Uitdagingen bij het verbeteren van modellen waar toonaangevende AI-bedrijven mee te maken krijgen

Essentiële inzichten

• De belangrijkste AI-bedrijven, waaronder OpenAI, Google en Anthropic, worstelen met grote obstakels bij hun streven om hun nieuwste modellen voor kunstmatige intelligentie te verbeteren. Hierdoor zien ze dat hun investeringen steeds minder opleveren.
• Het nieuwste model van OpenAI, Orion, voldoet niet aan de verwachtingen, vooral wat betreft de programmeermogelijkheden. Google’s Gemini en Anthropic’s Claude 3.5 Opus kampen daarentegen met soortgelijke uitdagingen.
• Belangrijke uitdagingen zijn onder meer het gebrek aan kwalitatief goede trainingsgegevens, de enorme computerkosten en de beperkingen op energiebronnen.

De leidende spelers in de tech-industrie die gespecialiseerd zijn in AI ondervinden moeilijkheden in hun ambitie om geavanceerdere modellen voor kunstmatige intelligentie te creëren. OpenAI, bekend van ChatGPT, heeft ontdekt dat zijn nieuwste creatie, Orion, onder de verwachte normen ligt. Met name worstelt het met codeertaken en vertoont het geen substantiële vooruitgang ten opzichte van eerdere versies, volgens een rapport van Bloomberg .

Soortgelijke tegenslagen worden gemeld bij andere grote AI-ontwikkelaars. Google’s aanstaande Gemini-platform voldoet niet aan de interne doelstellingen en Anthropic heeft de lancering van zijn Claude 3.5 Opus-model uitgesteld. Deze problemen hebben de fundamenten van Silicon Valley doen schudden, dat er lang van uitging dat het vergroten van de rekenkracht en data-invoer verbeteringen in AI-systemen zou garanderen.

Het kernprobleem komt voort uit de beperkte beschikbaarheid van kwalitatieve trainingsdata. Stel je voor dat je een student lesgeeft met steeds minder tekstboeken – AI-bedrijven raken door hun hoogwaardige, door mensen gegenereerde content heen die nodig is om hun modellen te trainen. Experts suggereren dat AI-modellen tegen 2028 het huidige trainingsmateriaal kunnen uitputten, waardoor bedrijven op zoek moeten naar nieuwe, innovatieve oplossingen.

Als reactie op deze uitdagingen evalueren bedrijven hun strategieën opnieuw. In plaats van zich alleen te richten op grotere modellen, overwegen ze nu diverse methodologieën. Dit omvat verbeteringen na de training, het integreren van menselijke feedback en het bedenken van AI-applicaties gericht op specifieke taken zoals het boeken van vluchten of e-mailbeheer. Het lijkt op een verschuiving van een generieke strategie naar een meer op maat gemaakte, taakgerichte aanpak.

De gevolgen van deze obstakels gaan verder dan louter technische kwesties. De hoge waarderingen van AI-ondernemingen zijn gebaseerd op de verwachting van voortdurende snelle vooruitgang. Naarmate de snelheid van de vooruitgang afneemt, kunnen investeerders die enorme hoeveelheden kapitaal in deze ondernemingen hebben gestoken, uitdagende vragen gaan stellen over hun beleggingsrendementen.

Bron: MacRumors

Bron & Afbeeldingen