Se AI é a nova eletricidade, quem é o Samuel Insull?

Rob May Blocked Unblock Seguir Seguindo 6 de janeiro

Nota: Isto apareceu originalmente na seção de comentários de fim de semana do meu boletim informativo InsideAI .

Andrew Ng comparou repetidamente a IA à eletricidade , posicionando a IA como uma tecnologia que estará em toda parte e em tudo. Mas se você estudar a história da adoção da eletricidade nos Estados Unidos, nem sempre está no caminho certo para a onipresença. Com toda a atenção dada a Tesla, Edison, Westinghouse e outros, o verdadeiro cérebro por trás da adoção em massa da eletricidade foi Samuel Insull .

A Insull percebeu que a eletricidade poderia estar em toda parte apenas se fosse barata, e para tanto seria necessário construir usinas de geração maiores com melhores economias de escala. Ele era um empreendedor do estilo Jeff Bezos – sempre tentando baixar os preços unitários. Isso nem sempre foi bom para os outros, mas funcionou a longo prazo. Quanto mais o preço por unidade de eletricidade caiu, mais as famílias usaram. Dessa perspectiva, o Insull foi muito bem sucedido. (Embora ele tenha acabado em algum problema por causa de problemas financeiros de holding).

Eu trago Insull porque, no momento, eu realmente não vejo a IA posicionada de uma maneira que possa espelhar o padrão de adoção de eletricidade, mesmo com as constantes comparações. No momento, o AI é muito específico da aplicação. Então, eu quero fazer a pergunta – que mudanças precisam ser feitas para tornar a IA adotada em um padrão semelhante à eletricidade, e qual pessoa (ou empresa) será o Samuel Insull?

Para realmente ser a nova eletricidade, a inteligência artificial precisa ser mais genérica. Alguém tem que criar uma maneira de fornecer inteligência como serviço. Esta não é a classificação de imagens como uma análise de serviço ou de sentimento como um serviço ou diálogo do chatbot como um serviço. Esta é a inteligência geral como um serviço. Até descobrirmos isso, não vejo como podemos paralelizar a adoção da eletricidade.

Uma vez que isso aconteça (se acontecer, e eu poderia argumentar que não, pelo menos por um longo tempo, em outro post), nós temos que pensar sobre onde as economias de escala são para inteligência, então arquiteta nossos sistemas em maneiras que tiram proveito disso. Vamos pensar no que isso pode significar.

Economias de benefícios de escala geralmente vêm de áreas com altos custos fixos que, em seguida, se espalham por lotes de unidades de algo. No caso da IA, poderíamos começar olhando para dados rotulados. Mas os dados não fornecem economias de escala. Ele age mais como uma barreira à entrada. É difícil conseguir alguns casos, mas, depois de adquirido, é muito valioso até que você atinja um ponto de diminuição de retornos marginais em seus modelos, onde mais dados não melhoram muito os modelos. Para traçar um paralelo com a eletricidade, essa pode ser a quantidade de carvão necessária para alimentar um gerador. Conseguir carvão seria útil, mas essa não é sua vantagem. Neste mundo da IA como eletricidade, não tenho certeza se os dados ainda são uma vantagem.

O próximo local a ser observado será a inferência – o ponto em que uma IA toma uma decisão. Existe um custo computacional de inferência, e reduzir esse custo permite que você faça mais e mais inferências. Acredito que a inferência é limitada pelo hardware agora, o que impulsionou meus investimentos em Mythic e Rain . A inovação em hardware da AI ajudará isso significativamente. Assim, a próxima onda que começa a nos mover para o mundo da AI como eletricidade está perdendo o custo por unidade de inferência.

O próximo lugar para cuidar disso pode ser o ato de treinar e, treinando, não me refiro a treinar uma rede neural. O modelo atual de fazer isso é muito direcionado para ser um benefício genérico, como precisamos para que a estrutura da AI como eletricidade faça sentido. Em algum momento, acho que o treinamento será um processo mais genérico, que inclui máquinas de treinamento de humanos, e o aprendizado de máquinas, reagindo a um ambiente amplo como os humanos – e não apenas aplicativos direcionados de forma restrita. Eu acho que o treinamento de base ampla é o lugar para realmente obter economias de escala – treinar uma coisa uma vez e vê-la executar esse treinamento quantas vezes o mundo precisar para todos os tipos de aplicações.

Quando chegamos nesse ponto, você pode ver como dimensionar um grande negócio de treinamento reduziria o custo por unidade de inteligência. Se você pensa em inteligência realizando “um processo inteligente”, o custo pode cair continuamente através de uma combinação de quedas de preço de inferência conduzidas por hardware e de custos fixos de treinamento orientados a software + humano sendo distribuídos por muitas unidades de inteligência.

Em seu livro “ Age of Em ”, o economista Robin Hanson apontou que, eventualmente, você poderia reduzir o custo da inteligência perto do custo da eletricidade, portanto, a velocidade e a duração na qual você deseja executar determinarão o preço que você paga, mais do que a tarefa que você está realizando.

Estamos muito longe dessa visão da inteligência como serviço, e muitos obstáculos técnicos precisam ser resolvidos antes de chegarmos lá. Mas o mundo da IA está se movimentando rapidamente e estou mantendo meu olho, como investidor, para as empresas que poderiam impulsionar essa visão do mundo. Espero investir no próximo Samuel Insull, com certeza, e ajudar a impulsionar os preços de inteligência até o ponto em que ela esteja incorporada em todos os lugares.