Image de https://beta.dreamstudio.ai/dream
« Mais le schéma général est clair : au cas par cas, lorsqu'un modèle peut être créé et testé, il a tendance à fonctionner aussi bien, voire mieux, que des experts humains prenant des décisions similaires. Trop souvent, nous continuons à nous fier au jugement humain alors que les machines peuvent faire mieux. — Andrew McAfee, Erik Brynjolfsson
L'écrivain David Foster Wallace raconte l'histoire, "This is Water", de deux jeunes poissons qui ne savent pas ce qu'est l'eau. Il fait remarquer que les réalités les plus importantes nous sont souvent complètement invisibles (et le resteront si nous les laissons faire). Le célèbre mathématicien et philosophe Bertrand Russell a fourni une réponse, "ce que la science ne peut pas découvrir, l'humanité ne peut pas le savoir", mais il s'est trompé. Fritjof Capra et Pier Luigi Luisi donnent un exemple de la façon dont Russell s'est trompé :
"L'émergence aboutit à la création de nouveauté, et cette nouveauté est souvent qualitativement différente des phénomènes dont elle est issue."
Si ce contenu éducatif approfondi vous est utile, abonnez-vous à notre liste de diffusion AI d'être alerté lorsque nous publierons du nouveau matériel.
Une autre preuve que Russell avait tort est le domaine en évolution rapide de l'IA générative. Le reste de cet article traite de cette forme d'intelligence artificielle (IA) et de ce qu'elle signifie pour l'avenir… de l'humanité.
Au cours des deux dernières semaines, trois articles stupéfiants sont apparus dans ma lecture. Le premier était un article de la célèbre société de capital-risque, Sequoia Capital, dans lequel ils annonçaient que le modèle commercial était à nouveau redéfini par l'IA. Pour citer Sequoia :
"Les meilleures entreprises d'IA générative peuvent générer un avantage concurrentiel durable en exécutant sans relâche sur le volant d'inertie entre l'engagement/les données des utilisateurs et les performances du modèle." — Capitale Séquoia
Les quatre modèles du BCG, présentés ci-dessous, n'étaient plus la façon de penser les modèles commerciaux actuels. L'IA générative changeait les bases de la concurrence !
L'article suivant était du cabinet de conseil international McKinsey. Ils ont interviewé le professeur de Berkeley et MacArthur Genius Daphne Koller. Dans l'article, Koller explique comment l'IA générative permet aux chercheurs d'amener la médecine à un tout nouveau niveau de science fondamentale. L'IA générative produit des résultats émergents que les scientifiques n'ont pas vus auparavant. En effet, nous avons atteint le point où les machines produisent des idées créatives non documentées auparavant par les humains. Koller dit que cette capacité à faire abstraction de la réalité changera la compréhension et la pratique de la médecine.
Le troisième écrit est celui d'un groupe d'économistes universitaires canadiens. Dans leur livre, Power and Prediction: The Disruptive Economics of Artificial Intelligence, les professeurs Agraval, Gans et Goldfarb documentent leur pensée selon laquelle "chaque problème est un problème d'information". Les professeurs illustrent leur conclusion en examinant l'approche de la plupart des gouvernements face au COVID en tant que « problème de santé ». Cette approche a créé un énorme coût économique et de santé mentale. Si les gouvernements avaient construit très tôt de nouvelles simulations pour la propagation du COVID en utilisant la dernière technologie d'IA, les principales sources de maladie auraient été identifiées plus tôt, isolées et la propagation de la maladie aurait été réduite plus rapidement. L'utilisation de nouveaux modèles plutôt que d'une technologie obsolète aurait permis de mieux comprendre et aurait probablement abouti à ce que seuls les porteurs de la maladie soient confinés chez eux.
Microsoft explique bien cette nouvelle approche.
· "Les données utilisées pour former les réseaux de neurones [IA] eux-mêmes proviennent de la solution numérique des équations fondamentales de la science plutôt que de l'observation empirique.
· Nous pouvons considérer les solutions numériques des équations scientifiques comme des simulateurs du monde naturel qui peuvent être utilisés… pour calculer des quantités d'intérêt dans des applications.
Pour résumer, « la machine génère quelque chose de nouveau plutôt qu'elle n'analyse quelque chose qui existe déjà ».
Le reste de cet article explique comment nous sommes arrivés à l'IA générative, "chaque problème est un problème d'information" et ce que cela signifie pour l'avenir. Pour comprendre comment les VC, les consultants et les universitaires sont tous arrivés simultanément aux mêmes réalisations sur l'IA générative et la résolution de problèmes, nous devons d'abord passer en revue un peu d'histoire. Plus précisément, nous devons examiner les contributions de Claude Shannon, John Wheeler et Bryan Arthur.
Claude Shannon était probablement le chercheur le plus célèbre à avoir travaillé aux Bell Labs. Shannon a développé la théorie de l'information qui était la base mathématique, scientifique et technique de l'ère numérique à partir de la fin des années 1950. "La théorie de l'information est l'étude scientifique de la quantification, du stockage et de la communication de l'information... et implique l'application de la théorie des probabilités, des statistiques, de l'informatique, de la mécanique statistique, de l'ingénierie de l'information et de l'électrotechnique." Shannon a appliqué la 2e loi de la thermodynamique pour montrer la relation entre l'information et l'incertitude. Nous savons que l'univers se dirige vers un désordre et une incertitude croissants, que nous appelons l'entropie. L'entropie négative, la réduction de l'incertitude, représente des informations à la fois au niveau microscopique des particules subatomiques et au niveau macroscopique que nous percevons, comme la température, la force ou le volume. Cela signifie que l'énergie et la matière aux niveaux microscopique et macroscopique peuvent être comprises comme de l'information. Considérer la réalité à tous les niveaux comme une information nous libère des contraintes de notre éducation culturelle organique et rend possible cette ère actuelle de connectivité transdisciplinaire, non linéaire et en réseau. Cette transition fondamentale d'une réalité façonnée par l'énergie et la matière à une réalité expliquée en termes d'information était le principe fondateur "unique" qui explique l'ère numérique à partir des années 1960. Merci Claude Shannon.
En 1989, le célèbre physicien John Wheeler a publié un court essai intitulé « Information, Physics, Quantum : The Search for Links ». Le but de l'essai était d'expliquer la mécanique quantique, la théorie de l'information et l'existence - une entreprise modeste. Dans l'essai, Wheeler invente l'expression désormais célèbre "It from Bit" et explique le concept selon lequel la réalité (It) peut être expliquée à travers le cadre binaire fondamental du bit (0,1 ou oui/non) popularisé en informatique et avant cela par Aristote. Par conséquent, toute réalité n'est qu'information. L'essai de Wheeler expliquait peut-être de manière plus compréhensible le point de Shannon selon lequel la réalité pouvait être comprise en termes d'information.
Si nous reconnaissons les contributions fondamentales de Shannon [1948] et Wheeler [1989], pourquoi alors nous a-t-il fallu plus de 30 ans pour réaliser que « tous les problèmes sont des problèmes d'information ». La réponse courte est que depuis au moins 40,000 30 ans, nos instincts et notre culture ont renforcé l'idée que la connaissance et la résolution de problèmes sont basées sur nos données empiriques ou notre perception de la réalité. Heureusement, nous avons pris la retraite du professeur d'économie de Stanford, Bryan Arthur, pour expliquer pourquoi il a fallu encore XNUMX ans après l'essai de John Wheeler avant de changer l'épistémologie cartésienne datée que l'évolution nous a fournie.
Bryan Arthur a été l'un des fondateurs du Santa Fe Institute, peut-être le principal institut de recherche aux États-Unis sur l'application de la complexité aux sciences physiques, naturelles et sociales (y compris l'économie). Les recherches d'Arthur ont montré que la technologie semble résoudre les problèmes de son époque et qu'il s'agit généralement d'un appariement de plusieurs technologies dans un paradigme. Alors, quel était le paradigme technologique requis pour résoudre les problèmes dans une réalité définie par l'information ? Le paradigme était la combinaison coïncidente de l'intelligence artificielle, du cloud computing et de l'Internet des objets (IoT). Cette technologie nous a permis de capturer les données, de les stocker et d'en extraire pour les utiliser avec l'IA à une échelle de données mesurée à l'origine en pétaoctets et maintenant en exaoctets (1+18 zéros). Les développeurs originaux de l'IA pensaient que la limitation des capacités était la puissance de calcul. Il s'est avéré que nous devions capturer plus de données, pouvoir les stocker efficacement (et en toute sécurité), puis les traiter efficacement. Cette technologie est apparue vers 2005-2006, peut-être avec le lancement du service cloud AWS, et a été largement utilisée à partir de 2015 environ.
Ce que j'ai introduit, je l'espère, c'est que la réalité est un système abstrait, logique et informatique qui traite l'information et que l'IA générative nous a donné de nouveaux outils pour comprendre cette réalité. Vous ne vous souvenez peut-être pas que Galileo, Kurt Godel, John von Neumann et plus récemment le physicien Max Tegmark, pour ne nommer que quelques sommités, partagent tous un point de vue similaire. Je m'abstiendrai de dire que l'IA générative est à la base d'une troisième école d'épistémologie, mais je suis tenté.
La philosophie et la physique sont intrigantes, mais aucun domaine n'est considéré comme très pratique. Nous devrions nous concentrer sur la question de savoir comment l'IA générative va façonner l'avenir et quelles compétences seront nécessaires dans ce nouveau monde. La citation de Sequoia au début de l'article nous donne de nombreuses indications sur l'application de cette IA, que nous travaillions dans le gouvernement, les organisations à but non lucratif, le milieu universitaire ou le secteur privé. Pour réitérer les conseils de Sequoia :
"Les meilleures entreprises d'IA générative peuvent générer un avantage concurrentiel durable en exécutant sans relâche sur le volant d'inertie entre l'engagement/les données des utilisateurs et les performances du modèle." — Capitale Séquoia
Les leçons pourraient être :
Prénom, nous ne devons pas laisser la technologie nous pousser plus loin pour perdre de vue l'importance d'une approche centrée sur l'humain (engagement de l'utilisateur). L'IA n'est pas responsable des conséquences humaines des découvertes émergentes de la technologie. Nous, les humains, le sommes. Ne blâmez pas l'IA, blâmez les gens. Nous avons besoin de plus de cours et de formations sur les questions éthiques entourant l'IA alors que nous façonnons l'expérience client et l'interaction entre les humains et l'IA générative.
Deuxièmement, les données doivent être considérées comme une ressource au même titre que les terres agricoles ou le capital. Nous devons acquérir des données de manière intentionnelle et réfléchie, nettoyer et organiser les données et les stocker dans le cloud pour un accès facile. Les ensembles de données deviennent de plus en plus précieux. Certains commentateurs disent que Microsoft a acheté LinkedIn et Elon Musk a acheté Twitter pour acquérir de grands ensembles de données sur les consommateurs. Cette stratégie est appelée "Cloud Capital" pour illustrer l'importance des grands ensembles de données. La National Science Foundation (NSF) et le National Institute of Health (NIH) réalisent également la valeur scientifique et sociale des grands ensembles de données et déploient des efforts considérables pour organiser des ensembles de données open source afin de soutenir la recherche et la commercialisation (et une réponse rapide). Pour bien gérer de tels ensembles de données, il faut que la formation commence au même âge que la programmation informatique. Nous avons également besoin que les structures de données, la théorie des réseaux, la théorie des graphes, la complexité et les principes du cloud computing soient enseignés au lycée et ne soient pas considérés comme des matières avancées ésotériques. Les ensembles de données doivent être considérés comme de l'eau, essentielle à la vie de chacun.
Troisièmement, la « performance du modèle » cherche à améliorer les performances des algorithmes. Cette amélioration de l'algorithme nécessite l'étude approfondie des mathématiques avancées, des statistiques et de l'informatique. Cette formation doit également commencer bien avant l'université compte tenu de l'importance de la matière.
Quatrièmement, "l'avantage concurrentiel" viendra de la sélection de meilleurs problèmes (opportunités). Qu'est-ce que ça veut dire? L'IA va fournir une grande partie de la "perception" et de la solution créative à travers le processus émergent que Capra et Luisi ont décrit au début de l'article. La valeur sera encore plus dans la sélection du problème. La description de la créativité par la chercheuse Neri Oxman comprend quatre domaines : la science, l'ingénierie, le design et l'art. Pendant les quatre premiers siècles de la révolution industrielle, la création de valeur était basée sur la science et l'ingénierie. Aujourd'hui, l'IA n'étant plus limitée par les données empiriques disponibles, la création de valeur viendra de plus en plus du design et de l'art. Le design est ici utilisé de la manière dont Herbert Simon l'a défini, que la résolution de problèmes, et au cœur de la résolution de problèmes se trouve choisir le problème or recadrer le problème. L'art produit par Generative AI est fantastique, presque indiscernable du travail humain. Ne soyez pas déprimé, utilisez simplement cet art pour raconter vos histoires et vendre vos idées plus efficacement. La société de capital-risque Lightspeed le dit bien :
"Notre thèse car l'IA générative part de la conviction que raconter des histoires, qu'il s'agisse d'une personne, d'une entreprise ou d'une idée, est fondamentalement ce qui fait de nous des humains... Aujourd'hui, le processus de création de contenu reste manuel et difficile... L'IA générative a le pouvoir de réduire une grande partie de ce travail « manuel » et le rendre plus accessible à tous.
Ce que l'art, le design, les mathématiques et maintenant l'informatique font, c'est de faire abstraction de la réalité et de la rendre plus compréhensible. L'IA générative est un outil puissant d'abstraction jamais vu auparavant dans l'histoire de l'humanité. Nous devons changer notre façon de penser, notre système éducatif et nos valeurs pour exploiter cette technologie pour le bien de l'humanité.
Je dis depuis plusieurs années que l'humanité est à l'aube d'une 2e Renaissance. L'IA générative rend probablement cette affirmation vraie. Pour vous aider à vous en souvenir, la 2e Renaissance sera définie en termes de — science des données — modèles informatiques — abstraction — émergence — conception.
Machine, plateforme, foule : exploiter notre avenir numérique…
Leçons de "This Is Water" de David Foster Wallace
[3] Fritjof Capra, Pier Luigi Luisi, La vision systémique de la vie
IA générative : un nouveau monde créatif (Capitale Séquoia)
Le bon moment pour la Deep Tech
[7] L'article Deep Learning de Yann Le Cunn et Y. Bengio explique les concepts fondateurs de l'IA générative
IA générative : un nouveau monde créatif (Capitale Séquoia)
IA générative : un nouveau monde créatif (Capitale Séquoia)
Cet article a été publié initialement le Moyenne et republié sur TOPBOTS avec la permission de l'auteur.
Vous aimez cet article? Inscrivez-vous pour plus de mises à jour de recherche sur l'IA.
Nous vous informerons lorsque nous publierons d'autres articles résumés comme celui-ci.
Services Connexes
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- La source: https://www.topbots.com/generative-ai-every-problem-is-an-information-problem/
