Як викладач коледжу та колишній ветеран ІТ -індустрії, я вважаю, що Геп навколо моделі Deepseek R1 Китаю є корисним нагадуванням про три речі.
Перший – це генеративний ШІ вже не лише обробка величезної кількості вмісту для отримання відповідних відповідей на підказки; Йдеться також про когнітивні міркування (“R” в R1).
Обіцянка міркувань великі мови моделі (LLM) полягає в тому, що масові можливості пошуку знань та когнітивної обробки – як тільки ексклюзивна сфера мозку з суперкомп’ютерами – зараз знаходиться в руках майже всіх. Завдяки новому поколінню досягнень методик підвищення ефективності, є моделі, досить малі, щоб працювати на звичайному ноутбуці, які можуть підтримувати декілька інтелектуальних агентів, які можуть автономно виконувати складні, інтерактивні завдання.
По -друге, генеративна AI Revolution є головним щодо інновацій та творчості – це не просто гонка озброєння для найпотужнішого обладнання, розміру наборів навчальних даних або кількості параметрів моделі. Успішне прийняття цих технологій не визначатиметься великими технологічними фірмами з масовими, енергозберігаючими супер-комп’ютерами, які навчають багатомільярдних моделей-але країнами та організаціями, які інвестують у людський капітал, щоб підготувати їх до цієї нової хвилі.
По -третє, і, будуючи останній пункт, Америка не здається, що добре позиціонує для драматичних змін, що надходять до нашої економіки та суспільства. Я наведу два приклади: висока освіта та корпоративна Америка.
Більш високий
У більшості закладів вищого навчання перше велике рішення бакалавра – це вирішити, чи слід здобути ступінь бакалавра мистецтв (BA), який пов’язаний з більш широкою, більш міждисциплінарною освітою або ступенем бакалавра наук (BS), який є Більше зосереджено на розвитку навичок та практичного досвіду в конкретних галузях.
У епоху ШІ це безнадійно застаріла дихотомія, оскільки обидва набори дисциплін стають важливими на робочому місці.
Факт полягає в тому, що більшість студентів першого курсу не мають ніде поблизу знань чи розуміння того, що це таке, як працювати в різних типах роботи, або навіть відносних сильних та слабких сторін власних здібностей, талантів, навичок та схильності. І все ж, більшість перших років зобов’язані оголосити майору, що буде легким рішенням лише для того невеликого відсотка, який (на краще чи гірше) знає (або принаймні думає, що вони знають), яке поле вони хочуть переслідувати: інженерія, Наука, медицина, право тощо.
Нам потрібен набагато інший, готовий до кар’єри, більш широкий, міждисциплінарний підхід до вищої освіти, який визнає, що перша робота з випускника коледжу може не мати нічого спільного з тією ступенем, яку вони отримали, або їх спеціальною; Те, що їхній досвід коледжу буде представляти лише перший етап довічної подорожі безперервного навчання-підвищення кваліфікації, довіри, відновлення, перемикання кар’єри-для ролей, які ми навіть не можемо уявити зараз.
Крім того, як педагоги, нам потрібно розробити нові стратегії для обробки У вас плагіат і орієнтуйтеся на небезпеку, коли боти чату стають інтелектуальними ярликами, або “когнітивними вивантаженнями” – тенденцією покладатися на зовнішні інструменти, а не на розвиток внутрішніх можливостей.
У епоху, коли знання відокремлюються від розуміння, є занадто багато спокуси, щоб просто запропонувати AI для негайної відповіді чи рішення замість боротьби, щоб зрозуміти поняття або вирішити проблему.
Корпоративне це
Більшість корпорацій також, схоже, не усвідомлюють організаційних наслідків цих нових технологій.
Поточні ІТ -ролі та структури відображають організаційні вимоги попередньої цифрової революції. Ці функції виникли з спеціалізованої експертизи, необхідної для люди використовувати та взаємодіяти з комп’ютери – Програмування, інженерія даних, архітектура комп’ютера, адміністрування мережі, інформаційна безпека тощо.
Навпаки, генеративна ШІ (і все поле Обробка природної мови Це передувало йому) – це розробка та навчання комп’ютери взаємодіяти з люди.
Як результат, працівники рангу та файлів вигадують блискучі (а іноді й небезпечні) способи використання цих технологій. Організації намагаються придумати працездатну політику, процедури та контроль, щоб максимізувати потенційні пільги на продуктивність, мінімізуючи ризики.
Ключова проблема полягає в тому, що в більшості корпорацій експертиза з наукових даних, як правило, зосереджена в ІТ -підрозділах, більшість з яких досі діють як таємні гільдії з власною таємничою мовою та практиками, які організаційно та функціонально ізолюються з основних ділових підрозділів. Я вважаю, що майбутня революція продуктивності вимагає нових типів організаційних ролей та структур, в яких досвід даних не секвеструється в спеціалізованій функції, а взаємопов’язаний майже з усіма аспектами операції.
А також є виклик даних. У більшості організацій прийняття AI – це налаштування LLM для виконання спеціалізованих випадків використання за допомогою власних даних. Хоча користувачі даних у напрямку бізнесу хочуть абсолютно точних, чистих та добре керованих даних, окремі власники даних у ньому не мають бюджету, фінансового стимулювання чи організаційних повноважень для забезпечення такого рівня якості та прозорості.
Як результат, внутрішні набори даних не виявляються/добре керуються по всьому підприємству. Зазвичай різні типи даних зберігаються в різних місцях. У відповідь на запити бізнес -користувачів він надає різні погляди даних, робить різні копії (та копії копії) даних, а також створювати експозиції та абстракції даних з різних причин… На даний момент ніхто не знає, які версії є несвіжими, неповними, дублікатними, неточними або їх контекстом.
Висновок
Генеративний ШІ має потенціал перетворити всі форми роботи знань. По суті, ця технологія стосується демократизації експертизи (для доброго і поганого) – неперевершених фахівців, таких як кодери, відеооператори, ілюстратори, письменники, редактори та майже будь -який тип знань або «експерт». Ніколи раніше люди не займалися технологією, яка конкурує з власними здібностями до когнітивної обробки та міркувань – лише їх фізичною силою, витривалістю, точністю спритності та здатністю до мунгеля та обробки величезних обсягів даних.
Ця захоплююча нова революція продуктивності вимагає нових наборів навичок, можливостей та організаційних структур, в яких досвід даних є невід’ємною частиною майже кожного типу бізнес -процесів.
Іронія полягає в тому, що, оскільки машини досягають більшої аналітичної влади, статус та цінність працівника в організаційній ієрархії можуть стати менш функцією спеціалізованої експертизи, досвіду та повноважень та більшої кількості їх творчих, мультидисциплінарних та міжособистісних навичок.
Зараз настав час розвитку та інвестування в ці можливості.
