Stara gwardia AI kontratakuje: Dlaczego tradycyjne algorytmy wciąż królują?
Choć miliardy dolarów płyną w kierunku generatywnej sztucznej inteligencji, to w rzeczywistości mniej medialne, tradycyjne techniki AI nieustannie zasilają wszystko – od przychodów z reklam Mety po spersonalizowane diagnozy medyczne i projektowanie silników rakietowych. Podczas gdy Mark Zuckerberg inwestuje krocie w budowę infrastruktury „superinteligencji” i goni za marzeniami o generalnej generatywnej AI, faktyczne zyski firmy pochodzą ze starej szkoły uczenia maszynowego – tych samych algorytmów rekomendacji, które od lat cicho napędzają targetowanie reklam na Facebooku i Instagramie.
Susan Li, dyrektor finansowa Mety, wprost przyznała, że prace nad generatywną AI nie będą istotnym motorem przychodów w najbliższym roku czy dwóch. Tymczasem tradycyjne systemy uczenia maszynowego firmy przełożyły się na wzrost konwersji reklam o około 5% na Instagramie i 3% na Facebooku.
Ta rozbieżność stwarza pomijane szanse dla inwestorów i rozbieżność między finansowaną sztuczną inteligencją a tą, która faktycznie działa, o czym mówi Amy Cheetham, inwestorka na wczesnym etapie w Costanoa Ventures.
Generatywna AI tworzy nowe treści, przewidując, co powinno nastąpić dalej. Cała reszta to ogromny zestaw narzędzi różnych technologii, w tym sieci neuronowe, które klasyfikują obrazy, algorytmy wykrywające oszustwa, systemy rekomendujące produkty i modele optymalizujące łańcuchy dostaw. Generatywna AI jest stosunkowo nowa, podczas gdy inne podejścia są rozwijane od lat, a w niektórych przypadkach od dekad.
Inwestycje prywatne w generatywną AI osiągnęły w 2024 roku 33,9 miliarda dolarów, co oznacza wzrost o 18,7% w stosunku do 2023 roku i ponad 8,5-krotny wzrost w porównaniu z poziomami z 2022 roku, według raportu AI Index Stanforda.
Sektory, które pozostały wierne tradycji
Medycyna od dziesięcioleci wykorzystuje tradycyjną AI. Sieci neuronowe do badań przesiewowych w kierunku raka szyjki macicy były testowane w badaniach klinicznych już w 1995 roku. Jedno z badań przeanalizowało dwadzieścia lat danych z badań krwi od dziesiątek tysięcy pacjentów, aby stworzyć spersonalizowane „normalne” zakresy zamiast standardowych przedziałów referencyjnych, których obecnie używają lekarze.
W lotnictwie startup Leap 71 zbudował system AI, który działa deterministycznie w oparciu o wbudowane prawa fizyki, zamiast zgadywać probabilistycznie, jak robi to generatywna AI. Podejście to doprowadziło już do powstania działających silników rakietowych.
Lin Kayser, współzałożyciel Leap 71, przyznaje, że używają generatywnej AI do czytania artykułów i podsumowywania informacji. Jednakże, w samym procesie projektowania rakiet, polegają na sprawdzonych, tradycyjnych metodach obliczeniowych.
Przyszłość? Koegzystencja
Vanessa Parli, dyrektor ds. badań w Stanford Human-Centered AI Institute, zauważa, że na poziomie instytucjonalnym istnieje przestrzeń zarówno dla eksperymentalnych badań nad generatywną AI, jak i dla sprawdzonych, tradycyjnych podejść. Uniwersytety mogą sobie pozwolić na ryzykowne, niepotwierdzone pomysły, podczas gdy fundusze VC potrzebują rozwiązań gotowych do wejścia na rynek i generowania zysków.
Parli podkreśla, że sztuczna inteligencja to nie tylko generatywne modele. W wielu dziedzinach, takich jak zrównoważony rozwój, prostsze metody często działają lepiej ze względu na mniejsze zbiory danych i specyficzne wymagania techniczne.
Wyzwanie polega na tym, że tradycyjni badacze AI konkurują z dobrze finansowaną machiną marketingową, która dominuje w nagłówkach i prezentacjach inwestorskich. Jeśli generatywna AI napotka przeszkody lub nie spełni obietnic, ci badacze mogą być gotowi wkroczyć, o ile zapożyczą nieco taktyk promocyjnych ze świata generatywnej AI.
