To år inde i den generative AI-revolution udvikler feltet sig fra hurtige præ-trænede svar ("tænker hurtigt") til avanceret ræsonnering ved inferenstidspunktet ("tænker langsomt"), hvilket muliggør en ny klasse af intelligente applikationer. Når vi reflekterer over den anden årsdag for vores essay "Generativ AI: En Kreativ Ny Verden, " observerer vi betydelige ændringer inden for AI-økosystemet og præsenterer vores forudsigelser for fremtiden. Generativ AI-markedets fundamentlag stabiliseres, kendetegnet ved større aktører som Microsoft/OpenAI, AWS/Anthropic, Meta og Google/DeepMind, alle udstyret med betydelig kapital og skalerbare operationer. Mens konkurrenceforholdene forbliver intense, forventer vi en større tilgængelighed af omkostningseffektive forudsigelser af det næste token. Med denne stabilisering skifter opmærksomheden mod at forbedre ræsonneringsevnerne i AI, kaldet "System 2"-tænkning, som tillader mere bevidst problemløsning og kognitive funktioner under inferens. Inspireret af innovationer som AlphaGo, forventes dette ræsonneringslag at omdefinere, hvordan AI opererer og fører til nye kognitive arkitekturer og brugergrænseflader. I vores seneste analyse af AI-landskabet vil vi adressere, hvordan denne konsolidering driver kapløbet for at udvikle sofistikerede ræsonneringsevner og udforske nye "killer apps" med innovative kognitive værktøjer og interaktioner. **Jordbærrevolutionen** Den vigtigste udvikling i 2024 er OpenAI's introduktion af o1, tidligere kendt som Q* eller "Jordbær. " Denne model forstærker ikke kun OpenAI's lederskab i modelkvalitet, men integrerer også egentlige ræsonneringsevner gennem beregninger ved inferenstidspunktet. I modsætning til traditionelle præ-trænede modeller, der er afhængige af enorme datamængder til grundlæggende ræsonnering, forbedrer Jordbær modellens evne til at pause og overveje, før den svarer. Ved at bruge eksemplet på AlphaGo's sejr over Go-mesteren Lee Sedol i 2016 illustrerer vi, hvordan ægte AI-ræsonnering kan overgå simpel mønstergenkendelse. AlphaGo demonstrerede avancerede kognitive processer ved aktivt at simulere potentielle udfald, hvilket tillod det at overgå menneskelige spillere betydeligt, når det fik tid til at evaluere. Når vi oversætter dette tilbage til LLM'er, ligger udfordringen i at skabe effektive scoringsmekanismer for forskellige opgaver, såsom vurdering af skriftligt indhold, hvilket stadig er problematisk for eksisterende modeller. Jordbær viser styrker på logiske domæner, men har svært ved mere subjektive opgaver på grund af dens grundlæggende mekanikker. Deep reinforcement learning oplever en genopblussen, da det gør det muligt for AI at ræsonnere mere effektivt, hvilket viser adfærd, der minder om menneskelig tænkning, såsom backtracking og innovative problemløsningsstrategier. Feltet undersøger i øjeblikket forskellige metoder til at forfine inferenstidspunktprocesser og forbedre ræsonneringsevnerne. **Skift fra System 1 til System 2 Tænkning** Overgangen fra instinktive responser (System 1) til informeret ræsonnering (System 2) markerer en afgørende grænse for AI. Mens elektrisk præ-træning kan løse enkle forespørgsler hurtigt, kræver mere komplekse problemer, at AI vurderer muligheder og ræsonnerer gennem beslutninger metodisk.

Denne dybere proces er essentiel for at tackle betydelige problemer på tværs af discipliner, fra matematik til biologi, hvor simpel mønstergenkendelse er utilstrækkelig. I AI-applikationernes verden eksemplificerer nyudviklede modeller en transformerende tilgang. Virksomheder som Sierra omdefinerer kundeservice ved at løse problemer effektivt, mens fremkomsten af andre agentiske applikationer — som Harvey (jus), Glean (arbejdsassistent) og XBOW (penetrationstest) — illustrerer et skift i, hvordan AI leverer værdi og indfanger markedsmuligheder. Da disse applikationer minimerer leveringsomkostninger ved at udnytte fremskridt i inferensprocesser, kan de revolutionere traditionelle forretningsmodeller, forbedre arbejdsgangeffektivitet og tilgængelighed. **Revurdering af SaaS-landskabet** Der er opstået bekymringer om, hvorvidt generativ AI kunne true eksisterende cloud-virksomheder. Vores indledende holdning er imidlertid, at fundamentale modeller forbliver tilgængelige for de nuværende aktører, da de besidder eksisterende fordele i data og distribution. Startups er bedre positioneret til at målrette automatiserbare arbejdsmiljøer i stedet for direkte at erstatte etablerede softwarevirksomheder. Alligevel kan den betydelige ingeniering og innovation, der kræves for at skabe overbevisende AI-drevne løsninger, antyde, at vi har undervurderet behovet for at være "AI-native. " Ligesom skiftet fra on-premise software til SaaS transformerede forretningsmodeller for to årtier siden, kunne en tilsvarende udvikling omdefinere landskabet for AI-applikationer. Day. ai legemliggør dette potentiale, idet den præsenterer en AI-native CRM, der automatisk genererer skræddersyede løsninger med minimal menneskelig involvering. Dette eksemplificerer en voksende tendens mod at automatisere komplekse processer og omforme markedets forventninger. **Investeringsindsigter** Fra et investeringssynspunkt er infrastruktur centreret omkring hyperscalers mindre attraktivt for venturekapitalister, domineret af større aktører, der fokuserer på spilteoretiske strategier. Modellandskabet lider af en bias mod innovative modeller, der ofte overser praktiske økonomiske overvejelser. Omvendt tiltrækker udviklerværktøjer og applikationslag mere betydelig interesse, med en potentiel genopblussen af indtægtsgenerering, svarende til hvad der blev set under overgangen til cloud'en. Investering i applikationslag-virksomheder forbliver lovende, hvor en rigdom af muligheder kan give betydelige afkast og bæredygtighed. Skiftet mod agentiske applikationer er indstillet på at redefinere dynamikken i AI-økosystemet, der baner vejen for en skelsættende vækst og innovation.