🎙️ ElevenLabs-ის შეფასებამ 11 მილიარდ დოლარს მიაღწია ახალი 500 მილიონი დოლარის ინვესტიციის რაუნდის შემდეგ ↗
ElevenLabs ახლახან გადავიდა „საქმე სერიოზულად იქცევა“-ს დონეზე - 500 მილიონი დოლარი მოიზიდა, 11 მილიარდი დოლარის შეფასებით. ეს მკვეთრი ნახტომია მის ბოლო საჯაროდ განხილულ მაჩვენებელთან შედარებით და ხაზს უსვამს, თუ რამდენად აღიქვამენ ინვესტორები ხელოვნური ინტელექტის ხმას პლატფორმად და არა სალონურ ხრიკად.
შინაარსი: უფრო რეალისტური მეტყველება, მეტი ენა, უფრო „ემოციური“ სასაუბრო ხმა და მეტი დუბლირება - ძირითადად, მიზანია მედიისა და აგენტის სამუშაო პროცესების ტონალობის ქვეშ მოქცევა... უკეთესობისკენ თუ უარესობისკენ.
🧠 Cerebras-მა ხელოვნური ინტელექტის ჩიპების რბოლაში 1 მილიარდი დოლარით მეტი და 23.1 მილიარდი დოლარის შეფასება მოიპოვა ↗
Cerebras-მა გვიანი ეტაპის დაფინანსებიდან 1 მილიარდი დოლარი მოიზიდა და შეფასება საკმაოდ ხმამაღალია: 23.1 მილიარდი დოლარი. თუ თვეების განმავლობაში გსმენიათ ფრაზა „Nvidia ერთადერთი გამოსავალი არ შეიძლება იყოს“, ჩეკის სახით ეს ასე ჟღერს.
ისინი ფსონს დებენ, რომ ვაფლის მასშტაბის აპარატურა - გიგანტური ჩიპები ტრენინგისა და დასკვნებისთვის - შეძლებს მდგრადი მოთხოვნის შენარჩუნებას, რადგან ყველა გამოთვლითი ტექნოლოგიების მოძიებას ცდილობს. ეს ნაწილობრივ დივერსიფიკაციაა, ნაწილობრივ სასოწარკვეთა და ნაწილობრივ „გთხოვთ, ნუ მისცემთ GPU-ს მიწოდებას უფლებას, რომ მთელი ჩემი გეგმა განსაზღვროს“ - ყველაფერი ერთდროულად.
💸 Alphabet-ის ხელოვნური ინტელექტის კაპიტალური ხარჯების გეგმები თვალისმომჭრელია - და პრობლემა მხოლოდ ფული არ არის ↗
Alphabet-მა წარმოადგინა ინფრასტრუქტურული ხარჯების გეგმები, რომლებიც... საკმაოდ აბსურდულია თავისი ზომით. განწყობა ასეთია: განაგრძეთ ბეტონის დასხმა, განაგრძეთ ჩიპების შეძენა, განაგრძეთ მონაცემთა ცენტრების გაფართოება - რადგან ხელოვნური ინტელექტი არ მუშაობს ვიბრატორებზე, ის მუშაობს ენერგიასა და სილიკონზე.
არის რაღაც ოდნავ დამამშვიდებელი და ამავდროულად საგანგაშო: ასეთი ბიუჯეტის პირობებშიც კი, მიწოდების შეზღუდვები მაინც მნიშვნელოვანია. ფული, რა თქმა უნდა, მნიშვნელოვანია, მაგრამ ტრანსფორმატორების, ქსელის სიმძლავრის ან ათასი ახალი მონაცემთა ცენტრის აშენება ჰაერიდან მყისიერად შეუძლებელია.
🎓 სარა ჰუკერის Adaption Labs-მა 50 მილიონი დოლარის ინვესტიცია მიიღო „სწრაფი სწავლის“ მოდელების შესაქმნელად ↗
Adaption Labs-მა 50 მილიონი დოლარის სათესლე რაუნდი წამოიწყო, იმ იდეით, რომ მცირე, უფრო ჭკვიანი მოდელები, რომლებიც სწრაფად ადაპტირდებიან, შესაძლოა რეალურ სამყაროში მასშტაბურ შედეგებს აღწევდნენ.
მთავარი ფსონი მკვეთრია: უბრალოდ დიდი წინასწარი ტრენინგის ნაცვლად, ყურადღება გაამახვილეთ სისტემებზე, რომლებიც ეფექტურად სწავლობენ. ეს ან შემდეგი გონივრული ფაზაა... ან GPU-ს შეიარაღების რბოლის გვერდის ავლის მამაცი მცდელობა, თქვენი განწყობიდან გამომდინარე.
🧾 Microsoft-ის OpenAI-თან დაკავშირებული გარიგება ინვესტორებისთვის რისკის შემცველ ისტორიად იქცევა ↗
Bloomberg-ის მოსაზრება: ინვესტორები Microsoft-ისა და OpenAI-ის ურთიერთობის წარმოჩენას ნაკლებად, როგორც გარანტირებულ ჯეკპოტს და უფრო მეტად, როგორც რისკის ზედაპირს - ხარჯების, ვალდებულებების, მმართველობის, მთელი ჩახლართული რგოლის - სახით იწყებენ.
ეს ზუსტად „პარტნიორობა ცუდია“ არ არის - უფრო მეტად იმას ვგულისხმობ, რომ როდესაც ხარჯები საკმარისად დიდი ხდება, სტრატეგიული უპირატესობაც კი შეიძლება ვალდებულებად აღიქმებოდეს. დაახლოებით იგივეა, რაც დოღის ცხენის ყოლა, რომელიც გამუდმებით იმარჯვებს... და ამავდროულად შენს სახლს ჭამს.
📜 ევროკავშირის ხელოვნური ინტელექტის აქტის იმპულსი - ხელოვნური ინტელექტის მიერ გენერირებული კონტენტის ზედაპირებისთვის გამჭვირვალობის კოდექსის პროექტი ↗
ხელოვნური ინტელექტის მიერ გენერირებული ან მანიპულირებული კონტენტის გამჭვირვალობის შესახებ პრაქტიკის კოდექსის პროექტი ვრცელდება, რომელიც დაკავშირებულია იმასთან, თუ როგორ უნდა მოხდეს ხელოვნური ინტელექტის მიერ გამომავალი კონტენტის იარლიყება და დამუშავება. ეს არ არის ყველაზე მომხიბვლელი სათაური, მაგრამ ეს არის ერთგვარი „დოკუმენტაციის ფენა“, რომელიც საბოლოოდ სწრაფად განსაზღვრავს პროდუქტის შესახებ გადაწყვეტილებებს.
თუ გენერაციულ ელემენტებს აწყობთ ან განათავსებთ, ეს უფრო მეტი წყლის ნიშნის/ეტიკეტირების დისციპლინისკენ გიბიძგებთ - და ალბათ უფრო მეტი აუდიტისა და დოკუმენტაციისკენ, ვიდრე ვინმეს სურს პარასკევს. (მაგრამ... კი, ეს მოხდება.)
ხშირად დასმული კითხვები
რას ამბობს ElevenLabs-ის 11 მილიარდი დოლარის შეფასება იმის შესახებ, თუ სად მიდის ხელოვნური ინტელექტის ხმა?
ეს იმაზე მიუთითებს, რომ ინვესტორები ხელოვნური ინტელექტის ხმას მედიისა და აგენტის სტილის პროდუქტების ძირითად ინფრასტრუქტურად მიიჩნევენ და არა სიახლედ. აქცენტი კეთდება რეალისტურ, მრავალენოვან, ემოციურად გამომხატველ მეტყველებაზე, რომელიც იდეალურად ერწყმის დუბლირებისა და სასაუბრო სამუშაო პროცესებს. ბევრ შემთხვევაში, ეს ხმას აპლიკაციებში მრავალჯერადი გამოყენების ფენად აქცევს და არა ერთჯერად დემო ვერსიის შესაძლებლობად.
როგორ უნდა შევხედო ხელოვნური ინტელექტის დაფინანსების ზრდას, როგორიცაა ElevenLabs და Cerebras, პრაქტიკულად?
დიდი რაუნდები, როგორც წესი, იმაზე მიუთითებს, რომ ბაზარი გამარჯვებისთვის გამოთვლით, მონაცემებითა და დისტრიბუციით დიდ და მდგრად ხარჯებს ელის. შემქმნელებისთვის ეს ხშირად კარგად დაფინანსებული მომწოდებლებისგან პროდუქტის უფრო სწრაფ იტერაციას ნიშნავს, ფასისა და მუშაობის მხრივ უფრო მკვეთრ კონკურენციასთან ერთად. ეს ასევე შეიძლება მიუთითებდეს, რომ „პლატფორმის“ კატეგორიები - ხმოვანი კომუნიკაცია, ჩიპები, ინფრასტრუქტურა - არის ის, სადაც თავდაცვითი პოზიციები იქმნება.
როგორია Cerebras-ის ვაფლის მასშტაბის მიდგომა და რატომ დებენ ხალხი მასზე ფსონს ახლა?
Cerebras-ი გიგანტურ, ვაფლის ზომის ჩიპებს ტრენინგისა და ინფერენციისთვის პოზიციონირებს, როგორც გამოთვლითი მოთხოვნის დაკმაყოფილების ალტერნატიულ გზას. ფსონი იმაში მდგომარეობს, რომ სპეციალიზებულ აპარატურას შეუძლია მდგრადი ნიშების გამოკვეთა, სანამ გუნდები ერთი დომინანტური GPU მიწოდების ჯაჭვის მიღმა ვარიანტებს ეძებენ. პრაქტიკაში, ეს ნაწილობრივ დივერსიფიკაციის სტრატეგიაა და ნაწილობრივ კი საიმედო სიმძლავრის უზრუნველყოფის გადაუდებელი აუცილებლობა.
რატომ შეუძლია Alphabet-ს ხელოვნური ინტელექტის ინფრასტრუქტურაზე დიდი რაოდენობით თანხის დახარჯვა და მაინც მიწოდების შეზღუდვების წინაშე აღმოჩნდეს?
რადგან ხელოვნური ინტელექტის მასშტაბირება შეზღუდულია ფიზიკური შეფერხებებით და არა მხოლოდ ბიუჯეტით. ელექტროენერგიის ხელმისაწვდომობის, მონაცემთა ცენტრის მშენებლობისა და ჩიპებსა და კომპონენტებზე წვდომის გაფართოებას შეიძლება დრო დასჭირდეს. აგრესიული კაპიტალური დანახარჯების პირობებშიც კი, თქვენ ვერ შეძლებთ ქსელის სიმძლავრის მყისიერად გაზრდას ან აპარატურისა და სამშენებლო სამუშაოების ყველა ნაწილის ერთდროულად დაჩქარებას.
რა არის „სწრაფი სწავლის“ მოდელები და როდის შეიძლება ისინი აჯობონ უფრო დიდ, წინასწარ გაწვრთნილ მოდელებს?
ეს არის სისტემები, რომლებიც შექმნილია განლაგების შემდეგ ეფექტურად ადაპტირებისთვის და არა მხოლოდ უფრო დიდ წინასწარ ტრენინგზე დაყრდნობის მიზნით. ბევრ საწარმოო გარემოში, უფრო სწრაფი ადაპტაცია შეიძლება უფრო მნიშვნელოვანი იყოს, ვიდრე ნედლი მასშტაბი, განსაკუთრებით მაშინ, როდესაც მონაცემები იცვლება ან სამუშაო პროცესები იცვლება. გავრცელებული მიდგომაა მოდელების უფრო მცირე ზომის შენარჩუნება და წარმოების პროცესში სწავლის ან განახლების უფრო ეფექტური გახდომა.
როგორ მოქმედებს ევროკავშირის ხელოვნური ინტელექტის შესახებ კანონის გამჭვირვალობის მცდელობები გუნდებზე, რომლებიც გენერატიული კონტენტის მიწოდებას ახდენენ?
ისინი პროდუქტებს ხელოვნური ინტელექტის მიერ გენერირებული ან მანიპულირებული შედეგების უფრო მკაფიო ეტიკეტირებისა და დამუშავებისკენ უბიძგებენ. ბევრ ორგანიზაციაში ეს უფრო მეტ ჭვირნიშანს ან გამჟღავნების დისციპლინას, პლუს უფრო ძლიერ დოკუმენტაციასა და აუდიტის პრაქტიკას ნიშნავს. თუ გენერაციულ მედიას გამოიყენებთ, გონივრულია, ადრევე დაგეგმოთ წარმომავლობის თვალყურის დევნება და მსუბუქი შესაბამისობის სამუშაო პროცესების შექმნა.