Accumulo di valore nello stack AI moderno

“Ci sono decenni in cui non succede nulla; e ci sono settimane in cui succedono decenni” — Lenin

Di Akash Bajwa, Dr. Andre Retterath e Laurin Class di Digital West

Negli ultimi anni, un evento sismico dopo l'altro ha suscitato una recitazione di Lenin, tanto che a un certo punto è sembrato di urlare nel vuoto, la maggior parte di noi si è desensibilizzata.

Le scoperte scientifiche, tuttavia, hanno ancora il potere di afferrarci come nient'altro. La pura euforia con cui le persone stanno reagendo agli ultimi progressi nei modelli di linguaggio di grandi dimensioni basati su trasformatori è assordante. La maggior parte dei commenti è incredula per i passi colossali che AI ​​ha compiuto quest'anno.

È difficile resistere alla sensazione di essere nei primi inning di un profondo cambiamento tecnologico, con un occhio stellato verso l'orizzonte di ciò che è possibile in futuro.

In un lasso di tempo relativamente breve, gli investitori hanno già accumulato volumi di analisi sugli antecedenti del momento attuale dell'IA. Al primo posto per gli investitori, tuttavia, c'è la questione dell'allocazione del capitale: quali componenti della "catena del valore" dell'IA sono più attraenti per le VC?

Con un mercato che si sta evolvendo a un ritmo così feroce, qualsiasi conclusione poggerà su un fondamento di ipotesi. Nonostante il potere incredibilmente accattivante dei modelli di oggi, siamo ancora agli inizi della rivoluzione . Quello che possiamo fare è simulare diverse mosse sulla scacchiera e assegnare probabilità a ciascun risultato, il che dovrebbe darci una certa previsione sui vincitori nella catena del valore dell'IA.

Lo stato di avanzamento

La ricerca sulle macchine in grado di emulare l'intelligenza umana risale agli anni '50. Molti cicli di clamore di Gartner sono seguiti e sono svaniti, ma la ricerca ha continuato a ticchettare, ad aggravarsi, con ogni successiva svolta che si aggiungeva al corpus dei predecessori.

Attraverso questi cicli, c'è stato un graduale passaggio dalle pubblicazioni accademiche e dal mondo accademico agli investimenti privati ​​da parte di organizzazioni orientate al commercio . Il decennio precedente ha visto la formazione di diversi laboratori di ricerca sia di operatori storici (ad es. Google, Meta) che di startup (ad es. OpenAI), ognuno dei quali ha mobilitato vaste risorse di elaborazione e dati per far progredire il ML; l'inflessione nei documenti di ricerca che seguirono è evidente.

Due pietre miliari rappresentano gran parte dell'inflessione che ha coinciso con l'emergere dei laboratori di ricerca. Il primo è stato nel 2012, quando Alex Krizhevsky dell'Università di Toronto ha dimostrato la superiorità delle reti neurali di deep learning rispetto ai software di riconoscimento delle immagini all'avanguardia, dopo aver addestrato il modello su GPU in grado di gestire trilioni di operazioni matematiche. Da questo punto in poi, i modelli ML hanno avuto la capacità computazionale di scalare, sfruttando le proprietà vantaggiose delle GPU come il parallelismo per eseguire attività ad alta intensità di calcolo come la moltiplicazione di matrici che sono al centro dei modelli di intelligenza artificiale. Le GPU sono un passo avanti rispetto ad altri ASIC come le TPU di Google in termini di quota di mercato (all'interno delle GPU, Nvidia detiene la quota di mercato del leone, ma ne parleremo più avanti), nonostante le TPU siano migliori per l'addestramento di molti modelli. In breve, le GPU hanno sbloccato un nuovo paradigma di capacità di calcolo.

Il secondo catalizzatore è stata la pubblicazione di un documento fondamentale nel 2017 da parte di un team di ricercatori di Google. Il documento ha delineato una nuova architettura per i modelli di deep learning che si basavano sui meccanismi di attenzione in un modo nuovo, evitando i metodi precedenti (reti ricorrenti) per fornire prestazioni superiori. I modelli basati su trasformatore si prestano al parallelismo e sono quindi in grado di trarre il massimo valore dalle GPU, richiedendo meno tempo per l'addestramento. Questi due sviluppi fondamentali sono culminati con i modelli ML basati su Transformer che da allora sono fioriti, richiedendo un calcolo significativamente maggiore per la scalabilità.

In particolare, sebbene le applicazioni iniziali di Transformers si concentrassero sull'elaborazione del linguaggio naturale, recenti documenti accademici sui trasformatori danno ampie prove di quanto sia trasformativa (scusa il gioco di parole) questa architettura attraverso diverse modalità oltre la generazione di testo.

Quando estrapoliamo la traiettoria post-Transformer delle prestazioni del modello nel futuro (senza consentire ulteriori progressi nell'elaborazione o nelle architetture del modello), non c'è da meravigliarsi che l'IA venga annunciata come il prossimo cambiamento di piattaforma dopo il personal computing, il mobile e il cloud.

La nostra percezione del progresso tecnologico è spesso troppo lineare, estrapolando in base ai tassi di crescita del passato, impedendoci di groccare il cambiamento esponenziale quando è davanti a noi.

Ciò ci porta naturalmente a sottovalutare la gamma di risultati futuri , diluendo gli scenari futuri veramente plausibili e assurdi per lo sviluppo dell'IA e il suo impatto sull'umanità.

Soppesare questi risultati rispetto alle probabilità si traduce direttamente in tesi di investimento su come si evolverà la catena del valore dell'IA, dove sarà la cattura del valore a lungo termine e, proporzionalmente, dove verranno costruite le aziende più grandi.

Infinite possibilità

Il panorama dei fornitori di intelligenza artificiale non è perfettamente conforme a un inquadramento della catena del valore, perché tutti i componenti si mescolano l'uno con l'altro a vari livelli, una dinamica che probabilmente si accentuerà ulteriormente nel tempo.

Detto questo, questa inquadratura di Evan Armstrong copre i contorni generali delle tecnologie alla base delle applicazioni odierne:

Il calcolo alimenta le società di ricerca di modelli fondamentali che addestrano i loro modelli su enormi volumi di dati , per fornire un modello di trasformatore pre-addestrato ai creatori di applicazioni. Questi costruttori di applicazioni possono scegliere di mettere a punto il modello con dati specifici del dominio per ottenere prestazioni superiori per applicazioni specifiche che fungono da punti di accesso all'intelligenza artificiale per la popolazione in generale.

Per iniziare a rispondere alla domanda sulla cattura del valore a lungo termine, dobbiamo prima determinare le condizioni in cui opereranno queste società. Una delle variabili più importanti che determinerà la propensione di qualsiasi azienda specifica ad avventurarsi a monte oa valle di se stessa nella catena del valore è il Total Addressable Market (TAM) . La cornice che possiamo usare per pensare a questo è:

1. La creazione di valore totale attribuibile all'IA è sufficientemente ampia da accogliere X categorie (a livello di infrastruttura e applicazione) e ciascuna produce X miliardi di entrate
2. Se la creazione totale di valore non è sufficiente per supportare una moltitudine di categorie, quale componente della catena del valore è meglio attrezzata per spostarsi a monte oa valle per catturare più valore

La tendenza secolare è stata abbastanza potente da produrre molti miliardi di dollari di valore aziendale, che è riuscita a sopportare le flessioni in modo più resiliente rispetto ad altre categorie di software: la maggior parte delle società di software in più rapida crescita sono società di infrastrutture cloud, che accumulano i multipli più alti.

Si potrebbe obiettare che alcune di queste categorie dovrebbero essere incluse in strati più grandi e più difendibili dello stack (e molti stanno tentando di farlo ). Ciò potrebbe benissimo accadere in futuro, ma il principio più importante è che la creazione di valore totale dai dati è stata sufficientemente abbondante da supportare la formazione di diverse categorie a livello di infrastruttura. Ogni categoria e i suoi vincitori erano in gran parte contenti di concentrarsi sulla loro proposta di valore principale senza che gli altri avessero il fiato sul collo a causa delle dimensioni del mercato limitate.

Per illustrare ulteriormente questo punto, possiamo giustapporre l'infrastruttura dei dati con l'infrastruttura fintech , in particolare l'Open Banking. La promessa di Open Banking era di abbattere i muri eretti dalle banche ai preziosi dati bancari dei clienti, sbloccando molte applicazioni come strumenti di gestione finanziaria personalizzati, valutazione del credito e decisioni e pagamenti da conto a conto. Gli attori dell'infrastruttura sono emersi per fornire l'accesso ai dati dei conti bancari tramite API pulite, in particolare Plaid negli Stati Uniti e TrueLayer in Europa. Nonostante la promessa percepita dell'open banking, la crescita dell'adozione è stata molto più lenta di quanto previsto dai professionisti del fintech, il che ha costretto molti fornitori di infrastrutture a cannibalizzare i propri clienti spostandosi a monte nelle applicazioni, in particolare i pagamenti.

I calcoli precisi delle dimensioni del mercato per l'IA sono superflui, ma un senso per la grandezza ci dà un'indicazione delle dinamiche competitive che probabilmente si svilupperanno nel tempo. Un approccio qualitativo consisterebbe nel valutare il mercato latente per le applicazioni di intelligenza artificiale generativa. I modelli di trasformatori generativi hanno ridotto a zero il costo della creazione di contenuti , proprio come Internet ha ridotto a zero il costo marginale della distribuzione. Non è un enorme sforzo discutere per un futuro in cui i prodotti abilitati all'intelligenza artificiale agiscano come un'innovazione creatrice di mercato che consentirà alle applicazioni SaaS e consumer esistenti di guidare sia la penetrazione che l'espansione del TAM (risultati più radicali come la superintelligenza artificiale o le forme di vita digitalivanno ben oltre lo scopo di questo post).

Ci sono diversi proxy di questa domanda latente. Prendi ChatGPT, un'interfaccia per GPT 3.5, che è salita a 1 milione di utenti più velocemente di alcune delle più note società di tecnologia di consumo della storia (OpenAI, una delle più grandi società di modelli di base closed-source, sta presumibilmente lanciando $ 1 miliardo di entrate nel 2024 e valutando se monetizzare ChatGPT ).

Oppure prendi HuggingFace, una libreria open source di trasformatori preaddestrati che gli sviluppatori possono mettere a punto per diverse applicazioni in produzione (ad esempio, classificazione e generazione di testi): è uno dei progetti open source in più rapida crescita nella storia.

Siamo ancora ai primi inning, ma le prime prove confermano l'idea che l'IA rappresenti davvero un cambiamento di piattaforma di portata simile a quello dei dispositivi mobili e del cloud e che su questa nuova piattaforma emergerà un universo di applicazioni.

Non sorprende, quindi, che la catena del valore dell'IA sia spesso paragonata all'infrastruttura cloud.

Il confronto è intuitivo: una concentrazione di grandi aziende che spende una percentuale significativa dei ricavi in ​​capex per alimentare un'infrastruttura vitale che consente la distribuzione delle applicazioni in modo più rapido, economico e scalabile. I fornitori di infrastrutture (AWS, GCP, Azure) sono diventati hyperscaler semplicemente concentrandosi su ciò che sanno fare meglio, lasciando che le applicazioni forniscano valore al cliente finale.

È probabile che il valore creato dall'IA sia sufficiente per sostenere molti miliardi di dollari nella creazione di valore aziendale. È la qualità delle entrate sottostanti che è più controversa.

Apparentemente le applicazioni che si basano sulle API delle aziende modello di base non hanno barriere all'ingresso. Quanto sono difendibili i loro margini e quanto può mai essere buona la conservazione? Al contrario, i modelli di base diventeranno merci con costi di commutazione minimi o nulli per le applicazioni che consumano le loro API? O ci sarà una corsa agli armamenti di capitali tra un oligopolio di società di ricerca chiuse, che sono in grado di estrarre il massimo valore dallo stack? Infine, l'intelligenza artificiale sarà mai veramente open source o le aziende chiuse svilupperanno un enorme divario che le loro controparti open source non saranno mai in grado di colmare?

La scacchiera è ben bilanciata.

Il diritto di vincere

Come abbiamo discusso, gli antecedenti della rivoluzione odierna sono elementi costitutivi impilati uno sopra l'altro: GPU che si dimostrano in grado di gestire il carico di calcolo richiesto dai modelli di intelligenza artificiale, società di modelli fondamentali che sfruttano un'architettura del trasformatore e infine applicazioni che sfruttano questi modelli più recenti, tramite API o implementazione di trasformatori open source. Questa catena implica un certo livello di dipendenza dai blocchi esistenti che sono venuti prima.

Iniziamo esaminando il livello di calcolo. Le GPU di Nvidia sono un passo avanti rispetto alla concorrenza, inclusa la concorrenza storica di Google e di startup come Cerebras, Graphcore, Groq e SambaNova. Conosciamo già la distribuzione di mercato più o meno uguale tra gli hyperscaler cloud AWS/GCP/Azure che ospitano i modelli fondamentali. Insieme a Nvidia, i principali attori a livello di elaborazione sono gli hyperscaler del cloud, che hanno tutti investito molto per mantenere le loro posizioni.

Possiamo vedere come gli hyperscaler del cloud hanno investito direttamente o collaborato con società modello fondamentali. Sebbene Nvidia non abbia intrapreso questo percorso di sviluppo aziendale, ha investito molto nella ricerca sull'intelligenza artificiale e continua a ottenere riconoscimenti per i suoi contributi all'avanguardia: una nuova generazione di GPU H100 è all'orizzonte, per integrare il già dominante V100 e Chip A100.

Esiste una sana simbiosi tra il calcolo e i livelli del modello di base. Se prendiamo ChatGPT, che ha 175 miliardi di parametri, la matematica dietro la busta suggerirebbe che OpenAI sta pagando Microsoft c. $ 100.000 al giorno per il costo del server a 8 GPU richiesto. L'innovazione a livello di silicio dell'hardware richiede " un'enfasi sul software e sulle interconnessioni " (gli sfidanti più probabili alla posizione di Nvidia sono gli stessi hyperscaler del cloud). L'innovazione nella ricerca sui modelli di base richiede l'accesso a set di dati più grandi, ulteriori iterazioni sulle architetture dei modelli di trasformatore e approcci di formazione. Queste sono corsie molto distinte e divergenti .

La maggior parte delle spese in conto capitale e della ricerca e sviluppo nella catena del valore dell'IA, tuttavia, si trova su questi due livelli, il che spiega i matrimoni che stiamo vedendo. È probabile che la dinamica tra il livello di elaborazione e il modello di base rimanga collaborativa piuttosto che competitiva.

La raison d'être delle società di ricerca sui modelli fondamentali sta producendo modelli più potenti, ma c'è una scissione tra approcci closed-source e open-source a livello di ricerca. In un mercato perfettamente efficiente, il capitale sarebbe allocato in modo sproporzionato verso società chiuse che sono maggiormente in grado di catturare valore, impedendo così ai concorrenti open source di mantenere la parità di modello? È uno scenario molto plausibile, che andrebbe contro la storia recente dell'open-sourcing di modelli di grandi dimensioni in tempi brevi.

Ciò solleva la questione se la maggior parte dei casi d'uso di produzione (applicazioni) dell'IA distribuirà modelli open source (ad esempio tramite Huggingface) o chiamerà l'API di società chiuse . L'eventuale distribuzione è una delle variabili più importanti per la nostra domanda sull'accumulo di valore a lungo termine: possiamo osservarlo meglio giustapponendo la probabile acquisizione di valore in scenari in cui OpenAI (closed-source) o Stability (open-source) accumulano un mercato significativo condividere.

Possiamo vedere chiaramente come l'obiettivo dichiarato di Stability di rimanere un attore non economico ridistribuisca il valore alle applicazioni, mentre in un mondo di modelli OpenAI onnipresenti le applicazioni catturano una frazione del valore generato.

Se ci atteniamo all'analogia delle società di ricerca del modello fondamentale che seguono la traiettoria degli hyperscaler cloud (e l'eventuale distribuzione del mercato), i prossimi anni vedranno il consolidamento solo per una manciata di giocatori. Uno scenario plausibile è quello che abbiamo già sollevato di società closed-source che si allontanano dai concorrenti open source (aiutate da capitali e volani di talento), producendo un delta perpetuo nelle prestazioni del modello rispetto ai concorrenti open source.

Alla maggior parte delle applicazioni sarebbe lasciata la netta scelta di prendere modelli open source inferiori e perfezionarli per ridurre il divario per il loro dominio, o semplicemente accettare la superiorità delle API closed-source e acconsentire al prezzo.

Ora che abbiamo già formulato alcune supposizioni sull'evoluzione della catena del valore, seguiamo questi sviluppi fino al passaggio logico successivo e discutiamo del livello dell'applicazione o dell'endpoint e di come è probabile che vada.

Le aziende che costruiscono a livello di applicazione sono le aziende nella posizione migliore per democratizzare veramente l'accesso all'intelligenza artificiale per le masse : un esempio illustrativo è Jasper per i professionisti del marketing. Jasper ha estratto l'API GPT-3 in un'interfaccia utente che rende la potenza del modello accessibile ai copywriter. Molti hanno coperto le leve responsabili della crescita fenomenale di Jasper, avendo raggiunto 70.000 utenti e generando entrate per 75 milioni di dollari entro 18 mesi dal lancio, al livello delle aziende SaaS in più rapida crescita nella storia.

Alcuni dei driver alla base del successo di Jasper nella produzione di GPT-3 sono: integrazioni su misura per casi d'uso per copywriter, promozione di una fiorente comunità che condivide best practice e modelli, inchiodamento dell'onboarding per massimizzare il Time To Value e adozione di un approccio headless per facilitare la distribuzione . Il CEO di Jasper riassume al meglio la filosofia guida delle aziende a livello di applicazione:

Il programma AI Grant , finanziato da Nat Friedman (ex CEO di Github) e Daniel Gross (in precedenza gestiva progetti ML presso Apple, ha avviato il programma AI di YC), ha forse l'articolazione più nitida:

Alcune persone pensano che il modello sia il prodotto. Non è. È una tecnologia abilitante che consente di costruire nuovi prodotti. I prodotti rivoluzionari saranno nativi dell'IA, costruiti su questi modelli fin dal primo giorno, da imprenditori che comprendono sia cosa possono fare i modelli, sia ciò che le persone vogliono effettivamente utilizzare.

L' universo delle applicazioni è vasto e si estende tra modalità generative (es. video, immagine, codice) e casi d'uso (es. copywriter, editing video). Man mano che molte di queste applicazioni raggiungono la scala, lo spettro di modelli fondamentali che si spostano a monte incombe. Man mano che il livello del modello di base si consolida, quali sono gli ostacoli che impediscono loro di acquisire il valore a livello di prodotto ? C'è un argomento da sostenere che ChatGPT già ovvia in una certa misura al prodotto principale di Jasper. È plausibile che l'ipercrescita delle applicazioni stia mascherando la ritenzione che perde. I margini di Jasper sono stimati al 60% , ma questo è certamente nella fascia alta per le aziende a livello di applicazione.

Sulla scacchiera, è più probabile che il modello di base e i livelli applicativi diventino conflittuali quando si tratta di acquisire valore nel lungo periodo (anche se è probabile che il TAM attribuibile all'IA sostenga una sana simbiosi nel frattempo). Le aziende modello di base, avendo speso investimenti così significativi per migliorare i propri modelli, sosterrebbero di essere in una posizione migliore per spostarsi a monte rispetto alle applicazioni che effettuano l'internalizzazione dei modelli e raggiungere ovunque vicino alla parità di prestazioni.

Diverse società di livello applicativo hanno già tentato di possedere i propri modelli . RunwayML ha attirato l'attenzione sul loro posizionamento come azienda AI full stack nel loro round di finanziamento più recente (il co-fondatore di RunwayML è stato un contributore chiave ai modelli di Stability.ai) e Descript ha acquisito Lyrebird per diventare la loro divisione di ricerca AI , a partire dal loro Text prodotto vocale, Overdub.

Al contrario, ci sono anche esempi esistenti di società di ricerca di modelli fondamentali che forniscono gli strumenti per implementare i loro modelli - prendi Aleph Alpha*. Aleph Alpha sta costruendo un'alternativa europea a OpenAI, ospitando i suoi modelli nel più potente data center commerciale di intelligenza artificiale in Europa e concentrandosi sulle lingue europee (tra cui l'inglese ovviamente): i vantaggi in termini di sicurezza sono fondamentali per i verticali sensibili come i governi. Aleph Alpha sfrutta anche approcci di formazione più efficienti per ottenere prestazioni all'avanguardia con meno del 50% delle dimensioni del modello. Ancora più importante, Aleph Alpha fornisce strumenti in cima ai loro modelli di base che supportano la consegna dei loro modelli . In tal modo, Aleph Alpha fornisce un prodotto full stack con un approccio di vendita aziendale dall'alto verso il basso.

Andare full-stack da entrambi gli approcci ha un grosso ostacolo: il talento.

Non è il talento ML il collo di bottiglia: la tendenza dei laureati in Informatica a concentrarsi sull'intelligenza artificiale è incoraggiante.

Il collo di bottiglia del talento è all'incrocio tra ricerca e prodotto .

"Ci vorranno persone creative con nuova intelligenza per costruire con successo attorno al ML, e la sovrapposizione tra grandi persone di prodotto e coloro che capiscono il ML è oggi piccola"

Costruire applicazioni SaaS di livello consumer per produrre AI richiede un pool di talenti diverso da quello che sta spingendo le frontiere a livello di modello fondamentale, come ha osservato Elad Gil :

Man mano che passiamo dall'era dei soli grandi modelli all'era di più ingegneria e applicazioni, l'altro spostamento nel segmento di mercato riguarderà i dottorati di ricerca e gli scienziati ai costruttori di prodotti, interfacce utente, vendite e app. Aspettatevi un afflusso di fondatori incentrati su prodotti/app/interfaccia utente in quest'area nei prossimi anni.

I team vincenti a livello del modello di base e delle applicazioni sono fondamentalmente diversi. Le aziende modello di base eccellono assumendo i migliori ricercatori ML, mentre le aziende a livello di applicazione sono nella posizione migliore per diventare piattaforme/sistemi di record reclutando i migliori talenti di prodotto ed esecuzione.

C'è un altro elemento nella battaglia tra il modello di base e il livello dell'applicazione: gli operatori storici. La simulazione più favorevole del futuro per le applicazioni è quella in cui i modelli diventano mercificati (possibile ma improbabile se assumiamo che il capitale sia concentrato attorno a poche società closed-source) e le applicazioni non hanno costi di passaggio tra diversi fornitori di modelli. Se seguiamo questa linea di pensiero, la domanda che ci viene subito in mente è: le aziende SaaS storiche non includeranno l'intelligenza artificiale nel loro set di prodotti ?

Ad esempio, Copy.ai spera di fare affidamento sul suo strumento di copywriting assistito dall'intelligenza artificiale come un cuneo nelle aziende, integrandosi infine negli stack software esistenti dei propri clienti per automatizzare il marketing di crescita, possibilmente soppiantando Hubspot. Un playbook simile è al lavoro per la maggior parte delle applicazioni, utilizzando l'IA come cuneo per costruire infine una piattaforma o un sistema di registrazione (supponendo che l'IA sia mercificata). In uno scenario del genere, le applicazioni native dell'IA non saranno isolate dalla minaccia di strumenti storici come Notion, Figma, Hubspot e Slack, che hanno già la distribuzione, dall'integrazione dell'IA nel loro set di prodotti.

Esistono alcuni vettori plausibili di difendibilità per le applicazioni, come la verticalizzazione e i relativi flussi di lavoro, la messa a punto dei dati proprietari dei modelli (dati di utilizzo o privati ​​raccolti da una rete, ad esempio l'assistenza sanitaria) e comunità/GTM. Anche così, con le minacce dal livello del modello e dalle aziende SaaS storiche, il percorso per le aziende di applicazioni native dell'IA per scalare e ottenere margini, economia unitaria e fidelizzazione sani è il più irto di minacce.

Parole finali

Stiamo assistendo a un cambiamento di piattaforma che avrà implicazioni di vasta portata per i lavoratori della conoscenza e l'economia globale. Ci sono troppe parti in movimento per avere una solida comprensione di come la tecnologia e la sua catena del valore si evolveranno. Possiamo solo presentare scenari futuri plausibili e interpolare i probabili vincitori nella catena del valore sulla base di diverse simulazioni.

La flessibilità mentale è fondamentale. In Earlybird, cerchiamo di testare le nostre ipotesi in ogni occasione.

A tal fine, non vediamo l'ora di un sano dibattito e discussione con fondatori, investitori e altri contributori all'ecosistema AI in Europa.

Non esitate a contattarci e condividere i vostri pensieri: [email protected] , [email protected] , [email protected]

* Aleph Alpha è una società di portafoglio Earlybird

Ulteriori letture

• 6 nuove teorie sull'intelligenza artificiale
• Rivoluzione AI: trasformatori e modelli di linguaggio di grandi dimensioni
• AI - L'esplosione
• Modelli di base: il futuro non sta accadendo abbastanza velocemente: strumenti migliori lo faranno accadere più velocemente
• Il modello Age of Open Foundation
• L'ascesa dell'Impero di Jasper
• Panoramica e applicazioni dei modelli linguistici di grandi dimensioni (LLM)
• 4 domande sull'intelligenza artificiale
• Se non sei il primo, sei l'ultimo: come l'IA diventa mission-critical