🎙️ „ElevenLabs“ įvertinimas pasiekė 11 mlrd. USD po naujo 500 mln. USD finansavimo etapo ↗
„ElevenLabs“ ką tik peržengė „viskas darosi rimta“ lygį – pritraukė 500 mln. USD, o vertė – 11 mlrd. USD. Tai staigus šuolis nuo paskutinio viešai aptarto skaičiaus ir pabrėžia, kiek investuotojai vis dar mato dirbtinio intelekto balsą kaip platformą, o ne kaip triuką salone.
Pasiūlymas: realesnė kalba, daugiau kalbų, „emocingesnis“ pokalbio balsas ir daugiau dubliavimo – iš esmės siekiama prisitaikyti prie daugybės medijos ir agentų darbo eigų... gerai ar blogai.
🧠 „Cerebras“ uždirbo 1 mlrd. dolerių daugiau ir jo vertė siekė 23,1 mlrd. dolerių dirbtinio intelekto lustų lenktynėse ↗
„Cerebras“ pritraukė 1 mlrd. dolerių finansavimo vėlyvajame etape, o vertė – net 23,1 mlrd. dolerių. Jei jau kelis mėnesius girdite posakį „„Nvidia“ negali būti vienintelis atsakymas“, štai kaip tai skamba, jei skaičiuosime čekį.
Jie lažinasi, kad plokštelinio masto aparatinė įranga – milžiniški lustai mokymui ir išvadoms – gali ir toliau užtikrinti ilgalaikę paklausą, kol visi ieško skaičiavimo pajėgumų. Tai iš dalies diversifikacija, iš dalies desperacija, iš dalies „prašau, neleiskite GPU tiekimui diktuoti viso mano veiksmų plano“ – ir visa tai vienu metu.
💸 „Alphabet“ dirbtinio intelekto kapitalinių išlaidų planai kelia daug nerimo – problema ne tik pinigai ↗
„Alphabet“ parengė infrastruktūros išlaidų planus, kurie yra... gana absurdiško dydžio. Nuotaika tokia: toliau pilti betoną, toliau pirkti lustus, toliau plėsti duomenų centrus – nes dirbtinis intelektas veikia ne vibracija, o energija ir siliciu.
Yra kažkas šiek tiek raminančio – ir kartu nerimą keliančio: net ir turint tokį biudžetą, tiekimo apribojimai vis tiek svarbūs. Pinigai, žinoma, padeda, – bet negalima iš karto iš oro sukurti transformatorių, tinklo pajėgumų ar tūkstančio naujų duomenų centrų.
🎓 „Sara Hooker“ „Adaptation Labs“ gauna 50 mln. dolerių vertės pradinę investiciją, skirtą kurti „mokymosi skrydžio“ modelius ↗
„Adaptation Labs“ pasiūlė 50 mln. dolerių vertės pradinį investavimo etapą, vadovaudamasi idėja, kad mažesni, protingesni modeliai, kurie greitai prisitaiko, daugelyje realių situacijų gali pranokti grynąjį mastą.
Esminis tikslas yra aiškus: užuot tiesiog amžinai intensyviai mokantis iš anksto, susitelkite į sistemas, kurios nuolat mokosi efektyviai. Tai arba kitas protingas etapas... arba drąsus bandymas apeiti GPU ginklavimosi varžybas, priklausomai nuo jūsų nuotaikos.
🧾 „Microsoft“ „OpenAI“ skaičiavimo sandoris investuotojams tampa rizikinga istorija ↗
„Bloomberg“ požiūris: investuotojai pradeda „Microsoft“ santykius su „OpenAI“ vertinti ne kaip garantuotą laimėjimą, o kaip rizikos paviršių – išlaidas, įsipareigojimus, valdymą, visą painų visumą.
Tai ne visai reiškia, kad „partnerystė bloga“ – veikiau kai sąskaitos tampa pakankamai didelės, net ir strateginis pranašumas gali pradėti atrodyti kaip našta. Panašiai kaip turėti lenktyninį žirgą, kuris nuolat laimi... tuo pačiu metu valgant tavo namus.
📜 ES Dirbtinio intelekto įstatymo pagreitis – dirbtinio intelekto generuojamo turinio paviršių skaidrumo kodekso projektas ↗
Jau sklando dirbtinio intelekto sukurto arba manipuliuojamo turinio skaidrumo praktikos kodekso projektas, susijęs su tuo, kaip turėtų būti ženklinami ir tvarkomi dirbtinio intelekto rezultatai. Ne pati žavingiausia antraštė, bet tai savotiškas „popierinis sluoksnis“, kuris greitai lemia sprendimus dėl produktų.
Jei kuriate arba diegiate generatyvinius sprendimus, tai paskatina jus labiau disciplinuoti vandenženklius / žymėjimą – ir tikriausiai daugiau audito bei dokumentacijos, nei kas nors norėtų penktadienį. (Bet... taip, tai artėja.)
DUK
Ką „ElevenLabs“ 11 mlrd. dolerių vertės vertinimas sako apie dirbtinio intelekto balso kryptį?
Tai rodo, kad investuotojai DI balsą laiko pagrindine žiniasklaidos ir agentų stiliaus produktų infrastruktūra, o ne naujove. Dėmesys skiriamas realistiškam, daugiakalbiam, emociškai išraiškingam kalbėjimui, kuris lengvai įsilieja į dubliavimo ir pokalbių procesus. Daugelyje kanalų balsas tampa daugkartinio naudojimo sluoksniu įvairiose programose, o ne vienkartine demonstracine galimybe.
Kaip praktiškai turėčiau vertinti dirbtinio intelekto finansavimo šuolius, tokius kaip „ElevenLabs“ ir „Cerebras“?
Dideli pardavimų etapai paprastai rodo, kad rinka tikisi didelių ir ilgalaikių išlaidų skaičiavimo, duomenų ir platinimo sritims. Kūrėjams tai dažnai reiškia greitesnę produktų iteraciją iš gerai finansuojamų tiekėjų, kartu su aštresne konkurencija dėl kainos ir našumo. Tai taip pat gali reikšti, kad „platformų“ kategorijos – balso, lustų, infrastruktūros – yra tos, kuriose kuriamos tvirtos pozicijos.
Kas yra „Cerebras“ vaflinis metodas ir kodėl žmonės dabar už jį lažinasi?
„Cerebras“ siūlo milžiniškus, plokštelinio dydžio lustus mokymui ir išvadoms kaip alternatyvų būdą patenkinti skaičiavimo poreikius. Tikėtina, kad specializuota įranga gali sukurti ilgalaikes nišas, o komandos ieškos galimybių, neapsiribojančių viena dominuojančia GPU tiekimo grandine. Praktiškai tai iš dalies diversifikavimo strategija, iš dalies – skubus poreikis užsitikrinti patikimus pajėgumus.
Kodėl „Alphabet“ gali masiškai investuoti į dirbtinio intelekto infrastruktūrą ir vis tiek susidurti su tiekimo apribojimais?
Kadangi dirbtinio intelekto mastą riboja ne tik biudžetas, bet ir fiziniai trūkumai. Energijos tiekimo tiekimo tiekimas, duomenų centrų statyba ir prieiga prie lustų bei komponentų gali užtrukti, kol bus išplėsta. Net ir esant didelėms kapitalo išlaidoms, negalima iš karto padidinti tinklo pajėgumų arba pagreitinti visų aparatinės įrangos ir statybos etapų vienu metu.
Kas yra „mokymosi skrydžio metu“ modeliai ir kada jie gali pranokti didesnius iš anksto apmokytus modelius?
Tai sistemos, sukurtos efektyviai prisitaikyti po diegimo, o ne pasikliauti vien vis didesniu išankstiniu mokymu. Daugelyje gamybinių aplinkų greitesnis prisitaikymas gali būti svarbesnis nei neapdorotas mastelis, ypač kai keičiasi duomenys ar darbo eigos. Įprastas metodas yra išlaikyti modelius mažesnius ir efektyviau mokytis ar atnaujinti gamyboje.
Kaip ES Dirbtinio intelekto įstatymo skaidrumo pastangos veikia generatyvinį turinį siunčiančias komandas?
Jie skatina produktus aiškiau ženklinti ir tvarkyti dirbtinio intelekto sugeneruotus arba manipuliuojamus rezultatus. Daugelyje organizacijų tai reiškia griežtesnę vandens ženklų naudojimo ar atskleidimo drausmę, taip pat griežtesnę dokumentavimo ir audito praktiką. Jei diegiate generatyviąją mediją, protinga iš anksto suplanuoti kilmės stebėjimą ir supaprastintų atitikties darbo eigų kūrimą.