สรุปงานประชุม Goldman Sachs Silicon Valley: ตัวแทน AI, เวิร์กโฟลว์ และแบบจำลองโลก

ผู้เขียน: หลี่ เจีย, วอลล์สตรีทเจอร์นัล

ปัญญาประดิษฐ์กำลังเข้าสู่เฟสใหม่ จาก "ความสามารถในการตอบคำถาม" ไปสู่ "ความสามารถในการลงมือปฏิบัติ"

จากรายงานล่าสุดของ Goldman Sachs ฝ่ายซื้อขายพลังงานลม ระบุว่า การนำ AI มาใช้ในเชิงพาณิชย์กำลังเปลี่ยนจาก "การสมัครสมาชิกตามจำนวนที่นั่ง" ไปเป็นการคิดค่าบริการตามการใช้งาน ปริมาณธุรกรรม และผลลัพธ์ ในขณะเดียวกัน เอเจนต์กำลังเปลี่ยนจากเครื่องมือเสริมไปเป็นผู้ดำเนินการเวิร์กโฟลว์ และมูลค่าของอุตสาหกรรมกำลังเปลี่ยนจากตัวโมเดลเองไปสู่ข้อมูลที่เป็นกรรมสิทธิ์ บริบททางธุรกิจ และความเชี่ยวชาญเฉพาะด้าน

นี่หมายความว่าการแข่งขันในอุตสาหกรรม AI กำลังเปลี่ยนจาก "ใครมีโมเดลที่แข็งแกร่งกว่า" ไปเป็น "ใครสามารถควบคุมกระบวนการทำงานได้อย่างแท้จริง" ความสามารถของโมเดลยังคงมีความสำคัญ แต่ความสามารถในการเข้าสู่สภาพแวดล้อมการผลิตขององค์กร เข้าใจบริบททางธุรกิจ และทำงานให้เสร็จสมบูรณ์ได้อย่างน่าเชื่อถือ จะกลายเป็นอุปสรรคในการแข่งขันที่สำคัญยิ่งกว่า

ข้อสรุปนี้มาจากการสำรวจภาคสนามล่าสุดของ Goldman Sachs เกี่ยวกับห่วงโซ่อุตสาหกรรม AI ในซิลิคอนแวลลีย์ ระหว่างวันที่ 18-19 สิงหาคม Goldman Sachs ได้เยี่ยมชมสตาร์ทอัพ AI บริษัทร่วมทุนชั้นนำ และนักวิจัยจากมหาวิทยาลัยสแตนฟอร์ด มหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์ และมหาวิทยาลัยซานฟรานซิสโก เป็นปีที่สามติดต่อกัน Goldman Sachs เชื่อว่าเมื่อการนำ AI ไปใช้งานอย่างรวดเร็ว การกระจายมูลค่าระหว่างโมเดลล้ำสมัย โมเดลโอเพนซอร์ส โมเดลโลก ซอฟต์แวร์สำหรับองค์กร และข้อมูลที่เป็นกรรมสิทธิ์จะเปลี่ยนแปลงไป

การนำเอเจนต์ไปใช้งาน: สิ่งที่องค์กรขาดอย่างแท้จริงไม่ใช่ความสามารถ แต่คือ "การควบคุม"

หากในอดีต AI แก้ปัญหาเรื่อง "การช่วยเหลือผู้คนให้ทำงานให้เสร็จ" ได้แล้ว ปัจจุบันเอเจนต์กำลังพยายามแก้ปัญหาเรื่อง "การทำงานให้เสร็จด้วยตนเอง" อย่างไรก็ตาม ในการนำไปใช้งานในวงกว้างในองค์กร อุปสรรคที่ใหญ่ที่สุดอาจไม่ใช่ความสามารถของโมเดลอีกต่อไป แต่เป็นวิธีการแบ่งความรับผิดชอบและว่ากระบวนการทำงานทั้งหมดจะสามารถควบคุมได้หรือไม่

รายงานดังกล่าวอ้างอิงถึงนักวิจัยจากมหาวิทยาลัยสแตนฟอร์ดที่ชี้ให้เห็นว่าองค์กรส่วนใหญ่ยังคงอยู่ในโหมดการกำกับดูแลโดยมนุษย์ โดยเฉพาะอย่างยิ่งในสาขาต่างๆ เช่น กฎหมาย การควบคุมความเสี่ยง การประกันภัย และการตรวจสอบบัญชี หากแบบจำลองเกิดข้อผิดพลาด ใครจะเป็นผู้รับผิดชอบ จะติดตามกระบวนการได้อย่างไร และจะสามารถแก้ไขได้ทันท่วงทีหรือไม่ อาจมีความสำคัญพอๆ กับความสามารถของแบบจำลองเอง

ดังนั้น กระบวนการทำงานที่น่าจะได้รับการทำให้เป็นระบบอัตโนมัติได้เร็วที่สุด มักจะมีลักษณะสามประการ ได้แก่ ขอบเขตการตัดสินใจที่ชัดเจน ผลลัพธ์ที่ตรวจสอบได้ และข้อผิดพลาดที่สามารถแก้ไขได้ การประมวลผลใบแจ้งหนี้เป็นตัวอย่างที่ดี AI มีหน้าที่ในการดึงข้อมูลและทำการตรวจสอบ โดยกรณีที่มีความน่าเชื่อถือต่ำจะได้รับการตรวจสอบโดยมนุษย์ และดำเนินการต่อให้เสร็จสมบูรณ์ผ่านกระบวนการ ERP ที่สามารถแก้ไขได้

นอกจากนี้ยังหมายความว่าผู้ให้บริการข้อมูลที่มีเนื้อหาน่าเชื่อถือ รูปแบบโดเมนที่ผ่านการตรวจสอบ และความสัมพันธ์ด้านกฎระเบียบที่แน่นแฟ้น มีแนวโน้มที่จะเข้าสู่สภาพแวดล้อมการผลิตขององค์กรได้ก่อน

การแข่งขันสร้างแบบจำลอง: การแบ่งงานระหว่างแบบจำลองล้ำสมัยและแบบจำลองโอเพนซอร์ส

เกี่ยวกับการถกเถียงเรื่อง "โอเพนซอร์สหรือโคลสซอร์ส" สัญญาณที่โกลด์แมนแซคส์เปิดเผยระหว่างการตรวจสอบนี้บ่งชี้ว่าไม่ใช่ทางเลือกแบบสองทาง แต่โมเดลที่แตกต่างกันอาจสอดคล้องกับระดับของเวิร์กโฟลว์ที่แตกต่างกัน

กลุ่มผู้สนับสนุนโมเดลล้ำสมัยเชื่อว่า การเปรียบเทียบประสิทธิภาพขององค์กรมักประเมินความสามารถของโมเดลต่ำเกินไป ในสภาพแวดล้อมการผลิตจริง การสูญเสียทางธุรกิจที่เกิดจากความแม่นยำของโมเดลที่ลดลงอาจมากกว่าการประหยัดต้นทุนในการประมวลผลอย่างมาก ดังนั้น แม้ว่าบริษัทที่ใช้ AI เป็นหลักหลายแห่งจะอ้างว่าใช้กลยุทธ์หลายโมเดล แต่พวกเขายังคงพึ่งพาโมเดลล้ำสมัยในสภาพแวดล้อมการผลิตหลักของตนอย่างมาก

อีกมุมมองหนึ่งชี้ให้เห็นว่า เวิร์กโฟลว์ส่วนใหญ่ขององค์กรไม่จำเป็นต้องใช้ระบบอัจฉริยะล้ำสมัย เนื่องจากประสิทธิภาพของโมเดลโอเพนซอร์สดีขึ้นเรื่อยๆ ลูกค้าจึงเต็มใจที่จะแลกเปลี่ยนประสิทธิภาพที่ลดลงเล็กน้อยกับต้นทุนการประมวลผลที่ต่ำกว่า บริษัทร่วมทุนแห่งหนึ่งคาดการณ์ว่า ในอีก 12 ถึง 18 เดือนข้างหน้า ประมาณ 90% ของโทเค็นการประมวลผลจะไหลไปยังโมเดลโอเพนซอร์ส

นี่หมายความว่าตลาดโมเดล AI ในอนาคตอาจมีการแบ่งงานที่ชัดเจนยิ่งขึ้น: โมเดลล้ำสมัยจะรับผิดชอบงานที่ซับซ้อน มีมูลค่าสูง และมีความน่าเชื่อถือสูง ในขณะที่โมเดลโอเพนซอร์สจะจัดการงานมาตรฐานขนาดใหญ่ และการใช้งานโทเค็นส่วนใหญ่

แบบจำลองโลก: พลังการประมวลผลของ AI อาจเข้าสู่ช่วงการเติบโตครั้งที่สอง

ในช่วง 18 เดือนที่ผ่านมา นักวิจัยได้เปลี่ยนจุดสนใจจากแบบจำลองระดับภูมิภาค (LLM) ไปสู่ "แบบจำลองโลก" มากขึ้นเรื่อยๆ

แตกต่างจาก LLM ที่อาศัยข้อมูลจากอินเทอร์เน็ตเป็นหลักในการฝึกฝน โมเดลโลกจำเป็นต้องเข้าใจสภาพแวดล้อม ความสัมพันธ์เชิงสาเหตุ กฎทางฟิสิกส์ และปฏิสัมพันธ์แบบไดนามิกในโลกแห่งความเป็นจริง โดยข้อมูลจะมาจากระบบทางกายภาพ อุตสาหกรรมเฉพาะ และสถานการณ์การปฏิบัติงานจริงมากขึ้น ซึ่งหมายความว่าความสำคัญของข้อมูลที่เป็นกรรมสิทธิ์อาจเพิ่มมากขึ้น

Goldman Sachs เชื่อว่าขอบเขตของปัญหาที่เกี่ยวข้องกับสาขาต่างๆ เช่น ฟิสิกส์ อุตสาหกรรม วิทยาศาสตร์ และหุ่นยนต์นั้นกว้างใหญ่กว่าการสร้างข้อความเพียงอย่างเดียว และกระบวนการทำงานเหล่านี้มักต้องการการลงทุนด้านพลังการประมวลผลที่สูงกว่า เมื่อ AI ก้าวเข้าสู่โลกทางกายภาพจากโลกดิจิทัลมากขึ้น ความต้องการพลังการประมวลผลในการฝึกโมเดล การจำลอง และการอนุมาน อาจมีแนวโน้มการเติบโตใหม่เช่นกัน

Goldman Sachs คาดการณ์ว่าในอีกห้าปีข้างหน้า ความต้องการพลังการประมวลผลอาจเพิ่มขึ้นประมาณ 24 เท่า และคาดว่าความตึงเครียดระหว่างอุปสงค์และอุปทานจะคงอยู่ยาวนานกว่านั้น ซึ่งจะส่งผลดีโดยตรงต่อบริษัทด้านคลาวด์คอมพิวติ้งและโครงสร้างพื้นฐานด้านการประมวลผล เช่น Microsoft, Oracle และ CoreWeave