Artificial Intelligence Has Finally Become Transformative

Artificial intelligence has generated tremendous value across many applications over the last decade, including search, ad targeting and recommendations. But nearly all these gains have gone to tech giants such as Google and Facebook. Despite the hoopla—and a lot of related startup activity—AI hasn’t brought a market transformation similar to the internet or mobile, in which an entire new class of companies emerge and become household names. That may soon change. Despite AI’s enormous capabilities, the economic realities for using it haven’t been great for startups. Often the amount of value a company gets from AI diminishes quickly over time, and therefore requires significant continuing investment. And while the benefits are tangible, it is hard for startups to maintain growth and distance themselves from more-standard approaches. As a result, AI’s primary value has been to improve existing operations for incumbents who have the resources to invest at the required levels. A common failure scenario in earlier-generation AI startups (which I call the AI mediocrity spiral) high[1]lights a few major factors at play. In order for a startup’s AI-based application to have sufficient accuracy early on, the company hires humans to perform the function it hopes the AI will automate over time. Often, this is part of an escalation path where a first cut of the AI will handle the most common use cases, and humans manage the long tail of less-common ones. Early investors tend to be more focused on growth than on margins. To raise capital and keep the board happy, the company continues to hire people rather than invest in the automation—which proves tricky anyway because of the aforementioned complications. By the time the company is ready for growth[1]level investment, it has already built an entire organization around hiring humans in the loop, and it’s too difficult to unwind. The result is a business that shows relatively high initial growth, but maintains a low margin and, over time, becomes difficult to scale. Fortunately, this doesn’t seem to be the case with the current wave of generative AI applications such as ChatGPT and the foundation models such as GPT-4 that power them. While still very early, we’re already seeing use cases in large existing markets with orders-of-magnitude improvement in time, cost and performance. This has led to some of the fastest-growing technology and product adoption in the history of the software industry. We may be experiencing what is likely the start of a new super cycle on par with the advent of the microchip or the internet. For one reason, accuracy isn’t that important for many applications. When a model is generating novel images or engaging in entertaining banter, being correct simply means appealing to or engaging the user. In other popular uses, like helping developers write code, the user is the human in the loop—iterating and providing the feedback to improve the generated answers. Another big reason things are different now is that generative AI is facilitating uses, from companion[1]ship to therapeutic art communities, previously impossible for computers in any meaningful way. We don’t re[1]ally have a good understanding of what the behaviors will lead to, nor what the best products are to fulfill them. Amazingly, while the use cases for these new behaviors are still emerging, millions of users have already shown a willingness to pay. This all means opportunity for the new class of generative AI startups to evolve along with users, while incumbents focus on applying the technology to their existing cash-cow business lines. Generative AI can bring real economic benefits to large industries with established and expensive workloads. Large language models could save costs by performing tasks such as summarizing discovery documents without replacing attorneys, to take one example. And there are plenty of similar jobs spread across fields like medicine, computer programming, design and entertainment. Consider the task of creating an image to use for marketing content or for a movie poster. For companies running their own version of an open-source model like Stable Diffusion, it costs roughly 0.1 cent and takes around one second to generate an image. Hiring a graphic de[1]signer or a photographer would cost hundreds of dollars and take hours or days. Even if, for simplicity’s sake, we underestimate the cost at $100 and the time at one hour, generative AI is 1/100,000th the cost and 3,600 times the speed of the human alternative. For generative AI to remake our economies and lives to the same degree does assume a continued pace of innovation, but many experts believe we’re very likely to see continued progress. There might be growing pains like the Hollywood strikes along the way, but the end result is more jobs, more economic expansion and better goods for consumers. This was the case with the microchip, and it will be with generative AI, too.

 هوش مصنوعی بالاخره متحول شد

 هوش مصنوعی در دهه گذشته ارزش فوق‌العاده‌ای را در بسیاری از برنامه‌ها از جمله جستجو، هدف‌گیری تبلیغات و توصیه‌ها ایجاد کرده است. اما تقریباً تمام این دستاوردها به غول های فناوری مانند گوگل و فیس بوک نسبت داده شده است. علی‌رغم همه این‌ها و بسیاری از فعالیت‌های استارت‌آپی مرتبط، هوش مصنوعی جرقه‌ای انقلابی مانند اینترنت یا موبایل را به وجود نیاورده است، جایی که کلاس کاملاً جدیدی از شرکت‌ها ظهور کرده و به نام‌های معروف تبدیل شده‌اند. این ممکن است به زودی تغییر کند. با وجود قابلیت‌های عظیم هوش مصنوعی، واقعیت‌های اقتصادی استفاده از آن برای استارت‌آپ‌ها عالی نبوده است. اغلب، مقدار ارزشی که یک شرکت از هوش مصنوعی به دست می آورد در طول زمان به سرعت کاهش می یابد و بنابراین نیاز به سرمایه گذاری مداوم قابل توجهی دارد. و در حالی که مزایا ملموس است، برای استارت‌آپ‌ها حفظ رشد و جدا شدن از رویکردهای استانداردتر دشوار است. در نتیجه، ارزش اولیه هوش مصنوعی بهبود عملیات موجود برای متصدیان فعلی است که منابع لازم برای سرمایه گذاری در سطوح مورد نیاز را دارند. یک سناریوی شکست رایج برای استارت‌آپ‌های نسل قبلی هوش مصنوعی (که من آن را مارپیچ متوسط هوش مصنوعی می‌نامم) چند عامل کلیدی را در بازی روشن می‌کند. برای اطمینان از اینکه اپلیکیشن مبتنی بر هوش مصنوعی یک استارت آپ برای شروع به اندازه کافی دقیق است، این شرکت انسان ها را استخدام می کند تا عملکردهایی را که امیدوار است هوش مصنوعی در طول زمان به طور خودکار انجام دهد، انجام دهند. اغلب، این بخشی از یک مسیر تشدید است که در آن اولین برش هوش مصنوعی رایج‌ترین موارد استفاده را انجام می‌دهد و انسان‌ها دم بلند موارد کمتر رایج را کنترل می‌کنند. سرمایه گذاران در مراحل اولیه بیشتر بر رشد تمرکز می کنند تا حاشیه. برای افزایش سرمایه و راضی نگه داشتن هیئت مدیره، شرکت به استخدام افراد به جای سرمایه گذاری در اتوماسیون ادامه می دهد - که به هر حال به دلیل عوارض ذکر شده دشوار است. زمانی که شرکت آماده سرمایه گذاری در رشد است، از قبل یک سازمان کامل را حول استخدام افراد در حلقه ایجاد کرده است و رها کردن آن بسیار دشوار است. نتیجه کسب‌وکاری است که رشد اولیه نسبتاً بالایی را نشان می‌دهد، اما حاشیه سود پایینی را حفظ می‌کند و با گذشت زمان مقیاس‌پذیری آن دشوار می‌شود. خوشبختانه، به نظر نمی رسد که این مورد در مورد موج       فعلی برنامه های کاربردی هوش مصنوعی مانند  ChatGPT و مدل های زیربنایی مانند GPT-4 که آنها را تقویت می کند، صادق باشد. در حالی که هنوز روزهای اولیه است، ما در حال حاضر شاهد موارد استفاده در بازارهای اصلی موجود با پیشرفت های بزرگ در زمان، هزینه و عملکرد هستیم. این منجر به برخی از سریع ترین رشد فناوری و پذیرش محصول در تاریخ صنعت نرم افزار شده است. ما ممکن است در حال تجربه چیزی باشیم که ممکن است شروع یک ابر چرخه جدید همتراز با ظهور ریزتراشه یا اینترنت باشد. به یک دلیل، دقت برای بسیاری از برنامه ها چندان مهم نیست. هنگامی که یک مدل تصاویر اصلی تولید می کند یا درگیر شوخی های سرگرم کننده است، درست بودن به سادگی به معنای درگیر کردن یا درگیر کردن کاربر است. در سایر برنامه‌های کاربردی رایج، مانند کمک به توسعه‌دهندگان برای نوشتن کد، کاربر انسانی در این حلقه قرار دارد - در حال تکرار و ارائه بازخورد برای بهبود پاسخ‌های تولید شده است. دلیل بزرگ دیگری که اکنون همه چیز متفاوت است این است که هوش مصنوعی مولد استفاده از کشتی‌های همراه به جوامع هنر درمانی را که قبلاً برای رایانه‌ها غیرممکن بود، تسهیل می‌کند. ما واقعاً درک خوبی از اینکه چه رفتارهایی به آنها منجر می شود و بهترین محصولات برای تحقق آنها چیست نداریم. به طرز شگفت انگیزی، در حالی که موارد استفاده برای این رفتارهای جدید هنوز در حال ظهور هستند، میلیون ها کاربر قبلاً تمایل به پرداخت نشان داده اند. همه اینها به معنای فرصتی برای طبقه جدیدی از استارتاپ های مبتنی بر هوش مصنوعی است تا در کنار کاربران تکامل یابند، در حالی که متصدیان فعلی بر استفاده از فناوری در خطوط تجاری فعلی خود تمرکز می کنند. هوش مصنوعی مولد می تواند مزایای اقتصادی واقعی را برای صنایع بزرگ با بار کاری ثابت و گران به ارمغان بیاورد. برای مثال، مدل‌های زبان بزرگ می‌توانند با انجام کارهایی مانند خلاصه‌سازی اسناد کشف بدون جایگزینی وکیل، در هزینه‌ها صرفه‌جویی کنند. و بسیاری از مشاغل مشابه در زمینه هایی مانند پزشکی، برنامه نویسی کامپیوتر، طراحی و سرگرمی وجود دارد. وظیفه ایجاد یک تصویر برای استفاده برای محتوای بازاریابی یا پوستر فیلم را در نظر بگیرید. برای شرکت هایی که نسخه خود را از یک مدل منبع باز مانند  Stable Diffusion اجرا می کنند، حدود 0.1 سنت هزینه دارد و تولید یک تصویر حدود یک ثانیه طول می کشد. استخدام یک طراح گرافیک یا یک عکاس می تواند صدها دلار هزینه داشته باشد و ساعت ها یا روزها طول بکشد. حتی اگر برای سادگی، هزینه را 100 دلار و زمان را در یک ساعت کاهش دهیم، هوش مصنوعی مولد 1/100000 هزینه و 3600 برابر سرعت جایگزین های انسانی است. هوش مصنوعی مولد به سرعت ثابتی از نوآوری نیاز دارد تا اقتصاد و زندگی ما را به همان اندازه تغییر دهد، اما بسیاری از کارشناسان معتقدند که ما احتمالاً شاهد پیشرفت مداوم خواهیم بود. ممکن است دردسرهای فزاینده ای مانند اعتصاب هالیوود در این مسیر وجود داشته باشد، اما نتیجه نهایی مشاغل بیشتر، توسعه اقتصادی بیشتر و کالاهای بهتر برای مصرف کنندگان است. این مورد در مورد ریزتراشه بود و در مورد ژنرال هم همینطور خواهد بود

​