Szef organizacji non-profit zajmującej się sztuczną inteligencją twierdzi, że „zamknięty charakter” większości badań nad sztuczną inteligencją utrudnia innowacyjność

Rok przed tym, jak Elon Musk założył OpenAI w San Francisco, współzałożyciel firmy Microsoft, Paul Allen, założył w Seattle laboratorium badawcze zajmujące się sztuczną inteligencją, działające non-profit.

Allen Institute for Artificial Intelligence (Ai2) miał na celu rozwijanie AI dla dobra ludzkości. Ponad dekadę później Ai2 może nie być tak dobrze znany jak OpenAI, twórcy ChatGPT, ale nadal dąży do „wysokiego wpływu” AI, zgodnie z wizją pana Allena, który zmarł w 2018 r.

Najnowszy model AI firmy Ai2, Tulu 3 405B, dorównuje modelom OpenAI i chińskiego DeepSeek w kilku testach porównawczych. W przeciwieństwie do OpenAI, Ai2 twierdzi, że rozwija „naprawdę otwarte” systemy AI, na których inni mogą budować. Od 2023 r. dyrektor generalny Ai2, Ali Farhadi, kieruje instytutem po okresie pracy w Apple.

Powiedział: „Naszą misją jest napędzanie innowacji i przełomów w dziedzinie sztucznej inteligencji, aby rozwiązać niektóre z najbardziej palących problemów ludzkości. Największym zagrożeniem dla innowacji w dziedzinie sztucznej inteligencji jest zamknięta natura tej praktyki. Bardzo mocno naciskamy na otwartość. Rozważmy oprogramowanie typu open source: podstawową ideą jest to, że powinienem być w stanie zrozumieć, co zrobiłeś, zmodyfikować to, rozwinąć, użyć części, połowy lub całości. A gdy już coś stworzę, udostępnię to, a ty powinieneś być w stanie zrobić to samo”.

Debata wokół otwartego kodu źródłowego AI jest obecnie gorącym tematem. Dla nas otwarte oprogramowanie oznacza jasne zrozumienie swoich działań. Podczas gdy otwarte modele wag, takie jak te z Meta, są korzystne, ponieważ ludzie mogą po prostu wziąć te wagi i kontynuować, nie kwalifikują się jako otwarte oprogramowanie.

Otwarte źródło oznacza dostęp do każdego elementu układanki. Gdybym miał spekulować, niektóre dane treningowe dla tych modeli mogą zawierać wątpliwy materiał. Jednak dane treningowe, które są rzeczywistym IP, są prawdopodobnie najcenniejszą częścią. Wielu uważa, że ​​mają znaczną wartość i ja się z tym zgadzam.

Dane odgrywają kluczową rolę w ulepszaniu modelu i zmienianiu jego zachowania. To pracochłonny i wymagający proces. Liczne firmy inwestują w tę dziedzinę i niechętnie dzielą się swoimi odkryciami. W miarę dojrzewania sztucznej inteligencji uważam, że przygotowuje się ona do poważnego traktowania w krytycznych domenach problemowych, takich jak odkrycia naukowe.

Duża część niektórych dyscyplin obejmuje złożone poszukiwanie rozwiązań - czy to struktura genu, struktura komórki czy określone konfiguracje elementów. Wiele z tych problemów można sformułować obliczeniowo. Istnieje ograniczenie tego, co można osiągnąć, po prostu pobierając model wytrenowany na danych tekstowych z Internetu i dostrajając go. Naszym celem jest umożliwienie naukowcom trenowania własnych modeli.