Norjan tapa käyttää tekoälyä: Vinkkejä ja käytännön esimerkkejä
Norjan tulisi keskittyä enemmän tekoälyn soveltamiseen sen sijaan, että panostettaisiin oman kielimallien kehittämiseen, kirjoittaa innovaatioprofessori NHH:ssa, Tor W. Andreassen.
Debatti siitä, miten Norjan tulisi asemoida itsensä maailmanlaajuisessa kilpailussa tekoälystä (KI), voidaan nähdä kolmen vaihtoehdon valintana: kehittää teknologiaa, soveltaa teknologiaa tai näiden yhdistelmä. Tässä artikkelissa argumentoin sen puolesta, että Norjan tulisi keskittyä enemmän tutkimukseen, joka liittyy LLM:n soveltamiseen, sen sijaan että käytettäisiin resursseja oman mallien kehittämiseen.
LLM:n kehittämisen kustannukset
LLM:n kehittäminen on äärimmäisen kallista ja resurssivaativaa. Esimerkiksi GPT-4, yksi edistyneimmistä malleista markkinoilla, arvioitiin vaativan noin 20 YottaFLOPs:n (2 x 10^25) datakapasiteettia ja miljardeja dollareita kehityskustannuksia. Tämä on mittakaava, joka ylittää merkittävästi sen, mikä on taloudellisesti ja käytännöllisesti mahdollista useimmille maille, mukaan lukien Norjalle. Lisäksi seuraavan sukupolven mallien kehittäminen, joka odotetaan maksavan yli kymmenen miljardia dollaria, on vieläkin kauempana saavuttamattomissa.
Tietojen ja datakapasiteetin saatavuus
Kilpailukykyisen LLM:n kehittämiseksi tarvitaan pääsyä suuriin määriin korkealaatuista dataa ja merkittävää datakapasiteettia. Esimerkiksi Bloomberg kehitti oman mallinsa, Bloomberg GPT:n, finanssianalyyseihin, mutta jopa se hävisi GPT-4:lle, yleisemmälle mallille suuremmassa mittakaavassa. Tämä osoittaa, että jopa erikoistuneet mallit, joilla on runsaasti pääsyä erikoistuneisiin tietoihin, kamppailevat kilpailemaan todella suurten mallien kanssa. Norjalla ei ole tarvittavaa infrastruktuuria vastaavan mittakaavan datan keräämiseen eikä massiivista datakapasiteettia tai rahoitusta, jota tarvitaan tällaisten mallien kouluttamiseen.
Puutteelliset vahvat tutkimusympäristöt
Vaikka Norjalla on joitain vahvoja tutkimusympäristöjä – Agder ja NTNU – tekoälyn alalla, olemme kaukana siitä tasosta, joka vallitsee suurissa tekoälyn keskuksissa kuten USA:ssa ja Kiinassa. Tämä tarkoittaa sitä, että meiltä puuttuu sekä ihmiskapitalia että teknologista osaamista, jota tarvitaan maailmanluokan mallien kehittämiseen.
Sen sijaan että yrittäisimme rakentaa tällaista kapasiteettia nollasta, mikä kestäisi useita vuosia ja merkittäviä investointeja, Norjan tulisi hyödyntää vahvuuksiaan tutkimuksessa siitä, miten LLM:ää voidaan käyttää innovatiivisilla tavoilla luomaan uusia arvoja, lisäämään kysyntää ja valmiutta maksaa – mikä kauppakorkeakoulut osaavat.
LLM:n ”hyllytuote”
Nykyisessä muodossaan LLM:t ovat tulossa ”hyllytuotteeksi”, jonka toimittavat globaalit teknologiayritykset kuten Open AI, Google, Anthropic ja Meta. Tosiasia on, että akateeminen maailma ei ole juurikaan onnistunut kehittämään kilpailukykyisiä kielimalleja. Tämä tarkoittaa sitä, että Norjan yritykset terveysalalta finanssialalle voivat hyötyä näistä malleista ilman tarvetta investoida niiden kehittämiseen.
Mahdollisuudet piilevät näiden mallien innovatiivisessa käytössä uusien palveluiden, parannettujen asiakaspalveluiden, räätälöityjen ratkaisujen, tarkempien ennusteiden tai monimutkaisten palveluprosessien automatisoinnin kautta.
Norjan tulevaisuus
Keskittymällä soveltamiseen kehityksen sijaan Norja voi hyötyä nopeista edistysaskeleista tekoälyssä sovittamalla teknologian paikallisiin tarpeisiin. Tämä voi tuoda välittömiä hyötyjä parantuneiden palveluiden, lisääntyneen tuottavuuden ja innovaation muodossa terveys-, energia- ja julkishallinnon aloilla.
Tutkimus siitä, miten LLM voidaan integroida ja käyttää tehokkaasti, esimerkiksi eettisen ja oikeudellisen kehyksen kehittämisen kautta, osaamisen rakentamisen ja sovittamisen kansallisiin kieliin ja kulttuureihin, olisi paljon arvokkaampaa Norjalle. Yksi tällainen painopiste voisi olla digitaaliset kaksoisolennot palvelualalla.
Johtopäätös
Norjan tulisi siis keskittyä olemaan edelläkävijä LLM-teknologian soveltamisessa eri aloilla sen sijaan, että yrittäisi kilpailla globaalien yritysten kanssa näiden teknologioiden kehittämisessä. Tämä ei vain ole kustannustehokkaampi strategia pienemmällä riskillä, vaan myös sellainen, joka voi mahdollisesti tuottaa suurempia yhteiskunnallisia hyötyjä kuten lisääntynyt tuottavuus lyhyellä ja pitkällä aikavälillä.