تريليون رمز يوميا. هل هذا كثير؟ "وعندما ننظر بشكل ضيق إلى عدد الرموز التي تقدمها واجهات برمجة تطبيقات Foundry ، قمنا بمعالجة أكثر من 100 طن من الرموز المميزة هذا الربع ، بزيادة 5 أضعاف على أساس سنوي ، بما في ذلك 50 مليون رمز قياسي في الشهر الماضي وحده." في أبريل ، شاركت Microsoft إحصائية ، كشفت أن منتج Foundry الخاص بها يعالج حوالي 1.7 طن من الرموز شهريا. بالأمس ، شارك Vipul بمعالجة 2 طن من الاستدلال مفتوح المصدر يوميا. في يوليو ، أعلنت Google عن رقم مذهل : "في I / O في مايو ، أعلنا أننا قمنا بمعالجة 480 تريليون رمز شهري عبر أسطحنا. ومنذ ذلك الحين ضاعفنا هذا الرقم، ونقوم الآن بمعالجة أكثر من 980 تريليون رمز شهري، وهي زيادة ملحوظة". تعالج Google 32.7 طنا يوميا ، 16 ضعفا أكثر من Together و 574 ضعفا أكثر من حجم Microsoft Foundry في أبريل. من هذه الأرقام ، يمكننا استخلاص بعض الفرضيات: 1. الاستدلال مفتوح المصدر هو جزء من رقم واحد من الاستدلال. من غير الواضح ما هو جزء من رموز الاستدلال من Google من نماذجها مفتوحة المصدر مثل Gemma. ولكن ، إذا افترضنا أن Anthropic و OpenAI عبارة عن رموز مميزة من 5t-10t يوميا وجميعها مغلقة المصدر ، بالإضافة إلى أن Azure متشابهة تقريبا في الحجم ، فمن المحتمل أن يكون الاستدلال مفتوح المصدر حوالي 1-3٪ من إجمالي الاستدلال. 2. الوكلاء في وقت مبكر. تشير نقطة بيانات Microsoft إلى أن الوكلاء داخل GitHub و Visual Studio و Copilot Studio و Microsoft Fabric يساهمون بأقل من 1٪ من إجمالي استدلال الذكاء الاصطناعي على Azure. 3. مع توقع أن تستثمر Microsoft 80 مليار دولار مقارنة ب 85 مليار دولار من Google في البنية التحتية لمركز بيانات الذكاء الاصطناعي هذا العام ، يجب أن تزداد أعباء عمل الاستدلال الذكاء الاصطناعي لكل شركة بشكل كبير من خلال الأجهزة القادمة عبر الإنترنت والتحسينات الخوارزمية. "من خلال تحسين البرامج وحدها ، نقدم 90٪ من الرموز المميزة لنفس وحدة معالجة الرسومات مقارنة بالعام الماضي." تقوم Microsoft بعصر المزيد من عصير الليمون الرقمي من وحدات معالجة الرسومات الخاصة بها ، ويجب أن تفعل Google الشيء نفسه أيضا. متى سنرى أول 10 أطنان أو 50 طنا من رموز الذكاء الاصطناعي تتم معالجتها يوميا؟ لا يمكن أن يكون بعيدا الآن. - تقديرات من فراغ! - Google و Azure بسعر 33 طن من الرموز اليومية لكل منهما ، Together و 5 سحابات جديدة أخرى بمعدل 2 طن من الرموز اليومية تقريبا لكل منهما ، و Anthropic & OpenAI بسعر 5 طن من الرموز يوميا ، تمنحنا 88 طنا من الرموز المميزة يوميا. إذا افترضنا أن 5٪ من الرموز المميزة من Google هي من نماذج مفتوحة المصدر ، فهذا يمثل 1.65 مليون رمز يوميا ، أو ما يقرب من 1.9٪ من إجمالي الاستدلال. مرة أخرى ، رياضيات تقريبية للغاية

الآن بعد أن قمنا بضغط جميع المعرفة البشرية تقريبا في نماذج لغوية كبيرة ، فإن الحدود التالية هي استدعاء الأدوات. يتيح ربط أدوات الذكاء الاصطناعي المختلفة معا الأتمتة. يمثل التحول من التفكير إلى العمل الاختراق الحقيقي في أداة الذكاء الاصطناعي. لقد قمت ببناء أكثر من 100 أداة لنفسي ، وهي تعمل معظم الوقت ، ولكن ليس طوال الوقت. أنا لست وحدي. يكشف تقرير المؤشر الاقتصادي الصادر عن Anthropic أن 77٪ من استخدام الأعمال لكلود يركز على أتمتة المهام الكاملة ، وليس القيادة المشتركة. نشرت Anthropic وثائق الأسبوع الماضي حول كفاءة الرمز المميز وأدوات إعادة التصميم لتحسين استخدامها. كانت الإرشادات غير بديهية: بدلا من العديد من الأدوات البسيطة ذات الملصقات الواضحة ، قم بإنشاء أدوات أقل وأكثر تعقيدا. فيما يلي أدوات البريد الإلكتروني السبع التي قمت ببنائها - نصوص Ruby ، ولكل منها غرض واضح. تم تصميم البرنامج النصي "إرسال بريد إلكتروني آمن" لمنع الذكاء الاصطناعي من إرسال رسائل البريد الإلكتروني دون موافقة. ساذج جميل وبسيط وواضح ، ألا يجب أن يكون نموذج اللغة قادرا على قراءة هذه ومعرفة ما كنت أطلبه بالضبط القيام به؟ لكن الأمر ليس بهذه البساطة! توصي Anthropic بإنشاء أدوات معقدة. يظهر بحثهم أن "الطلبات توفر ما معدله 14٪ من الرموز المميزة للإخراج ، حتى 70٪" عند استخدام أدوات متطورة وغنية بالمعلمات بدلا من الأدوات البسيطة. السبب؟ تفهم أنظمة الذكاء الاصطناعي السياق الكامل بشكل أفضل من النية المجزأة. قضيت عطلة نهاية الأسبوع في دمج جميع أدواتي في أدوات موحدة ، مثل هذه الأدوات للبريد الإلكتروني: (الصورة الثالثة) كان التأثير على الدقة فوريا. يقترب معدل نجاح كلود من 100٪. النظام أسرع. نتيجة لذلك ، أستخدم عددا أقل بكثير من الرموز المميزة بنظام أكثر كفاءة. هذا هو نموذجي العقلي الحالي: (الصورة الرابعة) عندما أعدت التصميم للإدراك الذكاء الاصطناعي بدلا من الحدس البشري ، تحسن كل شيء. أصبحت عمليات CRM وإدارة التقويم ومهام سير عمل قاعدة البيانات أكثر موثوقية عند دمجها في أدوات شاملة وثقيلة المعلمات. تحسنت الدقة ، لذلك تم تخفيض التكلفة الإجمالية بشكل كبير. لكن لا تطلب مني استخدام الأدوات. أنا الآن ضائع قليلا وسط التعقيد. هذه نتيجة طبيعية حتمية للعمل على مستويات أعلى من التجريد ، ولم يعد يفهم الآلة بعمق. لقد أمضينا عقودا في جعل البرامج بسيطة للناس. نحن الآن نتعلم كيفية جعله معقدا بالنسبة الذكاء الاصطناعي.