جنسن هوانگ، مدیرعامل انویدیا: هر شرکتی به یک «کارخانه هوش مصنوعی» تبدیل خواهد شد. منظور او این است.

جنسن هوانگ، مدیرعامل انویدیا، پیش‌بینی می‌کند که شرکت‌ها به کارخانه‌های هوش مصنوعی تبدیل می‌شوند که توکن تولید می‌کنند.

توکن‌ها نمایش‌های عددی هستند که توسط مدل‌های هوش مصنوعی برای پردازش و درک داده‌ها استفاده می‌شوند.

در اینجا منظور مدیرعامل انویدیا از "کارخانه هوش مصنوعی" آمده است.

جنسن هوانگ، مدیرعامل انویدیا، در سخنرانی اصلی خود در کنفرانس هوش مصنوعی انویدیا در این هفته، پیش‌بینی کرد که هر شرکتی به یک "کارخانه هوش مصنوعی" تبدیل خواهد شد.

این ایده بزرگی است که می‌تواند کسب‌وکارهای مختلف را در آینده موفق کند. بنابراین ارزش توضیح دادن دارد.

من اولین بار در این مورد سال گذشته هنگام گپ زدن با گیلرمو راوخ، مدیرعامل استارت‌آپ هوش مصنوعی Vercel شنیدم. او نقش توکن‌ها را در هوش مصنوعی توضیح داد و خاطرنشان کرد که هوانگ دوست دارد بگوید "هر شرکتی به یک کارخانه توکن تبدیل خواهد شد."

اگر داده‌ها ماده خام هوش مصنوعی مولد باشند، توکن‌ها زبان آن هستند. مدل‌های هوش مصنوعی کلمات و سایر ورودی‌ها را به توکن‌های عددی تجزیه می‌کنند تا پردازش و درک آن‌ها آسان‌تر شود. یک توکن تقریباً ¾ یک کلمه است.

به عنوان مثال از انویدیا: کلمه "تاریکی" ممکن است به اعداد 271 برای "تاریک" و 655 برای "ی" توکن‌بندی شود. کلمه متضاد، "روشنایی"، با 491 و 655 نشان داده می‌شود. به این ترتیب، مدل هوش مصنوعی می‌تواند عدد 655 یکسان را دو بار تشخیص دهد و درک کند که این کلمات به هم مرتبط هستند.

تریلیون‌ها از این اعداد یا توکن‌ها برای آموزش مدل‌های هوش مصنوعی مانند این استفاده می‌شوند، سپس برای تنظیم دقیق و اجرای آن‌ها استفاده می‌شوند. به جای "همه‌چیز کامپیوتر است"، می‌توانید بگویید که "همه‌چیز توکن است" در هوش مصنوعی.

هوانگ، راوخ و دیگر تکنسین‌ها فکر می‌کنند که شرکت‌های مدرن با تولید بیشترین تعداد توکن موفق خواهند شد. آنها کارخانه‌های هوش مصنوعی خواهند بود که توکن‌هایی را تولید می‌کنند که برای بهبود و اجرای سیستم‌های هوش مصنوعی استفاده می‌شوند که به کسب‌وکارها کمک می‌کنند محصولات و خدمات بهتری ارائه دهند.

هوانگ روز سه‌شنبه در کنفرانس GTC گفت: "من آنها را کارخانه‌های هوش مصنوعی می‌نامم." "آنها کارخانه‌های هوش مصنوعی هستند زیرا یک کار و فقط یک کار دارند - تولید این توکن‌های باورنکردنی که ما سپس آنها را به موسیقی، به کلمات، به فیلم‌ها، به تحقیقات، به مواد شیمیایی یا پروتئین‌ها تبدیل می‌کنیم."

او گفت که این تأسیسات تولید توکن گاهی اوقات در کنار عملیات سنتی‌تر شرکت‌ها قرار خواهند گرفت.

هوانگ پیش‌بینی کرد: "هر صنعتی، هر شرکتی که کارخانه دارد، در آینده دو کارخانه خواهد داشت." "کارخانه برای آنچه می‌سازند و کارخانه برای ریاضیات، کارخانه برای هوش مصنوعی."

او به عنوان مثال به خودروسازی اشاره کرد و "کارخانه برای اتومبیل‌ها" و "کارخانه برای هوش مصنوعی برای اتومبیل‌ها" را توصیف کرد.

سپس با اعلام مشارکت با جنرال موتورز، به این تئوری‌ها عینیت بخشید و انویدیا به این شرکت کمک می‌کند تا از هوش مصنوعی برای تولید اتومبیل استفاده کند و در عین حال خودروهای جنرال موتورز را با هوش مصنوعی خودمختارتر کند.

جیسون لیو، مهندس یادگیری ماشین و مشاور هوش مصنوعی، نکته مشابهی را با خودروهای برقی تسلا و هدف ایلان ماسک برای خودمختار کردن کامل آنها مطرح کرد.

هنگامی که یک تسلا در اطراف یک شهر رانده می‌شود، حسگرهایی دارد که کوه‌هایی از اطلاعات را در مورد محیط اطراف خود جمع‌آوری می‌کنند. این داده‌ها جمع‌آوری و به توکن‌هایی تبدیل می‌شوند که برای بهبود مدل‌های هوش مصنوعی تسلا استفاده می‌شوند. از نظر تئوری، این امر منجر به تولید نرم‌افزار خودران بهتری برای هدایت دقیق‌تر و ایمن‌تر وسایل نقلیه می‌شود.

لیو گفت: "در دنیای هوش مصنوعی، نقش اکثر شرکت‌ها تولید داده‌های بیشتر خواهد بود."

او استدلال کرد که رویکرد تسلا برای قرار دادن هر چه بیشتر اتومبیل در جاده برای جمع‌آوری هر چه بیشتر داده‌ها بهتر از استراتژی Waymo بوده است، "جایی که مهندسان سال‌ها در یک غار نشستند و روی این موضوع در انزوای نسبی کار کردند و داده‌ها یا توکن‌های زیادی جمع‌آوری نکردند."

لیو مثال دیگری را به اشتراک گذاشت، این بار تئوری: چگونه شرکت‌ها می‌توانند با نگاهی به گذشته به فرآیند خود و توکن‌سازی آن، تصمیمات تجاری بهتری بگیرند؟

او گفت: "برای هر تصمیم مهم، احتمالاً شش ماه بحث و جدل بین کارمندان در چت‌های Slack، جلسات ویدیویی Zoom، جلسات هیئت مدیره و داشبوردهای داده وجود دارد."

شرکت‌ها اکنون می‌توانند همه اینها را به توکن تبدیل کنند و از آن برای آموزش یک سیستم هوش مصنوعی برای تصمیم‌گیری بهتر در آینده یا کمک به مدیران و کارمندان انسانی برای تصمیم‌گیری بهتر دفعه بعد استفاده کنند.

او افزود: "وظیفه شرکت و نرم‌افزار این است که همه اینها را از انسان‌های درگیر بیرون بکشند و آن را به توکن برای آموزش هوش مصنوعی تبدیل کنند."

راوخ می‌گوید که Vercel این کار را با ابزار v0 خود انجام می‌دهد، که به توسعه‌دهندگان و افراد غیرفنی کمک می‌کند تا وب‌سایت‌ها و برنامه‌ها را بسازند.

راوخ توضیح داد: "v0 الزامات کاربر را به زبان انگلیسی می‌گیرد و یک برنامه را خروجی می‌دهد." "آنها توکن‌های ما هستند."

هاو همچنین به مشتری Vercel به نام OpenEvidence اشاره کرد، که از هوش مصنوعی برای سنتز کوه‌های تحقیقات پزشکی به اطلاعات قابل هضم برای متخصصان پزشکی مشغول استفاده می‌کند.

راوخ گفت: "توکن‌های آنها داده‌های تحقیقاتی هستند که پزشکان برای تصمیم‌گیری بهتر به آن نیاز دارند." "این توکن‌های هوش پزشکی است."

لیو به مثال Mercor، یک استارت‌آپ که در حال استخدام دکترای فنی برای برداشت دانش خاص خود و تبدیل آن به توکن‌هایی است که توسط آزمایشگاه‌های هوش مصنوعی برای بهبود مدل‌های خود استفاده می‌شود، اشاره کرد.

راوخ گفت: "وظیفه هر شرکت این خواهد بود که مانند یک کارخانه توکن، هوش تولید کند." "شرکت‌ها به مرور زمان دانش سازمانی ایجاد می‌کنند، بهترین شیوه‌ها، اصول و رویه‌های عملیاتی، دفترچه‌های راهنمای آموزشی، دستورالعمل‌های برند و حتی سلیقه را جمع‌آوری می‌کنند. همه اینها بخشی از آموزش قبل و بعد از آموزش مدل‌های هوش مصنوعی و داده‌هایی است که در بالای آن وارد می‌شود."