Lokal AI

Bakgrunden till de amerikanska AI-bolagens vurm för mänsklighetens bästa är sannolikt, som många redan påpekat, bolagens förhoppning att introduktionen av omfattande reglering ska försvåra eller omöjliggöra AI-tjänster som bygger på modeller med öppna vikter.

Sådana försök till marknadsdominans är inget nytt (ett exempel från början av 2000-talet är tobaksindustrins lobbyverksamhet för ökad reglering inom tobaksindustrin), men det är lätt att förstå incitamenten eftersom det finns en – för AI-bolagen – skrämmande stor potential i tjänster som bygger på öppen källkod och modeller med öppna vikter.

På affärsengelska används begreppet moat: strategiskt konkurrensmässiga fördelar som ofta inkluderar inlåsningseffekter. Två exempel är digitala system som Apples molntjänster (har du någon gång försökt lämna iCloud eller bjuda in en familjemedlem som använder android vet du sannolikt vad jag pratar om) eller Visa och Mastercards betalsystem. En utmaning för AI-bolagen är att de har svårt att hitta en egen moat. Också det har du säkert upplevt själv. Tjänsterna som ChatGPT och Claude erbjuder är i många fall utbytbara och erbjuder inga tydliga inlåsningseffekter. Programmeringshjälpen jag får och rådgivningen runt placering av bolån är i princip likvärdig mellan ChatGPT och Claude, och upplevelsen är likadan för många företagskunder. Du får lika bra hjälp att svara på ett mejl eller schemalägga ett möte från båda tjänster. Resultatet är en kamp om lägsta priser och ett aldrig sinande arbete att fånga kunder i snabbare takt än man tappar dem till konkurrenter.

Det är inte förvånande om företagsledarna sover dåligt av vetskapen om att deras historiskt höga värderingar bygger på produkter som just nu verkar utbytbara. Och det är denna brist på moat som föranleder försöken till reglering.

En annan strategi AI-giganterna använder för att förhindra, eller åtminstone minska, den sårbara utbytbarheten och försvara sina värderingar, är satsningar inom naturvetenskaplig forskning. Den senaste tiden har flera AI-aktörer hävdat stora framgångar inom matematik och biokemi. OpenAI har påstått sig ha löst Navier-Stokes-problemet (dock inte utan att utlösa viss dramatik i forskningsvärlden) och Anthropic har presenterat ett nytt enzym med egenskaper som liknar CRISPR.

Men här är det viktigt att uppmärksamma att det här inte är riktigt samma AI-tjänster som erbjuds dig och mig.

Enligt uppgifter spenderade OpenAI 15 miljoner dollar på 10 000 agenter för att lösa den matematiska knuten. Och sammanfattningen till Anthropics artikel om enzymet avslutas “These findings indicate that LLMs can autonomously detect anomalies and drive analyses to initiate biological discoveries.” LLM:er (Large Language Models, eller stora språkmodeller) är en typ av AI som är utformad för att, något förenklat, förutspå och generera texter. De tränas på enorma mängder data (i flera fall illegalt inhämtad) för att kunna identifiera mönster i ord och meningar. Det gör LLM:er flexibla och väldigt effektiva i språkliga uppgifter som att skriva källkod, men de har strukturella begränsningar där andra tekniker är betydligt mer pålitliga, exakta och effektiva.

I de här exemplen finns två saker att reflektera över: Dels att den enorma budget som krävdes för att lösa det matematiska problemet hade kunnat finansiera en mängd forskare under många år och att det sannolikt krävs mer omfattande och mångfacetterade AI-modeller och AI-bruk än bara LLM:er för verkligt omfattande vetenskapliga framsteg.

Det är naturligtvis omöjligt att göra en exakt kartläggning, men i många av de senare årens mest uppmärksammade forskningsresultat där AI-stöd varit en viktig del, har LLM:er inte varit en avgörande eller ens viktig del. Det inkluderar arbete som identifiering av dolda sjukdomsorsaker, mer exakt klimatprognostisering och upptäckter av nya materialmöjligheter.

AI-utvecklingen rör sig sannolikt mot hybridmodeller där språkmodeller kombineras med specialiserade modeller, och LLM:er kan mycket väl ge betydande effektivitetsvinster. Men hur stora de vinsterna blir för samhället är än så länge svårt att belägga.

De AI-genombrott som faktiskt har flyttat fram forskningen och ger potential till värdefulla upptäckter har gjorts med specialiserade modeller, inte med chattjänster. Sådana modeller är ofta mindre, billigare att köra och i många fall öppna. Det är den sortens AI som kan köras lokalt, på ett universitet, ett sjukhus eller en kommun, utan att passera någon av de stora bolagens servrar. Och det är just den som riskerar att fastna i en reglering som formats av bolag vars största hot är att deras egen produkt går att byta ut.