دو منشور، دو خط مرزی مشخص
ساتیا نادلا و دیمی هاسابیس در کمتر از یک هفته دو منشور راهبردی منتشر کردند که خطوط قرمز جدیدی را در اکوسیستم هوشمصنوعی ترسیم میکنند. هر دو مدیرعامل بر ضرورت تعریف چارچوبهای نظارتی و فنی تأکید دارند، اما دقیقاً مشخص نیست این کنترل و نظارت باید بر دستان چه کسی شکل گیرد.
نادلا در پستی با عنوان «پارادوکس معکوس اطلاعات»، بر موضوع جذب ارزش تمرکز کرده است. به باور او، سازمانها برای بهرهگیری از هوشمصنوعی دو بار هزینه میکنند؛ یک بار برای مصرف توکنها و بار دیگر برای دانش انحصاری که از طریق پرسوجوها و اصلاحات به مدل برگردانده میشود. راهحل او ساده اما قدرتمند است: مالکیت حلقه یادگیری شامل دادهها، ردپای استفاده، ارزیابیها و وزنهای سفارشیسازیشده. سپس یک لایه مدیریت بدون وابستگی به مدل خاص روی آن قرار میگیرد تا مدلها کالایی ارزان و قابل تعویض بمانند و ارزش به لایههای اطراف سرازیر شود.
در مقابل، هاسابیس خطی کاملاً متفاوت ترسیم میکند. نگرانی اصلی او جذب ارزش نیست، بلکه مدیریت ریسک است. او یک نهاد استانداردسازی به سبک FINRA را پیشنهاد میدهد که با تأمین مالی صنعت و نظارت دولتی، پیش از انتشار مدلهای پیشرو، آنها را از نظر امنیت سایبری، مهندسی زیستی و فریب دیجیتال تست کند. آزمایشگاهها موظف میشوند مدلها را حداقل ۳۰ روز قبل از انتشار، ابتدا داوطلبانه و سپس بهعنوان یک مانع اجباری برای ورود به بازار ایالات متحده، تحویل دهند.
هر چارچوب به نقطه قوت صاحبانش متصل است
هیچیک از این دو پروپوزال نگاه بیطرفانهای به میادین رقابت ندارند. پیشنهاد نادلا برای مالکیت داده و حفظ قابلیت تعویض مدلها کاملاً صحیح است، اما سازمانها را مستقیماً به سمت ابررایانههای Azure و پلتفرم Foundry مایکروسافت هدایت میکند. در این معماری، مدیریت، فاکتوردهی، استقرار و نظارت بر عهده مایکروسافت باقی میماند، فارغ از اینکه در نهایت کدام مدل هوشمصنوعی برنده شود. تداخل واضح میان این توصیه و سبد محصولات فعلی مایکروسافت به وضوح دیده میشود.
پیشنهاد هاسابیس نیز به طور غیرمستقیم بر اهمیت مقیاس تأکید میکند. غولهای حاضر در بازار میتوانند هزینههای تستهای ایمنی را جذب کنند، تیمهای تخصصی محافظتی قوی تشکیل دهند و در تدوین استانداردها تأثیر بگذارند. گوگل دیپمایند هماکنون چارچوب ایمنی داخلی خود را اجرا میکند؛ بنابراین هر شرکتی که از قبل ساختار ایمنی مستحکمی داشته باشد، با یک مزیت انضباطی مواجه میشود. اگرچه نمیتوان گفت هاسابیس عمداً این مسیر را طراحی کرده است، اما انگیزههای پنهان همراستا با خروجی پیشنهاد او حرکت میکنند.
مدل دیگر تنها دارایی انحصاری نیست
ریشه این دو منشور نشان میدهد که رقابت از امتیازدهی در بنچمارکهای صرف به سمت لایههای حاکم بر نحوه استفاده و انتشار مدلها تغییر جهت داده است. نادلا میخواهد مرز نهایی، حاشیه سازمانها باشد تا ارائهدهنده مدل نتواند دانش مشتری را استخراج کند. هاسابیس نیز میخواهد این مرز، دروازه نظارت بر مدلهای پیشرو باشد تا هیچ مدل تراز اولی بدون تایید یک نهاد مستقل عرضه نشود. لایهها متفاوتاند، اما غریزه پشت آنها یکسان است: ارزش پایدار را در لایهای متمرکز میکند که شرکت شما از قبل در آن حضور دارد.
هاسابیس در مقابل، تور را گستردهتر از منافع صرف ترسیم میکند. سیستم پیشنهادی او تمامی مدلهای پیشرو را بدون توجه به کشور مبدأ یا متنباز بودن تحت پوشش قرار میدهد. حضور کارشناسان مستقل و نمایندگان اکوسیستم متنباز در شورا و پاسخگویی به دولت آمریکا، احتمال تقلای آن را صرفاً برای حمایت از منافع گوگل کمرنگ میکند. اگر منصفانهترین تفسیر را در نظر بگیریم، هر دو چارچوب به بررسی مشکلات واقعی میپردازند و در عین حال، شرکتهایی را در موقعیت بهتری قرار میدهند که ظرفیت ارائه راهکار را دارند.
در عصر حاضر مدل زبانی دیگر کالای نایاب واحد نیست. ارزش به سمتی حرکت میکند که مرزهای داده، لایههای استقرار و قواعد ورود به بازار تعیین میشود. این ماه دو تن از تأثیرگذارترین چهرههای اکوسیستم هوشمصنوعی، با انتشار این منشورها، صراحتاً بر کنترل این لایهها دست یافتند. آینده رقابت از سرعت آموزش مدلها به سمت مدیریت زنجیره ارزش و نظارت بر انتشار حرکت میکند و شرکتهایی که بتوانند تعادل میان نوآوری و شفافیت نظارتی را حفظ کنند، نقش هدایتگر را در دهه آینده ایفای خواهند کرد.
