این هفته در هوش مصنوعی: استراتژی متقابل فروشنده – اوریلی

این قسمت از این هفته در هوش مصنوعی زمانی که زیرساخت‌های هوش مصنوعی که اکثر تیم‌ها آن را بدیهی می‌دانستند، ناگهان بسیار کمتر قوی به نظر می‌رسید. آندریاس ولش، موسس و مدیر ارشد هوش مصنوعی انسانی در Inligence Briefing، به مت پالمر، رئیس توسعه دهندگان در Conductor و Developer Trainer در LinkedIn Learning می پیوندد تا در مورد اینکه محدودیت های صادراتی دولت ایالات متحده در مدل های هوش مصنوعی مرزی واقعاً چه معنایی برای شاغلین دارد، چرا سیستم نمایندگی و نمایندگی به عنوان آسان AI به نظر می رسد، توضیح دهد. به عنوان یک معماری جایگزین ارائه می دهد.

وقتی API از بین می رود

آندریاس و مت کار را با پیگیری آخرین حماسه Fable 5 و Mythos شروع کردند. دولت ایالات متحده اکنون محدودیت‌های مربوط به Anthropic's Fable 5 و Mythos Preview را کاهش داده و آنها را به ۱۰۰ سازمان آمریکایی محدود کرده است. OpenAI با محدودیت‌های مشابهی برای GPT-5.6 دنبال کرد که دسترسی اولیه را به حدود ۲۰ سازمان محدود کرد. برای اکثر تمرین‌کنندگان، این الگوها به سادگی ناپدید شده‌اند.

آندریاس آنچه را که بسیاری از رهبران فناوری اروپا قبلاً به آن فکر می کردند، خواند: محدودیت های صادراتی ممکن است منعکس کننده نگرانی های سیاسی باشد، اما در واقع یک داستان زیرساختی است. اگر پشته شما به یک مدل مرزی بستگی دارد که می تواند بدون هشدار در دسترس نباشد، شما یک وابستگی سخت در معماری خود ایجاد کرده اید، نه یک رابطه فروشنده.

مت از دیدگاه سازنده به نکته دیگری اشاره کرد. هرکسی که قبل از اعمال محدودیت‌ها مدتی را با Fable 5 سپری کرده باشد، تفاوت قابلیت‌های آن و گزینه بعدی موجود را احساس می‌کند. این شکاف زمانی یک ریسک تجاری است که رقیب دسترسی دارد و شما دسترسی ندارید.

مکالمه در اینجا به قلمرویی می‌افتد که اوریلی برای مدتی دنبال می‌کرد: سؤالی که سازمان‌ها باید در نظر بگیرند این است که چگونه با انعطاف‌پذیری کافی بسازند که بتوان با تغییر شرایط مدل‌ها را هدایت کرد. این بدان معناست که یک استراتژی چند فروشنده را به عنوان یک نیاز معماری پایه در نظر بگیرید، همانطور که تیم ها با قابلیت حمل پایگاه داده یا استقلال فروشنده ابری رفتار می کنند. آنتروپیک گفت امیدوار است محدودیت های دسترسی به سرعت اعمال شود. ممکن است درست باشد. . .اما شاید نه. به نظر می رسد ساخت و ساز یک شرط مخاطره آمیز است.

تله هیئت

همانطور که توسعه عاملی گسترده تر می شود، ما بیشتر و بیشتر در مورد خستگی شناختی می شنویم. همانطور که توسعه دهندگان کار بیشتری را به عوامل برنامه نویسی محول می کنند، فرسودگی بیشتری را گزارش می کنند. آخر هفته گذشته، همانطور که آندریاس اشاره کرد، مقاله دیگری حکایت های بیشتری در مورد مهندسان که به طور شبانه روزی ماموران خود را چک می کردند، از بازی های فوتبال بچه هایشان گرفته تا تختخوابشان، منتشر شد. کارگزاران بیشتر به معنای جلسات بیشتر برای نظارت، تاییدیه های بیشتر، کارهای نیمه تمام بیشتر برای بررسی در صبح است. وعده “این کار در حالی که شما خوابید” به چیزی نزدیک تر به مدیریت تغییر در چندین گردش کار در یک زمان می شود.

همانطور که مت اشاره کرد:

فکر می‌کنم اکنون همه به‌نوعی مدیر گروهی از عوامل هستند، یا فقط جریان‌های کاری بین آن عوامل را تنظیم می‌کنند. گاهی اوقات احساس می شود که مدیر یک تیم متوسط ​​هستید. شما فقط همیشه پیام می فرستید و بررسی می کنید تا مطمئن شوید همه چیز در حال اجرا است. نوشتن کد، که قبلاً یک فعالیت واقعاً آرامش‌بخش بود – می‌دانید، می‌نشینید، یک فنجان قهوه می‌نوشید، به موسیقی جاز گوش می‌دهید، خودتان را رها می‌کنید، روی یک کار متمرکز می‌شوید – دیگر احساس نمی‌کنید که تمرکز زیادی وجود دارد.

آندریاس این را با الف مرتبط کرد بررسی کسب و کار هاروارد مطالعه‌ای از اوایل سال جاری که یک شرکت نرم‌افزاری ۲۰۰ نفره را ردیابی کرد: وقتی ابزارهای هوش مصنوعی توانمندتر می‌شوند، افراد کارهایی را که قبلاً به نقش‌های مجاور تعلق داشتند، به عهده می‌گیرند. مدیران محصول نمونه های اولیه را ایجاد کردند. توسعه دهندگان در حال انجام کار طراحی بودند. ابزارها آنچه را که امکان پذیر بود، گسترش دادند و آنچه را که ممکن بود، تبدیل به چیزی شد که لازم بود، که به معنای کار بیشتر بود، نه کمتر.

آندریاس همچنین از تجربیات خود استفاده می‌کند و از مشارکت فردی به رهبری در دنیای شرکت‌ها حرکت می‌کند، جایی که تفویض اختیار یک مهارت رسمی با چارچوبی پشت آن بود: تکلیف چیست؟ هدف چیست از چه داده هایی باید استفاده کرد؟ تولید خوب چگونه به نظر می رسد؟ چقدر باید طول بکشد؟ امروزه اکثر متخصصینی که با هوش مصنوعی می‌سازند، این کار را بدون آموزش با بداهه‌سازی پروتکل‌های تفویض اختیار انجام می‌دهند.

این حوزه ای است که سرمایه گذاری صنعت در ابزارسازی از سرمایه گذاری در مهارت های سازمانی که ابزار را قابل استفاده می کند، پیشی گرفته است. عوامل توانمندتر به طور خودکار بار را کاهش نمی دهند. آنها آن را به روش هایی که دیدن و مدیریت آن دشوارتر است، دوباره توزیع می کنند. شاغلانی که در درازمدت این کار را به خوبی انجام خواهند داد، کسانی هستند که می‌دانند چگونه محدوده را به وضوح تعریف کنند، خروجی را به طور مؤثر تأیید کنند، و از ساعات کاری متمرکز که هنوز نیاز به همکاری عمیق دارند محافظت کنند.

یک تماس API، چندین مدل

محور فنی اپیزود بررسی مت از Sakana Fugu بود، یک سیستم مدل/چند عامل جدید از آزمایشگاه تحقیقاتی مستقر در توکیو Sakana AI. Fugu یک مدل هماهنگ‌کننده آموزش‌دیده است که درخواست شما را به مجموعه‌ای از مدل‌های مرزی هدایت می‌کند، تیمی از متخصصان را جمع‌آوری می‌کند و یک نتیجه ترکیبی را از طریق یک نقطه پایانی منفرد سازگار با OpenAI برمی‌گرداند. ارکستراسیون چند عاملی به طور کامل در پشت این فراخوانی واحد API انجام می شود.

مت گام به گام معماری را طی کرد. یک درخواست به یک مدل هماهنگ کننده سبک وزن برخورد می کند که نقش ها را تعیین می کند. یک مدل بهترین رویکرد را در نظر می گیرد، مدلی دیگر کار پیاده سازی را انجام می دهد و مدل سوم به عنوان چک کننده عمل می کند. این سیستم می‌تواند بازگشتی باشد، با هماهنگ‌کننده که زیرمجموعه‌ای از کار را از طریق همان فرآیند در مقیاس کوچک‌تر تخصیص می‌دهد. ساکانا این ارکستراسیون آموخته شده را می نامد و این مفهوم توسط دو مقاله پشتیبانی می شود – “TRINITY: An Evolved LLM Coordinator” و “Learning to Orchestrate Agents Language with the Conductor” – که بررسی می کند که چگونه سیستم ها می توانند مسیریابی و هماهنگی را به جای دنبال کردن جریان های کاری طراحی شده دستی بیاموزند. مت همچنین نحوه تنظیم سریع Fugu را به عنوان یک تماس مستقیم API از طریق curl (این جایگزینی ضروری برای نقاط پایانی سازگار با OpenAI است)، از طریق بسته نرم افزاری Codex با نصب کننده یک خطی، و از طریق بسته نرم افزاری OpenCode منبع باز از طریق OpenRouter نشان داد.

ساکانا ادعا می کند که روش جدید ارکستراسیون آن عملکرد بهتری نسبت به مدل های موجود دارد. مدل Ultra Fugu به نتایج قابل مقایسه با Fable 5 در معیارهای آژانس مانند Terminal-Bench دست می یابد و قیمتی مشابه با GPT-5.5 دارد. اینکه آیا ادعاهای عملکرد در طیف گسترده‌تری از بارهای کاری در دنیای واقعی پابرجا هستند یا خیر، توسط جامعه تعیین می‌شود، اما استدلال قابلیت حمل بدون توجه به اینکه این معیارها در نهایت چگونه اعتبار می‌شوند، پابرجاست.

ساکانا ۱۰ روز پس از اعمال محدودیت‌های صادراتی ایالات متحده در Fable 5 و Mythos، Fugu را با موضعی صریح در مورد حاکمیت هوش مصنوعی راه‌اندازی کرد. از آنجا که Fugu مدل‌ها را از چندین فروشنده سازمان‌دهی می‌کند، محدودیت برای هر مدل منفرد سیستم را پایین نمی‌آورد و می‌توانید فروشندگان خاصی را رد کنید. برای تیم هایی در مناطقی که با عدم قطعیت دسترسی مواجه هستند (به عنوان مثال، اروپا در حال حاضر در انتظار رعایت مقررات قفل شده است)، این معماری پاسخی مستقیم به مشکلی است که آندریاس قسمت را با آن باز کرد.

خرید ماژولار توسط کوالکام که در همان هفته به مبلغ ۳٫۹ میلیارد دلار اعلام شد، با همان الگوی لایه سخت افزاری مطابقت دارد. پلتفرم ماژولار به مدل‌های هوش مصنوعی اجازه می‌دهد تا بر روی انواع معماری‌های تراشه، از جمله NVIDIA، AMD و ASIC‌های سفارشی اجرا شوند، بدون اینکه توسعه‌دهندگان مجبور به بازنویسی کد برای هر یک از آنها شوند. کوالکام یک لایه انتزاعی سخت‌افزاری را دریافت می‌کند، و بازار یک نقطه داده دیگر دریافت می‌کند که حمل‌پذیری در حال تبدیل شدن به یک سرمایه‌گذاری اولویت‌دار در سراسر پشته است.

بعدش چی

برای قسمت بعدی با ما همراه باشید این هفته در هوش مصنوعی دوشنبه، ۶ ژوئیه از ساعت ۱۰:۰۰ تا ۱۰:۳۰ صبح به وقت شرقی، کریستینا استاتوپولوس آخرین پیشرفت‌های هوش مصنوعی را شرح می‌دهد.

برای حضور در قسمت های زنده در پلتفرم یادگیری اوریلی ثبت نام کنید. اگر هنوز عضو نشده اید، می توانید آن را با یک دوره آزمایشی رایگان ۱۰ روزه امتحان کنید.

این هفته در هوش مصنوعی در YouTube، Spotify، Apple یا هر جایی که پادکست های خود را دریافت می کنید در دسترس است.