นักวิจารณ์ AI แบบโอเพนซอร์สมักเน้นถึงความเสี่ยง ขณะเดียวกันก็ประเมินค่าประโยชน์ต่ำกว่าความจริง เมื่อวันที่ 7 พฤศจิกายน 2024 มีการชี้ให้เห็นว่านวัตกรรมแบบเปิดมีความสำคัญอย่างยิ่งต่อการเติบโตของ AI วิศวกรจาก Google ได้เผยแพร่เครือข่ายประสาทที่มีชื่อว่า "transformer" ซึ่งถูกใช้ใน GPT และเครื่องมือต่างๆ เช่น TensorFlow และ PyTorch ที่พัฒนาโดย Google และ Meta ก็ถูกทำให้เข้าถึงได้อย่างกว้างขวาง อย่างไรก็ตาม ขณะนี้มีการถกเถียงมากขึ้นว่า AI มีความสำคัญมากพอที่จะต้องจำกัดการเข้าถึงหรือไม่ โมเดลโอเพนซอร์สที่ให้ผู้ใช้แก้ไขและนำโค้ดไปใช้งานใหม่ได้อย่างอิสระจึงมักถูกมองว่าอันตราย ชิ้นนี้อยู่ในส่วนผู้นำของฉบับพิมพ์ ชื่อว่า "Freedom to Tinker" จากฉบับวันที่ 9 พฤศจิกายน 2024 สำรวจเนื้อหาเพิ่มเติม: - ยุโรปต้องมุ่งเน้นที่การดูแลตนเอง โดยที่เยอรมนีต้องการการเลือกตั้งด่วน - การขาดแคลนไอโอดีนเป็นภัยคุกคามที่กลับมาอีกครั้งต่อสมองของทารก แม้สามารถป้องกันได้ง่าย - ระบบทุนนิยมผู้ถือหุ้นของอินเดียถูกคุกคามจากการซื้อขายอนุพันธ์ที่อันตราย - ชัยชนะครั้งใหญ่ของทรัมป์สัญญาการเปลี่ยนแปลงครั้งใหญ่ - สนธิสัญญาที่เปราะบางในการป้องกันความวุ่นวายในแอนตาร์กติกาต้องได้รับการปกป้อง - กองทุนดัชนีควรดำเนินการเสมือนนักลงทุนที่ไม่กระตือรือร้น หากพวกเขาต้องการถูกมองเช่นนั้น

ในตอนนี้ของ "The Joy of Why" ผู้ดำเนินรายการ Steven Strogatz พูดคุยกับนักสถิติ Emmanuel Candès เกี่ยวกับการประยุกต์ใช้สถิติ วิทยาศาสตร์ข้อมูล และปัญญาประดิษฐ์ ทั้งคู่สำรวจการใช้แบบจำลองเชิงปริมาณเพื่อทำนายปรากฏการณ์ที่ซับซ้อน เช่น สภาพอากาศ โรคระบาด การรับเข้าศึกษาในวิทยาลัย การพยากรณ์การเลือกตั้ง และการค้นพบยา โดยเปิดเผยทั้งความสำเร็จและขีดจำกัด พวกเขาลงลึกถึงแนวคิดของแบบจำลอง "กล่องดำ" ในการเรียนรู้ของเครื่อง ซึ่งสามารถทำนายได้โดยไม่ต้องเข้าใจกระบวนการพื้นฐาน Candès อธิบายถึงวิธีที่เทคนิคทางสถิติสามารถระบุความไม่แน่นอนและปรับปรุงการพยากรณ์ พร้อมยกตัวอย่างในโลกจริงเช่น การรับเข้าศึกษาในวิทยาลัย การพยากรณ์คืนเลือกตั้ง และการค้นพบยา การสนทนาแตะต้องประเด็นเร่งด่วนอย่างวิกฤตการทำซ้ำได้ในงานวิจัยทางวิทยาศาสตร์ โดยเน้นย้ำถึงความจำเป็นของการป้องกันทางสถิติ ตอนนี้สรุปด้วยการพูดคุยเกี่ยวกับบทบาทของสถิติในสาขาวิทยาศาสตร์ข้อมูลที่กว้างขึ้น และความสำคัญของการสอนเหตุผลเชิงสถิติเป็นส่วนหนึ่งของการศึกษาเพื่อส่งเสริมความเข้าใจในการให้เหตุผลแบบอุปนัย

เพียงเช่นเดียวกับวิธีการ Kanban ของญี่ปุ่นที่แปลงโฉมกระบวนการผลิตด้วยระบบ "ทันเวลา" ขณะนี้บริษัทต่าง ๆ กำลังใช้หลักการคล้ายกันนี้สำหรับ AI สร้างสรรค์เพื่อเพิ่มประสิทธิภาพ Sastry Durvasula จาก TIAA อธิบายความคิดริเริ่ม AI ของบริษัท "Research Buddy" ซึ่งสร้างรายงานสำหรับการจัดการสินทรัพย์ Nuveen ด้วยการใช้ข้อมูลแบบเรียลไทม์ TIAA ใช้เวลาและต้นทุนอย่างมีประสิทธิภาพโดยเปิดใช้งาน AI เมื่อจำเป็น เนื่องจากค่าใช้จ่ายสูงที่เกี่ยวข้องกับ AI สร้างสรรค์ นักวิเคราะห์จาก Forrester, Mike Gualtieri เห็นด้วยกับคุณค่าของ AI แบบทันเวลา แต่ชี้ให้เห็นว่าอัตราส่วนต้นทุน-ประโยชน์จะแตกต่างกันไปตามสถานการณ์ การใช้เงินล้านดอลล่าร์กับ AI จะมีเหตุผลหากมันประหยัดค่าใช้จ่ายได้มากกว่าโดยทั่วไปองค์กรจะหลีกเลี่ยงค่าใช้จ่ายมหาศาลด้วยการใช้โมเดลที่ผ่านการฝึกฝนมาแล้ว ลดความจำเป็นในการใช้ผู้เชี่ยวชาญด้านข้อมูลราคาแพง บริการการสร้าง-ด้วยการดึง-ข้อมูล (RAG) ช่วยลดค่าใช้จ่าย AI โดยการปรับปรุงคุณภาพและความเกี่ยวข้องโดยไม่ต้องฝึกฝนเฉพาะทาง ผู้ขายอย่าง Google มีการเสนอทางแก้ปัญหา RAG ที่พร้อมใช้งาน ทำให้องค์กรต่าง ๆ สามารถมุ่งเน้นไปที่การพัฒนาซอฟต์แวร์แทนความซับซ้อนของ AI การนำเสนอ Tenjin GPT ของ SAIC เป็นตัวอย่างการใช้ AI อย่างมียุทธศาสตร์ทั่วทั้งบริษัท มันเสริมสร้างการทำงานภายใน สนับสนุนการบริการลูกค้า และแม้กระทั่งช่วยในการพัฒนาซอฟต์แวร์ CIO Nathan Rogers เน้นย้ำเป้าหมายในการให้การเข้าถึง AI อย่างเสมอภาคเพื่อการตัดสินใจที่ทันเวลา Max Chan จาก Avnet ท้าทายคำว่า "ทันเวลา" โดยชอบแนวทางที่ใช้ AI ในเชิงยุทธศาสตร์เมื่อลงตัวและคุ้มค่า ค่าใช้จ่ายด้านคอมพิวเตอร์ของ AI บ่งบอกให้ใช้งานอย่างระมัดระวังเพื่อประโยชน์ธุรกิจ แม้ว่า AI แบบทันเวลาบางครั้งอาจขาดการตรวจสอบจากมนุษย์ TIAA ลดปัญหานี้โดยการใส่แนวทางรับผิดชอบ AI เพื่อให้แน่ใจว่านักวิเคราะห์ตรวจสอบผลของ AI ก่อนจะนำไปใช้ Durvasula ยังเน้นถึงวิธีการ "เผื่อไว้" ที่ให้ข้อมูลทันต่อความต้องการแก่ผู้เชี่ยวชาญโดยไม่มีความล่าช้า การดำเนินการ AI สร้างสรรค์ เช่น การเปลี่ยนแปลงเพิ่มขึ้นจากเทคนิคการผลิตของญี่ปุ่น ปฏิวัติการดำเนินงานและผลลัพธ์เมื่อดำเนินการอย่างรอบคอบ ไม่ว่าจะเป็นผ่านทางการใช้ AI แบบทันเวลา แบบเผื่อไว้ หรือการใช้อย่างมียุทธศาสตร์

การศึกษาจากมหาวิทยาลัยแมรีแลนด์แสดงให้เห็นว่าการเรียนรู้เชิงลึก (Deep Learning) ซึ่งเป็นเทคโนโลยีรูปแบบหนึ่งของปัญญาประดิษฐ์ (AI) อาจช่วยลดการใช้พลังงานในระบบทำความร้อน การระบายอากาศ และการปรับอากาศ (HVAC) ของอนาคตได้อย่างมีนัยสำคัญ งานวิจัยนี้ดำเนินการที่ศูนย์วิศวกรรมพลังงานสิ่งแวดล้อม (CEEE) ของ UMD โดยมุ่งเน้นไปที่ผลกระทบของ AI ในการทำนายการใช้พลังงานในระบบการไหลของสารทำความเย็นแปรผัน (VRF) เทคโนโลยี HVAC นี้ที่มีหน่วยกลางแจ้งและหน่วยภายในหลายหน่วย ถูกทดสอบในหอคอยวิศวกรรม Glenn L

เราอยู่ในยุคที่ AI กลายเป็นส่วนหนึ่งของทุกสิ่ง ทุกวันนี้ AI ถูกเพิ่มเข้าไปใน NotePad แอปง่ายๆ ที่คิดว่าจะไม่ถูก AI แตะต้องเลย ซึ่งน่าประหลาดใจมาก ทำไมเราไม่ปล่อยให้แอปอายุกว่า 41 ปีนี้อยู่ในรูปแบบดั้งเดิมต่อไป?

หากคุณมีมุมมองเชิงบวกต่อปัญญาประดิษฐ์ (AI) ยังคงมีโอกาสการลงทุนมากมายในภาคเทคโนโลยีนอกเหนือจากผู้ผลิตชิป Gartner ได้ระบุแนวโน้ม AI หลายประการที่คาดว่าจะเด่นในปีต่อ ๆ ไป และหุ้นอย่าง Workday, CrowdStrike และ SAP อาจใช้ประโยชน์จากโอกาสเหล่านี้ 1

Anthropic ได้ไล่ตามคู่แข่งสำคัญ OpenAI ในช่วงไม่กี่เดือนที่ผ่านมา ตามข้อมูลจากเครื่องมือพัฒนาที่ได้รับความนิยมจากสตาร์ทอัพ Vercel AI SDK ช่วยนักพัฒนาในการสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI โดยให้บริการไลบรารีโค้ดที่ช่วยให้สามารถสื่อสารกับโมเดล AI ต่างๆ ได้ Vercel แบ่งปันข้อมูลเกี่ยวกับการดาวน์โหลดแพ็กเกจโค้ดประจำสัปดาห์ เพื่อให้เห็นถึงโมเดล AI ที่ได้รับความนิยมที่สุดในกลุ่มนักพัฒนา ซึ่งเป็นกลุ่มผู้ใช้เทคโนโลยีที่เร็ว ข้อมูลระบุว่า OpenAI ยังคงนำหน้า แต่ Anthropic กำลังได้รับความนิยมในหมู่นักพัฒนาอย่างรวดเร็วในช่วงนี้ ในสัปดาห์ที่สิ้นสุดวันที่ 18 สิงหาคม ไลบรารี OpenAI มีการดาวน์โหลดเกือบ 229,000 ครั้ง ขณะที่ไลบรารีของ Anthropic ถูกดาวน์โหลดเกือบ 38,000 ครั้ง ตามรายงานของ Vercel ภายในปลายตุลาคม ยอดดาวน์โหลด OpenAI คงที่ แต่ของ Anthropic เพิ่มมากขึ้น: ประมาณ 244,000 สำหรับ OpenAI และ 100,000 สำหรับ Anthropic ผู้บริหารจาก Vercel เชื่อมโยงความสำเร็จล่าสุดของ Anthropic กับโมเดล AI ใหม่ที่เปิดตัวในฤดูร้อน "การเติบโตของ Anthropic ส่วนใหญ่มาจากโมเดล Claude 3