Kaks aastat generatiivse tehisintellekti revolutsiooni algusest on valdkond arenenud kiiretest eeltreenitud vastustest ("kiire mõtlemine") keerulisema põhjendamise suunas, võimaldades luua uue klassi intelligentseid rakendusi. Kui vaatame tagasi oma essee "Generatiivne tehisintellekt: loov uus maailm" teisele aastapäevale, täheldame olulisi muutusi tehisintellekti ökosüsteemis ja esitame oma prognoosid tulevikuks. Generatiivse tehisintellekti turu aluspõhi on stabiliseerumas, mida iseloomustavad peamised tegijad nagu Microsoft/OpenAI, AWS/Anthropic, Meta ja Google/DeepMind, kes kõik on varustatud märkimisväärse kapitali ja skaleeritavate tegevustega. Kuigi konkurents on endiselt intensiivne, eeldame taskukohasemate järgmist sõna ennustuste paremat kättesaadavust. Selle stabiliseerumisega on tähelepanu suunatud tehisintellekti põhjendusvõimekuste suurendamisele, mida nimetatakse "Süsteemi 2" mõtlemiseks, mis võimaldab tegemistel olla läbimõeldumad ja kasutada kognitiivseid funktsioone järeldamise ajal. Inspireerituna sellistest uuendustest nagu AlphaGo, on see põhjenduskiht valmis ümber defineerima, kuidas tehisintellekt töötab, mis viib uute kognitiivsete arhitektuuride ja kasutajaliidesteni. Oma viimases tehisintellekti maastiku analüüsis käsitleme, kuidas see konsolideerimine kütab võidujooksu arenenud põhjendusvõimekuste arendamiseks ja uurime uusi "tapjarakendusi" uuenduslike kognitiivsete tööriistade ja interaktsioonidega. **Maasikarevolutsioon** 2024. aasta võtmeuuendus on OpenAI tutvustamine o1, varem tuntud kui Q* või "Maasikas". See mudel kinnitab mitte ainult OpenAI juhtpositsiooni mudelite kvaliteedis, vaid integreerib ka tõelisi põhjendusvõimekusi järeldamisaegse arvutamise kaudu. Erinevalt traditsioonilistest eeltreenitud mudelitest, mis tuginevad põhjalikele andmetele põhiliseks põhjenduseks, suurendab Maasikas mudeli võimet peatuda ja kaalutleda enne vastamist. Kasutades näidet AlphaGo 2016. aasta võidust Go meistri Lee Sedoli üle, illustreerime, kuidas tõeline tehisintellekti põhjendus suudab ületada lihtsa mustritundmise. AlphaGo esitles arenenud kognitiivseid protsesse, aktiivselt simuleerides võimalikke tulemusi, võimaldades tal oluliselt inimesi ületada, kui talle anti aega hindamiseks. Kui rakendada see tagasi suure keelevõimendusmudelitesse (LLM), seisneb väljakutse tõhusate hindamismehhanismide loomises mitmesuguste ülesannete jaoks, nagu kirjutatud sisu hindamine, mis jääb olemasolevate mudelite jaoks problemaatiliseks. Maasikas näitab tugevusi loogilistes valdkondades, kuid on raskustes subjektiivsemate ülesannete täitmise tõttu oma põhimõtte tõttu. Sügav tugevdusõpe kogeb taaselustumist, kuna see võimaldab tehisintellektil põhjendada tõhusamalt, demonstreerides inimlikku mõtlemist meenutavat käitumist, nagu jälitajatunnien terviseparandamine ja innovatiivse probleemilahenduse strateegiad. Valdkond uurib praegu erinevaid meetodeid järeldamisaegsete protsesside täiustamiseks ja põhjendusvõimekuste tõhustamiseks. **Kolimine Süsteemi 1 mõtlemiselt Süsteemi 2 mõtlemisele** Liikumine instinktiivsetelt vastustelt (Süsteem 1) teadlikule põhjendusele (Süsteem 2) tähistab olulist piiri tehisintellektile.

Kuigi elektriline eeltreenimine saab kiiresti lahendada lihtsaid küsimusi, nõuavad keerukamad küsimused tehisintellekti võimalusi hindamiseks ja otsuste metoodiliseks läbimõtlemiseks. See sügavam protsess on hädavajalik suurte probleemide lahendamiseks mitmesugustel aladel, alates matemaatikast kuni bioloogiani, kus mustrituvastus üksinda on ebapiisav. Tehisintellekti rakenduste valdkonnas ilmnevad uued mudelid muutlikku lähenemisviisi. Ettevõtted nagu Sierra ümberdefineerivad klienditeeninduse, lahendades probleeme tõhusalt, samal ajal kui teiste agentuurirakenduste, näiteks Harvey (õigus), Glean (tööassistent) ja XBOW (sissetungimisürituste testimine) pausilolek illustreerib nihet selles, kuidas tehisintellekt lisaväärtust loob ja turuvõimalusi lõikab. Kui need rakendused kasutavad ära järeldamise edusamme tarnekulude minimeerimiseks, võivad nad purustada traditsioonilised turumudelid, parandades töövoo tõhusust ja kättesaadavust. **SaaS maastik teistsugune üle vaadatud** On ilmunud mured selle üle, kas generatiivne tehisintellekt võib ohustada olemasolevaid pilveettevõtteid. Kuid meie esialgne arvamus on, et alustusmudelid jäävad kättesaadavaks põhilistele tegijatele, sest neil on olemasolevad eelised andmete ja levitamise osas. Startupid on paremas positsioonis, et sihtida automatiseerimistöövooge, mitte lihtsalt asendada väljakujunenud tarkvaraettevõtted. Kuid märkimisväärne inseneritöö ja innovatsioon, mis on vajalikud veenva tehisintellekti juhitud lahenduste loomiseks, võivad viidata sellele, et oleme alahinnanud nõuet olla "AI looduslik". Sarnaselt sellele, kuidas üleminek kohapealsest tarkvarast SaaS-ile muutis ärimudelit kaks aastakümmet tagasi, võiks sarnane evolutsioon ümber defineerida AI rakenduste maastiku. Day. ai kehastab seda potentsiaali, esitades AI loodusliku CRM-i, mis genereerib automaatselt kohandatud lahendusi minimaalse inimliku sekkumisega. See näitab kasvavat suundumust automatiseerida keerukaid protsesse ja ümberkujundada turu ootused. **Investeerimise vaatenurgad** Investeerimisnurkadest vaadatuna on hüperskaleerijate keskne infrastruktuur riskikapitalistide jaoks vähem atraktiivne, peamiste mängijate domineeritav, keskendudes mänguteoreetilistele strateegiatele. Mudelimaastikul on kallutatus uuenduslike mudelite poole, sageli praktilisi majanduslikke kaalutlusi eirates. Vastupidiselt sellele meelitavad arendajate tööriistad ja rakendustasemed suuremat huvi, kusjuures potentsiaalne sissetulekute taastumine sarnaneb pilvele ülemineku ajal nähtuga. Investeerimine rakendustaseme ettevõtetesse jääb paljutõotavaks, kusjuures rohke võimalusi võib pakkuda märkimisväärset kasumit ja jätkusuutlikkust. Penceente rakenduste suundumus on ümber defineerimas tehisintellekti ökosüsteemi dünaamikaid, sillutades teed mõjusa kasvu ja innovatsioonini.