Sinds AI-hulpmiddelen mainstream zijn geworden, zijn er modellen ontstaan die afbeeldingen kunnen maken, tekst kunnen genereren, code kunnen schrijven en taken kunnen uitvoeren op een competent niveau. Wat vaak over het hoofd wordt gezien, is de kloof tussen competentie en echte expertise, het soort dat jaren in beslag neemt om op te bouwen en dat nog steeds in beperkte mate beschikbaar is op cruciale gebieden.
Deze kloof wordt steeds moeilijker te negeren nu AI-tools zich op gebieden begeven waar oppervlakkige capaciteiten niet voldoende zijn. Code schrijven is één ding, deze op specialistisch niveau optimaliseren is iets heel anders.
“De echte vraag is niet ‘kan AI coderen?’ – het is ‘kan AI een expert worden?’” aldus prof. Amnon Shashua, CEO en mede-oprichter van doubleAI, dat zich richt op diepgang en precisie boven algemene capaciteiten.
Het artikel gaat hieronder verder
Kunstmatige deskundige intelligentie
doubleAI richt zich op wat het ‘Artificial Expert Intelligence’ noemt, met de nadruk op het repliceren van gespecialiseerde kennis in plaats van het bouwen van brede systemen. Het idee concentreert zich op een knelpunt dat zich in alle sectoren voordoet, waar de vooruitgang wordt vertraagd omdat er niet genoeg experts zijn.
doubleAI mede-oprichter Gal Beniamini, een Ph.D. met ervaring in systeem- en prestatie-engineering, werkt direct aan dat probleem. Het doel van het bedrijf is om ‘excellentie in de wereld te kopiëren en te plakken’, wat voor de hand liggende vragen oproept over hoe ver dat idee in de praktijk kan gaan.
De aanpak van de startup wordt getest via WarpSpeed, een AI-systeem dat is gebouwd voor codering in GPU-prestatie-engineering. Het is een smal, veeleisend vakgebied waar kleine veranderingen grote gevolgen kunnen hebben en waar expertise meestal voortkomt uit jarenlange ervaring.
In tests met systemen als Claude, Codex en Gemini verwerkte WarpSpeed complexe GPU-optimalisatietaken terwijl het beter presteerde dan gevestigde coderingsmiddelen, waarbij de resultaten zich vertaalden in reële winsten, waaronder het verlagen van de operationele kosten van AI met een factor 3,6x of meer
Ik sprak met Gal Beniamini om te begrijpen waar doubleAI aan werkt en wat dit zou kunnen betekenen voor de manier waarop expertise wordt ontwikkeld en ingezet.
- Wat is het verschil tussen AEI en AGI en hoe verschilt AEI van MoE (Mixture of Experts)?
Ze hebben minstens één ding gemeen: alle acroniemen. Maar ze verwijzen naar verschillende concepten.
AGI (Artificial General Intelligence) is een poging om een reeks mogelijkheden te definiëren die toekomstige AI zou kunnen hebben. De term is slecht gedefinieerd, maar ik hou van de definitie van Demis Hassabis: AI die over het volledige scala aan mogelijkheden beschikt die een menselijk brein heeft.
AEI (Artificial Expert Intelligence) is heel anders; in plaats van breedte het richt zich op diepte. Het doel is om bovenmenselijke prestaties te bereiken in zeer gespecialiseerde, complexe technische en wetenschappelijke domeinen.
Dus AEI streeft ernaar overschrijden AGI in speciale domeinen. MoE (Mixture of Experts) is daarentegen een technische term: het is een type architectuur dat wordt gebruikt in machine learning-modellen en dat de afgelopen jaren behoorlijk populair is geworden.
- U hebt verklaard dat wij AEI dringender nodig hebben dan AGI. Dus waarom de haast?
We worden geconfronteerd met een mondiaal ‘expert-knelpunt’. Een relevant voorbeeld (van vele) is high-performance computing. Met de explosie van kunstmatige intelligentie in de afgelopen jaren produceert de wereld GPU’s zo snel mogelijk.
Nog vraag voor GPU’s is ver voorbij leveren. En tot overmaat van ramp is het ongelooflijk moeilijk voor mensen om efficiënte, correcte en effectieve GPU-code te schrijven voor elke nieuwe hardware-architectuur die verschijnt. Er zijn wereldwijd misschien maar een paar honderd experts die deze taak echt aankunnen.
AEI kan ons, net als WarpSpeed, helpen deze ‘computercrisis’ op te lossen.
- U beweert dat uw AI-coderingssysteem beter presteert dan de meeste concurrenten in zijn vakgebied. Hoe heb je dit bereikt en wat zijn de voorbehouden in “kleine letters”?
Er zijn geen kleine lettertjes. Wat betreft de manier waarop WarpSpeed daar komt: als ik op twee kernaspecten zou moeten wijzen, zou ik zeggen dat het succes ervan ligt in de unieke combinatie van diep algoritmisch zoeken en sterke verificatie.
In de natuur is elke codebase dat wel uniek (net als het Anna Karenina-principe). Oppervlakkig ‘patroon-matchen’ brengt je maar zo ver. Wat je echt nodig hebt is zoekopdracht: het vermogen om veel verder te onderzoeken, te meten en te herhalen dan enig mens zou doen. AI kan meedogenloos zijn op een manier die een mens niet is.
Er zit echter een addertje onder het gras. Wanneer je een AI in een lus laat optimaliseren op basis van een metriek, zal dat ook gebeuren zullen manieren vinden om het doelwit te raken dat je niet bedoelde – dit staat bekend als “beloningshacking”. De code mag technisch gesproken een benchmark doorstaan, maar deze zal enigszins afwijken, scherp zijn of te veel passen bij de metrische waarde. Dit is waar sterke bevestiging binnenkomt.
Zodra je de verificatie goed hebt uitgevoerd, wordt de meedogenloosheid van de AI een superkracht. Zonder verificatie is de kans groter dat het resultaat een slip in de schaal is.
- Als en wanneer we AEI bereiken, welke rol zullen mensen dan spelen, als die er al zijn?
Ik denk dat niemand kan voorspellen waar het uiteindelijk naartoe zal gaan. De huidige vorm van kunstmatige intelligentie lijkt echter, in relatie tot wetenschappelijke en technische domeinen, analoog aan schakers en schaakmotoren.
Op dezelfde manier bevinden we ons momenteel in een ‘gouden eeuw’ van menselijke experts enorm aangevuld met kunstmatige intelligentie – mensen die met AEI werken, zijn veel groter dan de som der delen.
Of die dynamiek voor onbepaalde tijd zal blijven bestaan, is een open vraag, maar op dit moment denk ik dat het vermogen van AI om menselijke experts te overtreffen ronduit ongelooflijk is.
Daarnaast zou AEI de toegang kunnen democratiseren tot expertise die momenteel geconcentreerd is bij een klein aantal mensen. Bij wetenschappelijk computergebruik wordt bijvoorbeeld vaak besloten welke algoritmen vandaag de dag succesvol zijn niet afhankelijk van welke het beste is, maar toevallig past bij de beschikbare hardware (de “hardwareloterij”). AEI zou ons kunnen helpen die beperking te doorbreken.
- Jouw visie klinkt als Neo in The Matrix, ‘downloadende’ vaardigheden. Bent u het eens met de analogie en wat zijn de beperkingen ervan?
De film is fantastisch. En ik zie de analogie: wanneer we AEI bouwen, geven we machines een manier om ‘kungfu te leren kennen’ om expertniveau en hoger te worden in een specifiek domein.
Het proces is echter niet alleen een download. Daarnaast heb je de juiste trainingsomgeving nodig en heb je een ‘Morpheus’ nodig om tegen te sparren. En natuurlijk vinden wij dat WarpSpeed ‘the one’ is.
Volg TechRadar op Google Nieuws En voeg ons toe als voorkeursbron om ons deskundig nieuws, recensies en meningen in uw feeds te krijgen. Klik dan zeker op de knop Volgen!
En jij kunt dat natuurlijk ook Volg TechRadar op TikTok voor nieuws, recensies, video-unboxings en ontvang regelmatig updates van ons WhatsAppen Ook.
