Ձեռնարկատիրական արհեստական բանականության (AI) ոլորտը ներկայումս կառուցվածքային շրջադարձ է ապրում։ Վերջին երկու տարիների ընթացքում ոլորտի օրակարգը թելադրում էին «հիմնարար մոդելների» (Foundation Models) պայքարը՝ ավելի մեծ, ավելի արագ և ավելի պերճախոս լեզվական մեծ մոդելներ (LLM) ստեղծելու մրցավազքը։ Սակայն, մտնելով հասունության հաջորդ փուլ, «ոսկու տենդը» հում հաշվողական հզորություններից տեղափոխվել է դեպի բարձրորակ, կառուցվածքային «վառելիք», որն անհրաժեշտ է ֆիզիկական և ինքնավար համակարգերի հաջորդ սերնդին՝ ռոբոտների ուսուցման տվյալներին։

Mecka AI-ի շուրջ վերջին զարգացումները, որը, ըստ տեղեկությունների, մոտենում է 500 միլիոն դոլար գնահատմանը՝ Sequoia Capital-ի գլխավորած ֆինանսավորման փուլի շրջանակում, ընդգծում են այս ռազմավարական վերադասավորումը։ Թեև ընդամենը մի քանի ամիս առաջ անցկացված Series A փուլից հետո գնահատման նման աճը տպավորիչ է ցանկացած տնտեսական պայմաններում, սակայն էականն այստեղ հիմքում ընկած պահանջարկն է։ Ոլորտի առաջատարներն այլևս չեն բավարարվում այնպիսի մոդելներով, որոնք պարզապես կարող են բանաստեղծություններ գրել կամ էլ-նամակների ամփոփագրեր կազմել. նրանք ակտիվորեն մշակում են մոդելներ, որոնք ունակ են ռոբոտաշինության և բարդ ինքնավար գործակալների միջոցով փոխազդել ֆիզիկական աշխարհի հետ։

Տվյալների «խրամատը». ինչո՞ւ է ֆիզիկական բանականության ուսուցումը նոր սահմանագիծ

Շուկային հետևող բիզնես-առաջնորդների համար կարևոր է հասկանալ, թե ինչու են տվյալների գնահատումները կտրուկ աճում։ Մենք դուրս ենք գալիս «ընդհանուր նշանակության AI»-ից դեպի «գործնական AI»։ Ռոբոտաշինության և արդյունաբերական ավտոմատացման համատեքստում խնդրի հիմնական կետն այլևս ալգորիթմը չէ, այլ բարձր ճշգրտության, մուլտիմոդալ և գործողություններին ուղղված տվյալների պակասը։

Պահեստում կողմնորոշվող, վնասված դետալը հայտնաբերող կամ ճշգրիտ հավաքման աշխատանքներ կատարող ռոբոտի մշակումը պահանջում է սենսորային տվյալների հսկայական ծավալ՝ համադրված մարդու կողմից հաստատված արդյունքների հետ։ Mecka AI-ի նման ստարտափները իրենց դիրքավորում են որպես այս էկոհամակարգի կրիտիկական ենթակառուցվածքային շերտ։ Հավաքագրելով և համադրելով այս «փորձառական տվյալները»՝ նրանք ստեղծում են մրցակցային պաշտպանված «խրամատ»։

Ձեռնարկությունների համար սա ունի մի քանի անմիջական հետևանք.

  • Անցում դեպի մուլտիմոդալ ինտեգրում. Թվային փոխակերպման իրենց ճանապարհային քարտեզները պլանավորող ընկերությունները պետք է հաշվի առնեն տեսողական ընկալման և գործողությունների ինտեգրումը, այլ ոչ թե միայն տեքստային մուտքագրումը։
  • Տվյալների հիգիենայի ավելի բարձր չափանիշներ. Սեփական, բարձրորակ ներքին տվյալների արժեքը երբեք այսքան բարձր չի եղել։ Այն ընկերությունները, որոնք ներկայումս կուտակում են ֆիզիկական գործընթացների տեղեկամատյաններ (logs), սենսորային տվյալներ և մարդու մասնակցությամբ միջամտությունների արդյունքներ, ունեն չօգտագործված «ոսկու հանք»։
  • Կապիտալատարությունը ընդդեմ մասշտաբայնության. Տվյալներ տրամադրողներին ուղղված վենչուրային կապիտալի հսկայական հոսքը վկայում է այն մասին, որ ռոբոտաշինության «ուսուցման փուլը» թանկ է լինելու, սակայն դրան հասնելուց հետո ավտոմատացված ֆիզիկական աշխատանքի մասշտաբայնությունը վերափոխիչ կլինի լոգիստիկայի և արտադրության ROI-ի (ներդրումների վերադարձելիության) համար։

Թվային և ֆիզիկական ավտոմատացման միջև անդունդի կամրջումը

Պատմականորեն Թվային փոխակերպումը (Digital Transformation) կենտրոնացած է եղել տեղեկատվության թվայնացման վրա՝ ֆայլերը ամպային համակարգեր տեղափոխել, աշխատանքային հոսքերը պարզեցնել CRM (Հաճախորդների հետ հարաբերությունների կառավարում) համակարգերի միջոցով և ավտոմատացնել գրասենյակային գործընթացները։ Այսօր նոր սահմանագիծը այս թվային «ուղեղների» ինտեգրումն է ֆիզիկական իրականության հետ։

Երբ մենք խոսում ենք AI գործակալների (AI Agents) վերելքի մասին, նկատի չունենք միայն տվյալներ հավաքող չաթ-բոտեր. մենք խոսում ենք ինքնավար էակների մասին, որոնք իրականացնում են բարդ հաջորդականություններ։ Լոգիստիկայի ոլորտում սա նշանակում է AI գործակալ, որը վերահսկում է CRM-ում պաշարների մակարդակը, հրահանգում է պահեստի ռոբոտին տեղափոխել ապրանքը և թարմացնում մատակարարման շղթայի հաշվառումը՝ առանց մարդու միջամտության։ Լավ ֆինանսավորվող ստարտափների կողմից փնտրվող ուսուցման տվյալներն այն «կապող հյուսվածքն» են, որը թույլ է տալիս այդ գործակալներին կողմնորոշվել իրականության այնպիսի բարդ իրավիճակներում, որոնց պարզ սկրիպտները չեն կարող դիմակայել։

Այս մոդելների համար պայքարը պարզապես ենթադրություն չէ։ Սա գլոբալ աշխատուժի պակասի և գործառնական արդյունավետության բարձրացման պահանջարկին տրված ուղղակի պատասխանն է։ Այն ընկերությունները, որոնք վաղ փուլում իրենց գործունեության մեջ կներառեն ինքնավար այս բարձր հնարավորությունները, հավանաբար կզգան արտադրողականության զգալի աճ։ Այնուամենայնիվ, որդեգրման կորը կտրուկ է։ Բիզնես-առաջնորդները պետք է կարողանան լուծել տվյալների անվտանգության, մոդելի բացատրելիության և մարդ-մեքենա համագործակցության ուղղությամբ մշակութային տեղաշարժի հետ կապված բարդությունները։

Ռազմավարական տեսլական. ուղին դեպի արդյունաբերական ինքնավարություն

Նայելով առաջիկա 18-24 ամիսներին՝ շուկան, ամենայն հավանականությամբ, կկոնսոլիդացվի նրանց շուրջ, ովքեր վերահսկում են «ուսուցման ցիկլը» (training loop). այսինքն՝ նոր տվյալ