γεγονός ότι η Google προσποιήθηκε μια επίδειξη προϊόντος.) Θα επιφυλάξουμε την κρίση για το Gemini Ultra, την πλήρη έκδοση του μοντέλου, έως ότου αρχίσει να εισχωρεί σε διάφορες εφαρμογές και υπηρεσίες της Google στις αρχές του επόμενου έτους.

Αλλά αρκετά για τα chatbots. Αυτό που είναι μεγαλύτερο, θα έλεγα, είναι ένας γύρος χρηματοδότησης που μόλις στριμώχτηκε στην εβδομάδα εργασίας:

Mistral AI

αντλώντας 450 εκατομμύρια ευρώ (~ 484 εκατομμύρια δολάρια) σε αποτίμηση 2 δισεκατομμυρίων δολαρίων.

Έχουμε καλύψει το Mistral στο παρελθόν. Τον Σεπτέμβριο, η εταιρεία, που ιδρύθηκε από κοινού από τους αποφοίτους της Google DeepMind και της Meta, κυκλοφόρησε το πρώτο της μοντέλο, το Mistral 7B, το οποίο υποστήριξε εκείνη την εποχή ξεπερνούσε τα άλλα στο μέγεθός του. Η Mistral έκλεισε έναν από τους μεγαλύτερους γύρους εκκίνησης της

Ευρώπη

ς μέχρι σήμερα πριν από τον έρανο της Παρασκευής — και δεν έχει καν κυκλοφορήσει ακόμη ένα προϊόν.

Τώρα, ο συνάδελφός μου Dominic σωστά επεσήμανε ότι οι περιουσίες του Mistral με έδρα το Παρίσι αποτελούν κόκκινη σημαία για πολλούς που ανησυχούν για την ένταξη. Οι συνιδρυτές της startup είναι όλοι λευκοί και άντρες και ταιριάζουν ακαδημαϊκά στο ομοιογενές, προνομιακό προφίλ πολλών από τους The New York Times

επικρίθηκε σφοδρά


λίστα

των αλλαγών τεχνητής νοημοσύνης.

Ταυτόχρονα, οι επενδυτές φαίνεται να βλέπουν το Mistral – καθώς και τον κάποτε αντίπαλό του, το γερμανικό Aleph Alpha – ως την ευκαιρία της Ευρώπης να τοποθετήσει τη σημαία της στο πολύ εύφορο (προς το παρόν) έδαφος παραγωγής τεχνητής νοημοσύνης.

Μέχρι στιγμής, τα μεγαλύτερα και καλύτερα χρηματοδοτούμενα εγχειρήματα παραγωγής τεχνητής νοημοσύνης ήταν κρατικά. OpenAI. Ανθρωπικό. Inflection AI. Διατηρώ συνέπεια. Η λίστα συνεχίζεται.

Η καλή τύχη του Mistral είναι από πολλές απόψεις μια μικρογραφία του αγώνα για την κυριαρχία της τεχνητής νοημοσύνης. Η Ευρωπαϊκή Ένωση (ΕΕ) επιθυμεί να αποφύγει να μείνει πίσω σε ένα ακόμη τεχνολογικό άλμα, ενώ ταυτόχρονα επιβάλλει κανονισμούς που θα καθοδηγούν την ανάπτυξη της τεχνολογίας. Όπως ήταν πρόσφατα ο αντικαγκελάριος της Γερμανίας και υπουργός Οικονομικών Ρόμπερτ Χάμπεκ

παρατίθεται

όπως είπε: «Η σκέψη να έχουμε τη δική μας κυριαρχία στον τομέα της τεχνητής νοημοσύνης είναι εξαιρετικά σημαντική. [But] αν η Ευρώπη έχει τον καλύτερο κανονισμό αλλά όχι ευρωπαϊκές εταιρείες, δεν έχουμε κερδίσει πολλά».

Το χάσμα επιχειρηματικότητας-ρύθμισης ήρθε σε έντονη ανακούφιση αυτή την εβδομάδα καθώς οι νομοθέτες της ΕΕ προσπάθησαν να καταλήξουν σε συμφωνία σχετικά με πολιτικές περιορισμού του κινδύνου των συστημάτων τεχνητής νοημοσύνης. Οι λομπίστες, με επικεφαλής τη Mistral, πίεσαν τους τελευταίους μήνες για μια συνολική ρυθμιστική χάραξη για τα γενετικά μοντέλα τεχνητής νοημοσύνης. Αλλά οι νομοθέτες της ΕΕ έχουν αντισταθεί σε μια τέτοια εξαίρεση — προς το παρόν.

Πολλά ιππεύουν το Mistral και τους Ευρωπαίους ανταγωνιστές του, όλα αυτά λέγονται. Οι παρατηρητές του κλάδου — και οι νομοθέτες της πολιτείας — αναμφίβολα θα παρακολουθήσουν στενά τον αντίκτυπο στις

επενδύσεις

μόλις οι υπεύθυνοι χάραξης

πολιτική

ς της ΕΕ επιβάλουν νέους περιορισμούς στην τεχνητή νοημοσύνη. Θα μπορούσε το Mistral κάποια μέρα να αναπτυχθεί για να αμφισβητήσει το OpenAI με τους ισχύοντες κανονισμούς; Ή μήπως οι κανονισμοί θα έχουν ανατριχιαστικό αποτέλεσμα; Είναι πολύ νωρίς για να πούμε — αλλά ανυπομονούμε να δούμε τον εαυτό μας.

Ακολουθούν μερικές άλλες αξιοσημείωτες ιστορίες AI από τις τελευταίες ημέρες:

• 
  Μια νέα συμμαχία AI:
  
  Meta, σε ανοιχτό
  
  
  πηγή
  
  
  σχίσιμο
  
  θέλει να εξαπλώσει την επιρροή της στη συνεχιζόμενη μάχη για την κοινή χρήση της τεχνητής νοημοσύνης.
  
  
  Το κοινωνικό δίκτυο ανακοίνωσε ότι συνεργάζεται με την IBM για να ξεκινήσει την AI Alliance, έναν βιομηχανικό φορέα για την υποστήριξη της «ανοιχτής καινοτομίας» και της «ανοιχτής επιστήμης» στην τεχνητή νοημοσύνη — αλλά τα απώτερα κίνητρα αφθονούν.
  
• 
  Το OpenAI στρέφεται στην Ινδία:
  
  Ο Ivan και ο Jagmeet αναφέρουν ότι το OpenAI συνεργάζεται με τον πρώην επικεφαλής του Twitter στην Ινδία Rishi Jaitly ως ανώτερο σύμβουλο για να διευκολύνει τις συνομιλίες με την κυβέρνηση σχετικά με την πολιτική AI. Το OpenAI επιδιώκει επίσης να δημιουργήσει μια τοπική ομάδα στην Ινδία, με την Jaitly να βοηθά την startup AI να περιηγηθεί στην ινδική πολιτική και ρυθμιστικό τοπίο.
• 
  Η Google λανσάρει τη λήψη σημειώσεων με τη βοήθεια AI:
  
  Η εφαρμογή λήψης σημειώσεων με τεχνητή νοημοσύνη της Google, NotebookLM, η οποία ανακοινώθηκε νωρίτερα φέτος, είναι πλέον διαθέσιμη σε χρήστες από τις ΗΠΑ 18 ετών και άνω. Για να σηματοδοτήσει την κυκλοφορία, η πειραματική εφαρμογή ενσωματώθηκε με το Gemini Pro, το νέο μοντέλο μεγάλης γλώσσας της Google, το οποίο η Google λέει ότι «θα βοηθήσει στην κατανόηση και τη λογική των εγγράφων».
• 
  Το OpenAI υπό ρυθμιστικό έλεγχο
  
  : Η φιλική σχέση μεταξύ της OpenAI και της Microsoft, ενός σημαντικού υποστηρικτή και συνεργάτη, βρίσκεται τώρα στο επίκεντρο μιας νέας έρευνας που ξεκίνησε από την Αρχή Ανταγωνισμού και Αγορών στο Ηνωμένο Βασίλειο σχετικά με το εάν οι δύο εταιρείες βρίσκονται ουσιαστικά σε μια «σχετική κατάσταση συγχώνευσης» μετά από πρόσφατο δράμα . Η FTC φέρεται επίσης να εξετάζει τις επενδύσεις της Microsoft στο OpenAI σε μια συντονισμένη προσπάθεια που φαίνεται να είναι.
• 
  Ρωτώντας εύστοχα την τεχνητή νοημοσύνη:
  
  Πώς μπορείτε να μειώσετε τις μεροληψίες εάν ενσωματωθούν σε ένα μοντέλο AI από προκαταλήψεις στα δεδομένα
  
  εκπαίδευση
  
  ς του; Το Anthropic προτείνει να το ζητήσετε ευγενικά για να ευχαριστήσετε, παρακαλώ μην κάνετε διακρίσεις
  
  ή κάποιος θα μας κάνει μήνυση. Ναι αλήθεια. Ο Ντέβιν έχει την πλήρη ιστορία.
  
• 
  Η Meta παρουσιάζει χαρακτηριστικά AI:
  
  Μαζί με άλλες ενημερώσεις που σχετίζονται με την τεχνητή νοημοσύνη αυτή την εβδομάδα, το Meta AI, η παραγωγική εμπειρία τεχνητής νοημοσύνης της Meta, απέκτησε νέες δυνατότητες, συμπεριλαμβανομένης της δυνατότητας δημιουργίας εικόνων όταν σας ζητηθεί, καθώς και υποστήριξης για το Instagram Reels. Η πρώτη λειτουργία, που ονομάζεται “reimagine”, επιτρέπει στους χρήστες σε ομαδικές συνομιλίες να αναδημιουργούν εικόνες τεχνητής νοημοσύνης με προτροπές, ενώ η δεύτερη μπορεί να στραφεί στο Reels ως πόρο, όπως απαιτείται.
• 
  Ο εισηγητής λαμβάνει μετρητά:
  
  Η ουκρανική startup συνθετικής φωνής Respeecher – η οποία είναι ίσως περισσότερο γνωστή για το ότι επιλέχθηκε να αντιγράψει τον James Earl Jones και την εμβληματική φωνή του Darth Vader για μια σειρά κινουμένων σχεδίων του Star Wars και αργότερα ένας νεότερος Luke Skywalker για το Mandalorian – βρίσκει επιτυχία παρά το γεγονός ότι δεν πέφτουν μόνο βόμβες κάτω από την πόλη τους, αλλά ένα κύμα διαφημιστικής εκστρατείας που έχει ξεσηκώσει μερικές φορές αμφιλεγόμενους ανταγωνιστές, γράφει ο Devin.
• 
  Υγρά νευρωνικά δίκτυα:
  
  Ένα spinoff του MIT που συνιδρύθηκε από τη ρομποτική φωστήρα Daniela Rus
  
  στοχεύει στην κατασκευή συστημάτων τεχνητής νοημοσύνης γενικής χρήσης που τροφοδοτούνται από έναν σχετικά νέο τύπο μοντέλου τεχνητής νοημοσύνης που ονομάζεται υγρό νευρωνικό δίκτυο. Με την ονομασία Liquid AI, η εταιρεία συγκέντρωσε 37,5 εκατομμύρια δολάρια αυτή την εβδομάδα σε πρώτο γύρο από υποστηρικτές, συμπεριλαμβανομένης της μητρικής εταιρείας WordPress, Automattic.
  

Περισσότερες μηχανικές εκμάθηση

Οι τροχιακές εικόνες είναι μια εξαιρετική παιδική χαρά για μοντέλα μηχανικής μάθησης, καθώς αυτές τις μέρες οι δορυφόροι παράγουν περισσότερα δεδομένα από αυτά που μπορούν να παρακολουθήσουν οι ειδικοί. Οι ερευνητές του EPFL εξετάζουν

καλύτερη αναγνώριση του πλαστικού που μεταφέρεται στον ωκεανό

, ένα τεράστιο πρόβλημα αλλά πολύ δύσκολο να εντοπιστεί συστηματικά. Η προσέγγισή τους δεν είναι συγκλονιστική – εκπαιδεύστε ένα μοντέλο σε ετικέτες τροχιακών εικόνων – αλλά έχουν βελτιώσει την τεχνική έτσι ώστε το σύστημά τους να είναι πολύ πιο ακριβές, ακόμη και όταν υπάρχει νεφοκάλυψη.

Η εύρεση του είναι μόνο μέρος της πρόκλησης, φυσικά, και η αφαίρεσή του είναι άλλη, αλλά όσο καλύτερη νοημοσύνη έχουν οι άνθρωποι και οι οργανισμοί όταν εκτελούν την πραγματική εργασία, τόσο πιο αποτελεσματικοί θα είναι.

Ωστόσο, δεν έχει κάθε τομέας τόση εικόνα. Ειδικά οι βιολόγοι αντιμετωπίζουν μια πρόκληση στη μελέτη ζώων που δεν είναι επαρκώς τεκμηριωμένα. Για παράδειγμα, μπορεί να θέλουν να παρακολουθούν τις κινήσεις ενός συγκεκριμένου σπάνιου τύπου εντόμου, αλλά λόγω έλλειψης εικόνων αυτού του εντόμου, η αυτοματοποίηση της διαδικασίας είναι δύσκολη.

Μια ομάδα στο Imperial College του Λονδίνου

βάζει τη μηχανική εκμάθηση να δουλέψει σε αυτό σε συνεργασία με την πλατφόρμα ανάπτυξης παιχνιδιών Unreal.

Συντελεστές εικόνας:

Imperial College του Λονδίνου

Δημιουργώντας φωτορεαλιστικές σκηνές στο Unreal και συμπληρώνοντάς τες με τρισδιάστατα μοντέλα του εν λόγω πλάσματος, είτε πρόκειται για μυρμήγκι, ραβδί έντομο ή κάτι μεγαλύτερο, μπορούν να δημιουργήσουν αυθαίρετες ποσότητες δεδομένων εκπαίδευσης για μοντέλα μηχανικής εκμάθησης. Αν και το σύστημα υπολογιστικής όρασης θα έχει εκπαιδευτεί σε συνθετικά δεδομένα, μπορεί να είναι πολύ αποτελεσματικό σε πραγματικό υλικό, καθώς

βίντεο

δείχνει.

Μπορείτε να διαβάσετε την εργασία τους στο Nature Communications

.

Ωστόσο, δεν είναι όλες οι παραγόμενες εικόνες τόσο αξιόπιστες,

όπως διαπίστωσαν ερευνητές του Πανεπιστημίου της Ουάσιγκτον.

Προέτρεψαν συστηματικά τη γεννήτρια εικόνων ανοιχτού κώδικα

Stable

Diffusion 2.1 να παράγει εικόνες ενός «ατόμου» με διάφορους περιορισμούς ή τοποθεσίες. Έδειξαν ότι ο όρος «πρόσωπο» συνδέεται δυσανάλογα με ανοιχτόχρωμους, δυτικούς άνδρες.

Όχι μόνο αυτό, αλλά ορισμένες τοποθεσίες και εθνικότητες παρήγαγαν ανησυχητικά μοτίβα, όπως σεξουαλικές εικόνες γυναικών από χώρες της Λατινικής Αμερικής και «μια σχεδόν πλήρη διαγραφή μη δυαδικών και ιθαγενών ταυτοτήτων». Για παράδειγμα, το να ζητάς φωτογραφίες «ένα άτομο από την Ωκεανία» παράγει λευκούς άνδρες και όχι ιθαγενείς, παρόλο που οι τελευταίοι είναι πολυάριθμοι στην περιοχή (για να μην αναφέρουμε όλους τους άλλους μη λευκούς). Όλα είναι ένα έργο σε εξέλιξη και η επίγνωση των προκαταλήψεων που ενυπάρχουν στα δεδομένα είναι σημαντική.

Το να μάθουν πώς να πλοηγούνται σε ένα προκατειλημμένο και αμφισβητήσιμα χρήσιμο μοντέλο είναι στο μυαλό πολλών ακαδημαϊκών — και εκείνων των μαθητών τους.

Αυτή η ενδιαφέρουσα συνομιλία με τον καθηγητή Αγγλικών του Yale, Ben Glaser

είναι μια αναζωογονητικά αισιόδοξη άποψη για το πώς πράγματα όπως το ChatGPT μπορούν να χρησιμοποιηθούν εποικοδομητικά:

Όταν μιλάτε σε ένα chatbot, λαμβάνετε αυτή τη θολή, παράξενη εικόνα του πολιτισμού. Μπορεί να λάβετε αντίστιξη στις ιδέες σας και, στη συνέχεια, πρέπει να αξιολογήσετε εάν αυτές οι αντίστιχοι ή τα υποστηρικτικά στοιχεία για τις ιδέες σας είναι πραγματικά καλά. Και υπάρχει ένα είδος αλφαβητισμού στην ανάγνωση αυτών των αποτελεσμάτων. Οι μαθητές αυτής της τάξης αποκτούν μέρος αυτής της παιδείας.

Εάν αναφέρονται όλα και αναπτύσσετε μια δημιουργική δουλειά μέσω κάποιας περίπλοκης προσπάθειας εμπρός και πίσω ή προγραμματισμού, συμπεριλαμβανομένων αυτών των εργαλείων, απλώς κάνετε κάτι άγριο και ενδιαφέρον.

Και πότε πρέπει να τους εμπιστεύονται, ας πούμε, ένα νοσοκομείο; Η ακτινολογία είναι ένας τομέας όπου η τεχνητή νοημοσύνη εφαρμόζεται συχνά για να βοηθήσει στον γρήγορο εντοπισμό προβλημάτων στις σαρώσεις του σώματος, αλλά απέχει πολύ από το αλάνθαστο. Πώς πρέπει λοιπόν οι γιατροί να γνωρίζουν πότε να εμπιστεύονται το μοντέλο και πότε όχι;

Το MIT φαίνεται να πιστεύει ότι μπορεί να αυτοματοποιήσει και αυτό το τμήμα

— αλλά μην ανησυχείτε, δεν είναι άλλο ένα AI. Αντίθετα, είναι μια τυπική, αυτοματοποιημένη διαδικασία ενσωμάτωσης που βοηθά στον προσδιορισμό του πότε ένας συγκεκριμένος γιατρός ή εργασία βρίσκει χρήσιμο ένα εργαλείο τεχνητής νοημοσύνης και πότε παρεμποδίζει.

Όλο και περισσότερο, τα μοντέλα τεχνητής νοημοσύνης καλούνται να παράγουν περισσότερα από κείμενο και εικόνες. Τα υλικά είναι ένα μέρος όπου έχουμε δει πολλή κίνηση – τα μοντέλα είναι εξαιρετικά στο να βρουν πιθανούς υποψήφιους για καλύτερους καταλύτες, αλυσίδες πολυμερών κ.λπ. Οι νεοφυείς επιχειρήσεις μπαίνουν σε αυτό, αλλά

Η Microsoft μόλις κυκλοφόρησε επίσης ένα μοντέλο που ονομάζεται MatterGen

που είναι «ειδικά σχεδιασμένο για τη δημιουργία νέων, σταθερών υλικών».

Συντελεστές εικόνας:

Microsoft

Όπως μπορείτε να δείτε στην παραπάνω εικόνα, μπορείτε να στοχεύσετε πολλές διαφορετικές ποιότητες, από μαγνητισμό έως αντιδραστικότητα και μέγεθος. Δεν χρειάζεται ένα ατύχημα που μοιάζει με Flubber ή χιλιάδες εργαστηριακές διαδρομές — αυτό το μοντέλο θα μπορούσε να σας βοηθήσει να βρείτε ένα κατάλληλο υλικό για ένα πείραμα ή ένα προϊόν σε ώρες και όχι σε μήνες.

Το Google DeepMind και το Berkeley Lab εργάζονται επίσης σε αυτό το είδος

. Γρήγορα γίνεται συνήθης πρακτική στη βιομηχανία υλικών.