مصاحبه با مدیر عامل Cerebras: با ۲۵ میلیارد دلار سفارش معوق، تقاضای محاسبات هوش مصنوعی به طور کامل رزرو شده است

عنوان اصلی: پیروزی منبع باز، AGI اینجاست و جعبه ابزار هوش مصنوعی اسکورسیزی---مدیران عامل Cerebras و Black Forest Labs
منبع اصلی: پادکست All-In
گردآوری اصلی: Deep Tide TechFlow

نکات کلیدی

در این قسمت، ما مدیران عامل دو شرکت زیرساخت هوش مصنوعی را دعوت کردیم. اندرو فلدمن بنیان‌گذار Cerebras است، شرکتی که در زمینه چیپ‌های استنتاج تخصص دارد و به تازگی IPO خود را تکمیل کرده و ۲۵ میلیارد دلار سفارش معوق دارد. او به طور مکرر بر یک نکته تأکید می‌کند: تقاضا برای قدرت محاسبات هوش مصنوعی به طور کامل رزرو شده است و هیچ وضعیتی از "انتظار برای مشتریان پس از ساخت" وجود ندارد؛ اشتهای OpenAI، Anthropic، SpaceX و Google به شدت از عرضه فراتر است. ظهور استدلال باعث افزایش شدت محاسبات شده و آن را به میدان نبردی برای ماشین‌های سریع تبدیل کرده است. رابین رومباخ بنیان‌گذار Black Forest Labs است که مدل‌های تولیدی تصویر و ویدیو (سری Flux) را توسعه می‌دهد. او قبلاً الگوریتم انتشار نهفته را اختراع کرده است که پایه‌گذار تمام مدل‌های فعلی تولید تصویر و ویدیو است. او به تازگی با مارتین اسکورسیزی همکاری کرده است تا ایده‌های کارگردان را با استفاده از هوش مصنوعی تجسم کند؛ با این حال، او بیشتر از این جهت هیجان‌زده است که همان مدل چندرسانه‌ای می‌تواند فیلم بسازد و به عنوان مغز در ربات‌ها مستقر شود. نقطه پایانی ویدیوهای تولیدی نه بر روی صفحه نمایش بلکه در دنیای فیزیکی است.

نکات برجسته بینش‌ها

استدلال، سیاه‌چاله قدرت محاسباتی بعدی است

• "جالب است که این موج با گذشته متفاوت است؛ آنها بر روی 'یک بار ساخته شد، مردم خواهند آمد' شرط نمی‌بندند. تقاضا قبلاً ظرفیت تولید را رزرو کرده است. ما ۲۵ میلیارد دلار سفارش معوق داریم."

• "استدلال مقادیر زیادی توکن مصرف می‌کند، که دقیقاً میدان نبردی برای ماشین‌های سریع است."

• "اگر Cerebras ۱۵ برابر سریع‌تر باشد، اجرای آن به مدت ۲۴ ساعت معادل هفته‌ها یا حتی ماه‌ها تفکر است."

منبع باز و حاکمیت: شرکت‌ها می‌خواهند کنترل داشته باشند

• "هیچ‌کس دوست ندارد وابسته باشد. درس آموخته شده توسط فروشندگان بزرگ از دوران x86 این است که به اینتل وابسته باشند."

• "شما نیازی به ساخت سریع‌ترین چیپ ندارید؛ فقط باید به طور کامل به چیپ‌های دیگران وابسته نباشید."

• "اگر می‌خواهید مدل‌های منبع باز را اکنون اجرا کنید، یا OSS 12B OpenAI است یا مدل‌های چینی؛ ایالات متحده به گزینه‌های محلی منبع باز بیشتری نیاز دارد."

AGI طبق تعاریف ۲۰ سال پیش به‌طور کامل رسیده است

• "هر تعریفی از AGI که ۲۰، ۳۰ یا ۴۰ سال پیش پیشنهاد کردیم، ما به‌طور قابل توجهی فراتر رفته‌ایم."

• "آزمون تورینگ؟ مدت‌هاست که فراتر رفته است."

• "مسئله دیگر این نیست که ما نمی‌دانیم چگونه بپرسیم؛ هوش مصنوعی می‌تواند به شما بگوید: 'هی، شما انسان‌های احمق، شما به این فکر نکرده‌اید.'"

ویدیوهای تولیدی جایگزینی برای خلاقیت انسانی نیستند

• "این مدل‌های هوش مصنوعی یک وسیله هستند؛ ما نمی‌خواهیم نحوه استفاده از آنها را دیکته کنیم، به‌ویژه برای کسی مانند مارتین اسکورسیزی."

• "زبان یک وسیله ارتباطی تا حدی مضر است؛ سیگنال‌های اطلاعات بصری بسیار غنی هستند. تبدیل تصاویر در ذهن شما به تصاویر قابل مشاهده جایی است که فناوری قدرتمندترین است."

• "جالب‌ترین نتایج تقریباً همیشه زمانی به‌وجود می‌آید که انسان‌ها در حلقه تکرار می‌کنند."

از فیلم‌ها تا ربات‌ها: همان مدل

• "شما می‌توانید از همان مدل چندرسانه‌ای برای ساخت یک فیلم استفاده کنید و سپس آن را به عنوان مغز یک ربات مستقر کنید."

• "ویدیوهای پیش‌آموزش داده شده به‌طور ضمنی به مدل قوانین تعامل فیزیکی را آموزش می‌دهند و سپس شما پیش‌بینی‌های عملی را از همان مدل دریافت می‌کنید که کنترل ربات است."

• "هدف این است که شما بتوانید به ربات با دستورات در متن بگویید: 'این لیوان آب پرتقال را بیاورید.' ما هنوز نمی‌توانیم این کار را انجام دهیم، اما این جهت‌گیری است."

رونق زیرساخت هوش مصنوعی: مراکز داده بزرگتر از شهرها

مجری: ما هرگز چنین مقیاس ساختی را ندیده‌ایم. از زمان دیوار بزرگ چین و اهرام، بشریت اینقدر سرمایه، زمان و افراد باهوش را برای ساخت چیزی سرمایه‌گذاری نکرده است. شما در واقع این کار را انجام می‌دهید و مشتریان شما در حال ساخت مراکز داده هستند؛ شما بخشی کلیدی هستید. Cerebras در سال ۲۰۲۶ چه کار می‌کند؟ وضعیت آن پروژه‌های بزرگ در تگزاس چگونه است؟

پاسخ: مراکز داده‌ای که در مورد آنها صحبت می‌کنیم در سال‌های آینده بیشتر از کل مصرف برق زمین در ۵۰ سال گذشته مصرف خواهند کرد. یک ساختمان به اندازه یک زمین فوتبال است و اتصالات برق آن از یک شهر متوسط بیشتر است. ساخت و ساز در سرتاسر ایالات متحده، کانادا، شمال اروپا، پاریس و تمام فرانسه، خاورمیانه و حتی قزاقستان، تاجیکستان و گرجستان در حال ساخت مراکز داده بزرگ است. هر کشور و هر ایالت می‌خواهد در این زمینه مشارکت کند.

چه کسی پرداخت می‌کند؟ OpenAI، Anthropic، SpaceX AI، Google، با اشتهای ترسناک. جالب است که این موج با بسیاری از رونق‌های فناوری گذشته متفاوت است: آنها بر روی 'یک بار ساخته شد، مردم خواهند آمد' شرط نمی‌بندند؛ تقاضا قبلاً ظرفیت تولید را رزرو کرده است. ما ۲۵ میلیارد دلار سفارش معوق داریم. OpenAI به مراکز داده بیشتری نیاز دارد، مایکروسافت به بیشتری نیاز دارد، AWS به بیشتری نیاز دارد. تقاضا منتظر مشتریان نیست؛ مشتریان قبلاً در صف هستند.

مجری: این همچنین به ظهور اصطلاحی به نام 'حداکثر توکن' منجر شده است، که به طور بی‌پایان توکن‌ها را تولید می‌کند. برخی سوال می‌کنند که آیا چنین تقاضای بزرگی ارزش واقعی ایجاد می‌کند یا خیر.

پاسخ: البته، ارزش زیادی در حال تولید است. همچنین آزمایش و خطای زیادی وجود دارد. من این را با زمانی که AWS برای اولین بار راه‌اندازی شد مقایسه می‌کنم؛ اینقدر تازه بود که می‌توانستم از بخش IT خود عبور کنم و هر مهندسی با کارت اعتباری ثبت‌نام می‌کرد. بسیاری از چیزها واقعاً مفید هستند، در حالی که برخی بعداً شما را به فکر می‌اندازند، 'هی، نباید این کار را می‌کردم.' اما به‌طور کلی، هنوز هم سودآور است؛ فقط برخی از جهت‌گیری‌ها به بی‌راهه رفته‌اند.

به یاد دارم وقتی Costco در پالو آلتو در سال ۱۹۸۸ افتتاح شد، مردم مانند Safeway در Costco گشت می‌زدند و از هر راهرو عبور می‌کردند. این یک روش خرید وحشتناک بود زیرا شما در نهایت چهار مورد غیرضروری خرید می‌کردید که هر کدام ۲۲ دلار هزینه داشت. بعداً، مردم استراتژی‌هایی یاد گرفتند: به عقب بروید برای مرغ، ۱۸ کاپ کیک برای جشن تولد یک کودک بگیرید و کارآمد باشید. مصرف توکن‌های هوش مصنوعی مشابه است؛ در ابتدا، همه به‌طور آزاد از آن استفاده می‌کردند، اما اکنون شرکت‌ها شروع به استراتژی‌سازی کرده‌اند: کدام وظایف می‌توانند با مدل‌های منبع باز انجام شوند و کدام باید از مدل‌های پیشرفته استفاده کنند. ما شروع به مدیریت هوش مصنوعی مانند یک کسب و کار کرده‌ایم.

استدلال جایگزین آموزش می‌شود: چرا ماشین‌های سریع ستاره‌های این موج هستند؟

مجری: سم آلتمن در AllIn اشاره کرد که مرحله بعدی استدلال، درک نیت، تدوین استراتژی‌ها و اعتبارسنجی متقابل با سایر عوامل است. ما از 'حدس زدن کلمه بعدی' فاصله زیادی گرفته‌ایم و اکنون Cerebras در مرکز این موضوع قرار دارد زیرا استدلال استنتاج است که به محاسبات عظیم نیاز دارد.

پاسخ: استدلال مقادیر زیادی توکن مصرف می‌کند که میدان نبردی برای ماشین‌های سریع ایجاد می‌کند. هر مرحله از استدلال به‌طور داخلی توکن‌ها را مصرف می‌کند؛ شما در اصل به صرف زمان زیادی برای به‌دست آوردن پاسخ‌های خوب وابسته بودید. سریع‌تر بودن Cerebras به معنای این است که اجرای استدلال به مدت ۲۴ ساعت معادل هفته‌ها یا حتی ماه‌ها تفکر برای دیگران است.

امروز صبح، من یک مدل GLM-52 را در BitTensor امتحان کردم و به آن قدرت محاسباتی نامحدود دادم و از آن خواستم که هر ساعت درباره روندهایی که هنوز در سطح جهانی شناسایی نشده‌اند بگوید. آن شروع به بحث با خود کرد: آیا باید به دنبال روندها در Hacker News و Reddit باشد یا روندها ابتدا در اینستاگرام ظاهر می‌شوند؟ من یک مدل استدلال را در پس‌زمینه دیدم که با خود بحث می‌کند؛ این استدلال بود. توکن‌های نامحدود برابر با استدلال نامحدود است؛ با ۱۵ برابر سریع‌تر بودن Cerebras، ۲۴ ساعت معادل هفته‌ها برای دیگران است.

مجری: آیا Cerebras قانون مور خود را دارد؟ چقدر زمان می‌گذارید تا دو برابر شوید؟

پاسخ: تمام چیپ‌های قبلی از قانون مور پیروی می‌کردند و هر ۱۸ ماه دو برابر می‌شدند. ما این خط را با این چیپ شکستیم و یک مسیر کاملاً جدید ایجاد کردیم. قضاوت من این است که در ۱۸ ماه آینده، این به‌طور قابل توجهی فراتر از دو برابر خواهد بود. معماری جدید هنوز فضای زیادی برای بهینه‌سازی دارد. GPUها بر اساس یک معماری ۲۰ ساله هستند که فقط می‌توانند با کوچک کردن گره‌های فرآیند خود را حفظ کنند، اما معماری جدید چیزهای زیادی برای یادگیری و تنظیم دارد.

مجری: با ۲۵ میلیارد دلار سفارش معوق، شما همچنین باید با سرعت OpenAI همگام باشید، زیرا آنها ممکن است در آینده رقبای بالقوه باشند. چگونه شرکت را اداره می‌کنید؟

پاسخ: در حال حاضر، چیپ‌های سیلیکونی بیکار نخواهند بود؛ تقاضا بسیار زیاد است. اما شما درست می‌گویید، OpenAI نیز در حال ساخت چیپ‌های خود است و آمازون نیز همینطور. هیچ‌کس دوست ندارد وابسته باشد. درس آموخته شده توسط فروشندگان بزرگ از دوران x86 این است که به اینتل وابسته باشند؛ فروشندگان GPU درس وابستگی به چند مشتری بزرگ را آموخته‌اند، بنابراین آنها به تأمین مالی ابرهای جدید پرداخته‌اند. ساخت چیپ‌های خودتان به معنای سریع‌ترین بودن نیست، بلکه به معنای عدم وابستگی کامل به دیگران است، حداقل کنترل بخش قابل توجهی از سرنوشت خود را در دست داشتن است.

منبع باز و حاکمیت: شرکت‌ها می‌خواهند کنترل داشته باشند

مجری: منبع باز به یک لحظه رسیده است. من اوایل از OpenClaude استفاده کردم، سپس Kimmy، و متوجه شدم که توکن‌های Claude من در حال انفجار هستند، اما نمی‌توانستم تفاوتی با Kimmy ببینم. مدل‌های منبع باز شروع به انجام استدلال کرده‌اند و شکاف به‌طور ناگهانی در سال جاری بسته شده است.

پاسخ: شما نمی‌خواهید با فراری به سوپرمارکت بروید. گاهی اوقات شما یک خودروی اسپرت می‌رانید و گاهی اوقات یک ون؛ شما اهمیتی نمی‌دهید که کودکتان Cheerios را بریزد. شرکت‌ها نیز همین‌طور هستند: مشکلات سخت به مدل‌های پیشرفته (OpenAI، Anthropic، Gemini) داده می‌شوند، اما در پشت آنها، بسیاری از مسائل روزمره فقط به قابلیت‌های منبع باز قوی نیاز دارند. فکر کنید چقدر زمان یک شرکت صرف کپی کردن از Workday به یک سلول دیگر در Excel می‌شود؟ این به ریاضیات مدال طلا نیاز ندارد؛ منبع باز قوی کافی است.

خلاصه:

به تازگی، کارت دیگری برگردانده شده است: صنایع تنظیم‌شده مانند مالی و بهداشت و درمان (HIPAA، FINRA) نگران نشت داده‌ها و پتانسیل کنترل حاکمیت هوشمند خود هستند. آنها می‌خواهند مدل‌ها را به‌صورت محلی اجرا کنند و از نسخه‌های منبع باز برای به‌دست آوردن کنترل بیشتر استفاده کنند. چند ماه پیش، OpenAI OSS 12B را منتشر کرد که خوب است. با این حال، ایالات متحده اکنون به دنبال منبع باز است، یا OSS 12B یا مدل‌های چینی، با گزینه‌های محلی منبع باز بسیار کمی در دسترس. NVIDIA نیز به این پنجره توجه کرده و مدل‌های منبع باز خود را ترویج می‌کند، اما جنسن در حال تردید است؛ مشتریان او سم، داریو، ایلان و سرگئی هستند و او می‌پرسد که آیا ترویج منبع باز با کسب و کار مشتریانش رقابت خواهد کرد یا خیر.

Cerebras موقعیت نسبتاً خنثی‌ای دارد؛ ما GLM، Kimmy، سری Qwen و همچنین مدل‌های بسته OpenAI را اجرا می‌کنیم. ما همچنین مدل‌های توسعه‌یافته توسط GSK و مدل‌های اختصاصی G42 و MBZUAI امارات متحده عربی را اجرا می‌کنیم. حاکمیت یک روند است.

AGI به‌طور کامل رسیده است، پارادایم‌ها نخواهند مرد، مردم خواهند مرد

مجری: وقتی Fable 5 و o-56 منتشر شدند، دولت گفت: "قبل از انتشار بیشتر، توقف کنید." رابطه Anthropic با دولت تنش‌آمیز بوده است، اما در حال شروع به آرام شدن است. آیا فکر می‌کنید انتشار مرحله‌ای معقول است؟ آیا مدل‌ها واقعاً اینقدر خطرناک هستند؟

پاسخ: من هرگز چیزی مانند این را ندیده‌ام. اما با نگاه به گذشته، وقتی یک مدل به اندازه کافی در تفکر خلاقانه قدرتمند است و دولت می‌گوید: "لطفاً آن را به‌صورت مرحله‌ای منتشر کنید،" من فکر می‌کنم این واقعاً معقول است. ما داروهای قوی را این‌گونه مدیریت می‌کنیم؛ البته ما تشویق نمی‌کنیم که هفت سال کاغذبازی اداری FDA انجام شود، اما گفتن اینکه "حداقل بگذارید دولت برخی از آزمایش‌های تیم قرمز را انجام دهد تا تأیید کند که دفاع‌های ما می‌تواند مقاومت کند" و دادن دو یا سه هفته برای وصله کردن آسیب‌پذیری‌های واضح درخواست غیرمنطقی نیست.

اما اکنون زمان شدیدترین قطب‌بندی است. اگر این کار توسط ترامپ انجام نمی‌شد، واکنش هر رئیس‌جمهور دیگری ممکن است کاملاً متفاوت باشد. قطب‌بندی تفکر واضح را آسیب‌پذیر کرده است. هر دو طرف کارهای احمقانه و هوشمندانه‌ای انجام خواهند داد. پرسنل پایه در دولت در واقع به‌طور جدی کار می‌کنند؛ فقط این است که اوضاع خیلی سریع در حال حرکت است.

نیکش از Palo Alto Networks به من گفت: آنها مدل را در برابر نرم‌افزار خود آزمایش کردند و در عرض یک ساعت ده‌ها آسیب‌پذیری بحرانی پیدا کردند که آنها را مجبور به توقف همه چیز و صرف شش هفته برای وصله کردن کرد. شما متوجه می‌شوید که این یک ابزار قدرتمند است؛ شاید بگذارید یک گروه کوچک ابتدا آن را ببینند یا آزمایش تیم قرمز را انجام دهند.

مجری: به هر تعریفی از ۲۰ سال پیش، AGI به‌طور کامل رسیده است. آیا با این موضوع موافقید؟

پاسخ: بله. آزمون تورینگ؟ مدت‌هاست که فراتر رفته است. هر تعریفی که ۱۰، ۱۵، ۲۰، ۳۰، ۴۰ یا ۵۰ سال پیش پیشنهاد شده، ما به‌طور قابل توجهی فراتر رفته‌ایم. سوالاتی که نویسندگان علمی تخیلی مطرح کرده‌اند، همه پاسخ داده شده‌اند؛ آنها می‌گویند: "من دیگر سوالی ندارم، متأسفم." به همین دلیل است که آنچه به حاشیه می‌رسد ارزش شنیدن دارد؛ ایلیا هشت سال پیش درباره ایمنی صحبت کرد و شما گفتید: "چی؟" به نظر می‌رسد او درست می‌گفت. ایلان درباره کاهش هزینه‌های موشک به نزدیک صفر صحبت کرد و شما گفتید: "چی؟" او این کار را انجام داد.

مجری: یادگیری بازگشتی، شما از آن سوال می‌پرسید، نتیجه را یاد می‌گیرید، دوباره می‌پرسید و پاسخ بهتر می‌شود و مطالب بیشتری را پوشش می‌دهد. پاسخ‌های تولید شده در این چرخه‌ها به‌طور مستقیم از "کمی بهتر" به "بسیار بهتر" می‌پرند. شیب منحنی نمایی خیلی تند است.

پاسخ: دستاوردهای بازگشتی نمایی هستند؛ شما بهتر می‌شوید، سپس دوباره برای بیشتر می‌آیید و ادامه می‌دهید که به‌دست آورید و شیب خیلی تند است. ما فقط شروع به دیدن این موضوع کرده‌ایم. اگر ما به سرمایه‌گذاری در قدرت محاسباتی ادامه دهیم، آیا پاسخ‌ها همچنان بهتر خواهند شد؟ وقتی ما از توکن‌ها یا بودجه خارج شویم، متوقف می‌شویم، اما این منحنی نمایی چه زمانی به اوج خود می‌رسد؟ آیا این همیشه بالا می‌رود؟ این سوال در حال حاضر جالب است.

سرعت یادگیری انسانی به نسل‌ها محدود است؛ فیل‌ها و پستانداران بزرگ ۱۵-۲۰ سال برای یک نسل زمان می‌برند. برای یادگیری سریع، شما باید مانند مگس میوه باشید که در یک روز دو نسل دارد. هوش مصنوعی در حال دستیابی به این سرعت یادگیری در هزاران نسل است. وقتی من روانشناسی را مطالعه می‌کردم، یک استاد گفت: پارادایم‌ها نخواهند مرد، مردم خواهند مرد. پیروان فروید، اسکینر و یونگ ۲۰-۴۰ سال در موقعیت‌های رهبری بودند قبل از اینکه نسل بعدی آنها را به چالش بکشد. هوش مصنوعی فاصله بین نسلی را به سرعت مگس‌های میوه فشرده می‌کند.

من بر این موضوع شرط می‌بندم: فرزندان ما و هر کسی که می‌شناسند از سرطان نخواهند مرد. اقتصاد شوک‌هایی خواهد داشت؛ ورود خودروها زندگی را برای کسانی که اسب‌ها را سم‌زنی می‌کردند دشوار کرد. اما اگر ما سودها و ضررها را فهرست کنیم: انرژی نامحدود، غذا نامحدود، دانش نامحدود، آموزش نامحدود، مسکن نامحدود. ما هزار سال است که می‌دانیم تدریس یک به یک بهتر از تدریس در کلاس است؛ ارسطو الکساندر را آموزش داد، سقراط دانش‌آموزانش را آموزش داد، اما ما آموزش به سبک کارخانه را انتخاب کردیم. اکنون هوش مصنوعی می‌تواند به هر کودک یک معلم بدهد که به روش خود آموزش دهد.

جعبه ابزار هوش مصنوعی اسکورسیزی: تبدیل تصاویر به واقعیت

مجری: رابین رومباخ یکی از بنیان‌گذاران و مدیر عامل Black Forest Labs است که در فرایبورگ و سانفرانسیسکو مستقر است. شما قبلاً روی Stable Diffusion کار کرده‌اید و الگوریتم انتشار نهفته را اختراع کرده‌اید. کسب و کار Black Forest Labs چیست؟ هدف چیست؟

پاسخ: من و شرکایم این شرکت را دو سال پیش تأسیس کردیم. ما قبلاً روی Stable Diffusion کار کرده‌ایم و قبلاً الگوریتم انتشار نهفته را اختراع کرده‌ایم که الگوریتم بنیادی پشت تمام تولید تصویر، تولید ویدیو و حتی مدل‌های هوش مصنوعی فیزیکی است. اصل این است که داده‌های طبیعی (تصاویر، ویدیوها، صدا) را به یک فضای نمایندگی کارآمد فشرده کنیم و سپس ترنسفورمرها را بر روی آن آموزش دهیم، مشابه اصول JPEG و MP3، اما با استفاده از الگوریتم‌های شبکه عصبی پیاده‌سازی شده است. ما این را در طول تحصیلات دکتری خود در مونیخ توسعه دادیم.

اکنون ما در حال مقابله با مدل‌های بصری چندرسانه‌ای هستیم که به‌طور همزمان بر روی داده‌های تصویری و صوتی پیش‌آموزش می‌بینند و وارد یک پارادایم جدید می‌شویم: ترکیب پیش‌بینی عمل به‌طوری که همان مدل بتواند تصاویر، ویدیوها، صدا و پیش‌بینی عمل‌ها را مدیریت کند که در نهایت قابل استقرار بر روی ربات‌های واقعی است.

مجری: از تصاویر به ویدیوها، به صدا و به ربات‌ها، اگر یک مدل بتواند ویدیو تولید کند، به این معنی است که او جهان را درک می‌کند.

پاسخ: هوش شهودی و استدلال عمیق دو شکل مکمل هوش هستند. ما از سمت شهودی شروع می‌کنیم؛ تصاویر طبیعی‌ترین نقطه ورود هستند و بار محاسباتی به اندازه ویدیو بالا نیست. اما اکنون این به مدل‌های چندرسانه‌ای همگرا می‌شود. پیش‌آموزش بر روی ویدیو به‌طور ضمنی به مدل قوانین تعامل فیزیکی را آموزش می‌دهد و پیش‌بینی‌های عملی را از همان مدل به‌دست می‌آورد که کنترل ربات است.

مجری: آیا با مارتین اسکورسیزی همکاری می‌کنید؟ آیا در کنار او نشسته‌اید در حالی که او از ابزار شما استفاده می‌کند؟

پاسخ: بله، من در همان اتاق با او نشستم؛ او مدل ما را بررسی کرد و به عنوان یکی از محققان اصلی، من در کنار او نشستم. این احساس فوق‌العاده‌ای بود. در عین حال، من یک طرفدار بزرگ او هستم.

آنچه او می‌خواهد این است که صحنه‌های ذهنی خود را تجسم کند، توصیف یک روستا در اروپای شرقی، ما به خروجی نگاه می‌کنیم در حالی که او تکرار می‌کند. در پایان، او گفت: تبدیل تصاویر در ذهن شما به بیان‌های بصری یک کارایی ارتباطی بسیار فراتر از زبان است. زبان یک شکل ارتباطی تا حدی از دست رفته است؛ اطلاعات بصری سیگنال غنی‌تری دارد؛ مقدار اطلاعات در یک تصویر یا ویدیو بسیار زیاد است؛ این یک کانال ارتباطی دیگر است.

ما نمی‌خواهیم نحوه استفاده از این مدل‌ها را دیکته کنیم، به‌ویژه نه به مارتین اسکورسیزی، که بگوییم: "شما باید این‌گونه استفاده کنید." مدل‌های هوش مصنوعی یک وسیله هستند. جالب‌ترین چیزها تقریباً همیشه زمانی به‌وجود می‌آید که انسان‌ها در حلقه تکرار می‌کنند.

از فیلم‌ها تا ربات‌ها: نقطه پایانی مدل‌های تولیدی بر روی صفحه نمایش نیست

مجری: استارتاپ‌ها اکنون از Flux و مدل‌های شما برای ایجاد ویدیوهای راه‌اندازی استفاده می‌کنند؛ قبلاً ساخت یک ویدیو راه‌اندازی ۲۵۰,۰۰۰ دلار هزینه داشت، اما اکنون می‌توان آن را در یک یا دو هفته انجام داد. گل گدوت به تازگی یک فیلم بیت‌کوین ساخته است که در آن بازیگران در یک صحنه صدا بدون صفحه سبز اجرا کردند و تمام پس‌زمینه‌ها با استفاده از هوش مصنوعی تولیدی ایجاد شد و به اثراتی دست یافت که در اصل ۱۵۰ میلیون دلار برای یک بودجه ۳۰ میلیون دلاری هزینه داشت. آیا شما این را در تولید دیده‌اید؟

پاسخ: من برخی از آنها را دیده‌ام. تولید فیلم‌های با کیفیت بالا یکی از سخت‌ترین موارد استفاده است. خوشحالم که مردم در حال بررسی آن هستند، اما همچنین می‌خواهم روشن کنم: فناوری هنوز در یک مسیر است و به سرعت در حال تکرار است. چند سال پیش، وقتی ما در حال انجام تحصیلات دکتری خود بودیم، ما فقط می‌توانستیم تصاویر ۶۴×۶۴ پیکسلی تولید کنیم؛ اکنون می‌توانیم ویدیوهای با وضوح بالا با ورودی‌های متعدد ایجاد کنیم، اما اینجا متوقف نخواهد شد.

آنچه بیشتر از همه مرا هیجان‌زده می‌کند این است: شما می‌توانید از همان مدل چندرسانه‌ای برای ساخت یک فیلم استفاده کنید و سپس آن را به عنوان مغز یک ربات مستقر کنید. این شگفت‌انگیز است. اینکه آیا استفاده از کامپیوتر قابل اعمال است هنوز نامشخص است، اما فناوری به سمت دنیای فیزیکی در حال حرکت است؛ مدل‌های جهانی، مدل‌های عملی، اساساً همان چیز هستند.

مجری: داده‌های آموزشی از کجا می‌آید؟ آیا شما انسان‌ها را وادار می‌کنید که عینک و دستکش بپوشند تا دیدگاه‌های اول شخص را ضبط کنند؟ یا کافی است که هزار ویدیو از مردم در حال ریختن نوشیدنی‌ها در یوتیوب تماشا کنید؟

پاسخ: هدف این است که از دستورات در متن برای آموزش ربات استفاده کنید: "این لیوان آب پرتقال را برای من بیاورید." ما هنوز نمی‌توانیم این کار را انجام دهیم. در حال حاضر، رویکرد این است که مدل قبلاً با مقدار زیادی درک بصری تجهیز شده است و فقط به چند ساعت داده‌های تنظیم دقیق نیاز دارد تا به سخت‌افزار خاصی سازگار شود. جهت‌گیری این است که تنظیم دقیق را به حداقل برسانیم و تا حد ممکن به دستورات در متن تکیه کنیم، اما این هنوز یک سوال تحقیقاتی است.

مجری: منبع باز در حال حاضر لحظه خود را دارد؛ شرکت‌ها می‌خواهند حاکمیت داشته باشند. غول‌های IP مانند دیزنی چگونه باید با این موضوع برخورد کنند؟ آیا باید مدل‌های خود را با استفاده از مدل‌های منبع باز شما آموزش دهند یا با شما همکاری کنند تا مدل‌های انحصاری آموزش دهند؟

پاسخ: جالب‌ترین موارد استفاده در تولید چیزهایی است که هرگز وجود نداشته‌اند؛ این اساساً جالب‌ترین جنبه این فناوری است. ابزارهای عمومی ما نمی‌توانند IP خاصی تولید کنند که معقول است. ما با برخی از دارندگان IP برای توسعه مدل‌ها همکاری می‌کنیم، برخی بر اساس مدل‌های منبع باز ما و برخی بر اساس مدل‌های اختصاصی قوی‌تر ما.

جالب‌ترین زاویه این است که فناوری در حال سریع‌تر و تعاملی‌تر شدن است. شما می‌توانید انواع ابزارهای ایجاد محتوای تعاملی را در Disney+ تصور کنید.

مجری: پدیده جالب‌ترین در حال حاضر فیلم‌های طرفداران است. قبلاً نوشتن داستان‌های شخصی جنگ ستارگان توسط طرفداران وجود داشت و سپس مردم شروع به ساخت فیلم‌های طرفداران در لباس‌های جدی کردند. جورج لوکاس گفت که این مجاز است تا زمانی که برای استفاده تجاری نباشد. اکنون مردم از هوش مصنوعی برای تفسیر داستان‌های ناگفته جنگ ستارگان استفاده می‌کنند و هر ویدیو در جنگ ستارگان داستان‌های ناگفته میلیون‌ها بازدید دریافت می‌کند. این آینده است: اجازه دادن به مصرف‌کنندگان برای پرداخت مجوز برای ایجاد داستان‌های خود با استفاده از شخصیت‌ها.

پاسخ: اگر یک مدل کسب و کار قابل اجرا برای دارندگان IP پیدا شود که همچنین این سفارشی‌سازی فوق‌العاده خلاقانه را باز کند، این فوق‌العاده خواهد بود. وقتی من کتابی می‌خوانم یا فیلمی می‌بینم، همیشه فکر می‌کنم، "اگر این‌گونه پیش می‌رفت چه؟" اکنون ما بالاخره می‌توانیم آن افکار را تجسم کنیم.