ESCOLA AI WEEKLY #34 – Krzysztof Wojewodzic

Na miejscu szóstym mamy ciekawy feature, ciekawą funkcję dla każdego usera, czyli Ask Maps, czyli że możesz w mapach Google dosłownie zapytać, gdzie mogę kupić mleko zagęszczone i on ci zasugeruje sklepy, gdzie możesz kupić mleko zagęszczone akurat albo gdzie mogę kupić baterie do mojej latarki i wskazać model latarki albo zrobić zdjęcie tej latarki. Czyli to jak de facto większość naszych problemów wygląda. Jeśli chcę kupić takie ramię do mikrofonu, to chciałbym wiedzieć gdzie mogę kupić takie ramię do mikrofonu, jeżeli potrzebuję je tu natychmiast fizycznie kupić, albo gdzie mogę zjeść lunch, gdzie akurat zjem jedzenie z Nepalu. To jest to jak myśli człowiek.

Mistral to jest taki największy i właściwie jedyny liczący się na świecie projekt AI europejski. Fanów wielika bardzo przepraszam, ale jeżeli mówimy o modelach liczących się faktycznie na świecie, używanych na świecie, no to Mistral jest jednym z nich. I co zwróciło moją uwagę? Mistral jakby widać, że podąża dokładnie ścieżką, którą wyznaczają liderzy amerykańscy, czy zaraz potem chińscy, czyli ma być po pierwsze wybieranie modelu, czy to ma być duży model, czy mały. To jak zwrócicie uwagę, teraz jest OpenAI, ma GPT Auto, już nie mówi wam, czy ty musisz ręcznie wybierać, czy to ma być szybszy model, czy wolniejszy. Podobnie możesz ustawiać Claude'a, podobnie możesz ustawiać Gemini'a, że on sam decyduje, czy potrzebuje szybkiej odpowiedzi, czy potrzebuje się

Troszeczkę dłużej zastanowić i odpalić tą thinking, deep research, etc. Więc to mamy w Mistralu, mamy model Small, Mistral 4 Small. I co zwróciło moją uwagę? Small ma 119 milionów parametrów. Wow. Pamiętam jak... miliardów parametrów, przepraszam. Jak posiadanie kilkudziesięciu miliardów parametrów, to było dużo. Mamy open source'owy model od NVIDII, który ma chyba też sto kilkadziesiąt miliardów parametrów. Mamy GPT OSS, też do pobrania, który ma sto dwadzieścia miliardów parametrów. Wow, jeżeli small to jest coś, co ma sto dwadzieścia miliardów parametrów, to znaczy, że jesteśmy już naprawdę w rejonach górnych kilkuset miliardów parametrów, czyli jakby Strasznie dużo jest tych pokręteł i to pozwala na dużą precyzję tych modeli.

Więc to zwróciło moją uwagę i pokazuje też coś bardzo ważnego. Zaczyna być ważne też, jak szybko jesteśmy w stanie, jak szybka jest ta tak zwana inferencja, czyli im szybciej model jest w stanie odpowiadać na pytania, tym lepiej i ten model auto czasami pozwala na szybszą decyzję, szybsze... Udzielenie nam odpowiedzi, a to jest strasznie ważne, i też czy przebudowanie, bo de facto dzisiaj na tych tak zwanych LLM-ach, Large Language Models, mamy nabudowane mnóstwo systemów decyzyjnych, agentowych, asystujących i jeżeli tam pojawia się mnóstwo jakichś drobnych decyzji po drodze, no to im szybciej odgadujemy prawidłowe słowa czy prawidłowe kierunki decyzyjne tym.

Więc to było miejsce piąte, a na miejscu czwartym chciałem zwrócić uwagę na bardzo podobny kierunek w jakim poszedł OpenAI, czyli mamy GPT-54 Mini i Nano, dosłownie wypuszczone przed momentem. Właśnie tanie, szybkie modele. Dlaczego to ma znaczenie? Wspomniałem już szybciej. Znaczy taniej, taniej zapłacimy za tokeny, taniej też zapłaci OpenAI za dostarczenie nam tej wiedzy. I zwracam na to uwagę, bo kilkukrotnie już mówiłem w tym programie, że OpenAI krwawi jeśli chodzi o pieniądze. Oni naprawdę każdego dnia dopłacają kilkaset milionów do interesu, żeby ten budżet się jakoś spinał i to rośnie wraz z zwiększającą się liczbą użytkowników.

No i jeżeli ci użytkownicy będą spalać troszeczkę mniej tokenów, mniej zajmować miejsca na serwerach swoimi zapytaniami, tym lepiej dla nich. Więc to są dwie strony, ale tej samej monety. No i to widzimy też we wszystkich właściwie modelach, czyli jak mamy Cloud nawet do kodowania, mamy Opus bardzo silny i Sonnet trochę szybszy i model się może przełączać, może dzięki temu albo pewne rzeczy robić trochę szybciej, albo wolniej, mniej dokładnie, ale może sobie też wybierać sam. Lub też my możemy wskazać, na jakiej jakości nam zależy. Więc to było miejsce czwarte, a na miejscu trzecim już wchodzimy na podium. Musimy troszeczkę zająć się tym, jaki będzie następny etap w AI. Bo dużo rozmawiamy o modelach językowych, Dużo rozmawiamy o tym, jakie są systemy asystujące czy agentowe, ale na miejscu trzecim mamy Jana Lekuna, czyli jednego z ojców chrzestnych AI, laureata między innymi Nagrody Turinga, który, uwaga, zebrał miliard dolarów na swój startup, który de facto będzie zajmował się trenowaniem robotów.

I o tym jest jego startup, który próbuje zbudować coś, co się dzisiaj nazywa world models, czyli zrozumienie świata takim, jaki on jest w 3D. Przypomnę, chyba w zeszłym tygodniu mówiłem o również bardzo podobnej rundzie finansowania. Też około miliarda złotych dla z kolei matki chrzestnej AI. Więc widzimy tutaj będzie bardzo ciekawa konkurencja między ojcem chrzestnym i matką chrzestną AI. Bardzo kibicuję tym projektom. Uważam, że one będą zajmowały co najmniej dekadę, żeby mieć prawdziwe sukcesy w tym zakresie. I zauważcie, nie ma przypadku, że tu mówimy o rundzie na start. Names mentioned. Names mentioned.

który obsługuje firmy w zakresie nadzoru, bezpieczeństwa tego, czy przykładowo ludzie noszą kamizelki żółte, czy nie blokują jakichś kluczowych dróg transportowych. Ta firma obsługuje InPost na przykład, ich centra logistyczne, czy jakieś porty, czy duże hale magazynowe. Bardzo mało o tej firmie się akurat mówi. Nie wiem czemu. Uważam, że to jeden z lepszych polskich startupów AI. No i wracając do tego, no właśnie oni, żeby trenować swoje modele, nie zawsze mogą trenować je ze świata rzeczywistego, początkowo tworzą takie wirtualne światy i tam wytrenowują swoje modele, a potem przekładają to na świat rzeczywisty. Także jest kilka sposobów. Najważniejsze w świecie sztucznej inteligencji jest mieć dobre, rzetelne dane, bo one stanowią o przewadze.