12,847 文字
パロアルトとボストンのキューブスタジオから、キューブとETRによるデータ主導のインサイトをお届けします。これはデイブ・バランテによる緊急分析レポートです。
投資家たちは、OpenAI、Anthropic、Cohere、Mistralなどの独立系基盤モデルプレイヤーに300億ドル以上を投資してきました。OpenAI自体が200億ドル以上を調達しており、MetaとxAIもOpenAIに追いつくために同等の金額を投資する必要があるでしょう。
私たちの見方では、LLM投資家の群れは、いわゆる人工汎用知能（AGI）という偽りの聖杯に盲目的に注目しています。私たちは、最大の価値獲得は「エンタープライズAGI」と呼ぶものにあると考えています。これは、JPモルガン・チェースや実質的にすべての企業内部に閉じ込められている独自のデータ資産と経営ノウハウを比喩的に表現したものです。この集合知を整理し活用するツールにより、これらの企業はAIリーダーシップを競う中で価値の大部分を獲得できるようになるでしょう。
こんにちは、今週のキューブ・リサーチ・インサイトへようこそ。ETRの支援を受けてお送りします。今回の緊急分析では、ジョージ・ギルバートと私が基盤モデルの経済性について深く掘り下げ、あまり注目されていない機会について検討します。特に、私たちが「エンタープライズAGI」と呼ぶものと、企業内および企業データ内に存在する未開拓の機会について見ていきます。この話題について触れている人はいますが、私たちが今日ご説明したい欠落部分やギャップについて明確に説明している人はほとんどいません。
ジョージ、いつもありがとうございます。では、私たちが現在乗っているAIの波のきっかけから始めましょう。ここでOpenAIのCEOであるサム・アルトマンを紹介します。彼はしばしばAGIの開発推進と結び付けられています。私たちはここでAGIの定義として、AIが人間よりも経済的に有用な機能をより良く実行できるという定義を使用しています。つまり、超知能やレイ・カーツワイルが提唱する意識が永続的に生存可能になるという考えではなく、仕事を行うことについて話しています。
このグラフィックの中央には、『インディ・ジョーンズ/最後の聖戦』の一場面を示しています。登場人物が金の杯から飲んでいますが、それを聖杯だと信じているシーンです。AGIの文脈では、聖杯は多くの人々が追い求めているAIの究極の達成を表しています。右端の画像は、同じ映画で間違った聖杯から飲んだ後の男性を示しています。このミームは、AGIの追求が魅力的に見えても、その結果は幻想的かもしれないことを示唆しています。
ジョージ、インディ・ジョーンズは違う考えを持っていましたよね。彼はもっと謙虚だったと思います。説明していただけますか？
「そうですね。インディは王様のものだと思われた聖杯を選ばず、考古学者として、もっと地味なものを探しました。彼が言ったように『大工の杯』を選んだんです。同様に、企業におけるAGIも、前のスライドで話していた銀河系規模のAGIよりも、もっと地味なものの追求かもしれません。それは企業のホワイトカラーの仕事のプロセスを徐々に学習していく能力であり、一つの全知のAGIではなく、むしろ控えめな知能を持つエージェントの群れが集合的に人間のホワイトカラー業務を補強するということです。」
つまり、すべてを支配する1つのAIというよりも、多くの人々が起こりそうにないシナリオだと同意している別のものを考えているということですね。そしてここでこのピラミッドで示しているように、人間よりも効率的に単調な作業を実行できるワーカービーAIを想定しており、時間とともにより高度なタスクをこなすようになっていくということです。
最近、ジェンセン・ファンが私たちの考えに共鳴する発言をしました。彼は次のように述べています：「NVIDIAは現在32,000人の従業員を抱えています。私はNVIDIAがいつか50,000人の従業員を持つ会社になり、各グループに100万のAIアシスタントを持つことを望んでいます。私たちは一般的に物事を上手くこなすAIのディレクトリ全体を持つことになり、また非常に専門的で超スキルを持つAIも持つことになるでしょう。」
ジョージ、全知のAGIを作ることと、ワーカーエージェントの群れを作ることの違いは何でしょうか？
「それが私たちが説明しようとしている大きな違いです。フロンティアモデル企業は、この救世主的なAGI、神のような知能を作ろうとしています。一方で、10万のワーカービーがいて、それぞれが1つまたは少数のタスクを適度に上手くこなすように訓練され、専門化されているのです。ポイントは、私たちが救世主的なAGIを作りたいと思っているのは、現代の企業を運営するすべてのタスクを実行する知能を持たせることが目標だからです。対照的に、より地味なワーカービーAGIは、人間の監督者から学び、彼らを補強して、はるかに生産的にするのです。」
では、LLMとジェネレーティブAIプレイヤーに関する現在のETRデータを見てみましょう。このXYグラフは、私たちがよく示すもので、縦軸に支出モメンタムまたはネットスコア、横軸にデータセットにおける重複または浸透度を示しています。右上にあるOpenAIとMicrosoftは、モメンタムと浸透度の両方でリードしています。GoogleとAWSのAIにおけるギャップは縮まり続けていることについて、私たちはかなりの期間にわたって報告してきました。
DatabricksとSnowflakeは企業AI基盤からこれに取り組んでいます。一方、MetaとAnthropicはグラフ上で重なっていますが、非常に異なる戦略を持っています。IBMとOracleは明確に企業に焦点を当てていますが、もちろん基盤モデルプレイヤーについては話していません。そして、パックには従来型のAI企業が混在しています。
この図では、Microsoft、AWS、Databricks、Snowflake、IBM、Oracleが企業AIキャンプまたは潜在的な企業AGIキャンプにしっかりと位置づけられている一方で、Google、Meta、Anthropic、OpenAIは基盤モデルレースで競い合っており、パックは主に企業AIに焦点を当てています。
ジョージ、この図について付け加えることはありますか？
「単独のエージェントを構築することは、私たちが救世主的なAGIと呼んでいる基盤モデル上で行う場合、単純な概念グループと単純なアプリケーションには問題ありません。しかし、企業でエージェントを本当に機能させるためには、エージェントの軍団を構築するための基盤とツールが必要です。これは単一のエージェントを構築するためのツールとは大きく異なり、はるかに洗練されています。最後にその点について触れる予定です。」
では、本題に入りましょう。ジェイミー・ダイモン対サム・アルトマンという主要な戦いについて話しています。これはどういう意味でしょうか？
ここではScale AIのアレックス・ワンのグラフィックを示しています。GPT-4は0.5ペタバイトのデータで訓練されましたが、一方でJPモルガン・チェースは約150ペタバイトのデータを保有しています。ジョージ、より多いことが必ずしもより良いわけではありません。これは誤解を招く可能性があるのでしょうか？
「はい、JPモルガンは巨大なデータ資産を持っていますが、そこには公共のドメインにない、LLMがインターネットからスクレイプできない固有の知識が本質的に含まれています。これはビジネスに特有の独自の知識であり、これがあなたが私と共有してきた前提の重要な要素であり、私たちが今日提示している競争優位の源泉なのです。」
これについてのあなたの視点を説明していただけますか？
「基本的に、私たちが話してきた基盤モデルはそれほど差別化されていません。すべてTransformerから派生した同じアルゴリズムアーキテクチャで構築され、サイズを拡大し、同じ計算インフラを訓練に使用しています。それらを差別化するのはデータです。
JPモルガンが150ペタバイトを持ち、GPT-4が1ペタバイト未満で訓練されたという比較は完璧ではありませんが、JPモルガンのデータ資産内にある独自データのすべてがエージェントの訓練に使用できるわけではないということを示すプロキシとなっています。しかし、これは基盤モデル企業が決して手に入れることができないJPモルガンと他のすべての企業内に閉じ込められている独自データが膨大にあることを示しています。
このデータは非常に重要です。なぜなら、これは人間の従業員を観察し、その思考プロセスを捉えることを含め、エージェントが学習するために使用するデータだからです。その多くのデータは、現在の訓練データセットにも含まれていない暗黙知です。AI企業はこれを推論トレースと呼んでいます。思考プロセスを捉え、入出力のマッチングよりも効果的にモデルを訓練するのに役立つからです。
基盤モデル企業は、これらの企業の運営とノウハウの核心である推論トレースで公開基盤モデルを訓練することは決してできないでしょう。そのため、ワークフローエージェントの群れ、つまり本当に特化したアクションモデルが集合的に、すべての経営ノウハウを学習し具現化し、サムの基盤モデルを上回る性能を発揮することができるのです。繰り返しますが、集合的にということです。ジェンセンが言及したような10万のエージェントまたは100万のエージェントの群れとして、その集合知がフロンティア基盤モデルの単一の知能を上回るのです。」
そうですね。基盤モデルベンダーは私たちが偽りの聖杯と呼ぶものを追いかけて戦っており、冒頭で述べたように、賭け金は信じられないほど高額です。このグラフはテストロスと3つの要因（計算、データセット size、パラメータ）の関係を示しています。これらは言語モデルを効果的にスケールするための基本的な要因です。各パネルは、他の要因を一定に保ちながら、これらの要因のいずれかが増加した場合のテストロスの変化を示しています。
つまり、これらのモデルは継続的に改善されていますが、フロンティアに留まるには相互に競争的で、非常にコストがかかります。ジェイミー・ダイモンは、この競争的なレースに参加する必要はありません。むしろ、AIにおいて基盤モデル企業が推進しているイノベーションの恩恵を受け、それを自社の独自データに適用することができるのです。
ジョージ、これは今後さらに悪化し、エスカレートする可能性が高いですよね。あなたの考えを説明していただけますか？この図を使って説明してください。
「ここで何を示しているのか、そしてなぜこれが継続するのかについて説明しましょう。これは、あなたが指摘したように、スケールのコストと私たちが数年前から知っているスケーリング法則の残酷な経済性を示す別のグラフです。モデルの各世代は、サイズ、計算能力、データセットサイズ、そしてモデル自体のサイズであるパラメータ数を増やす必要があります。これらは一緒に増加しますが、すべてを一緒に増やすと、右側の表を見ると分かるように、すでにその訓練に2億ドル近くかかっており、Epic AIという会社が作成したチャートでは、訓練コストは年間2.4倍のペースで上昇していることが示されています。実際にはこれを加速させる要因もあるかもしれません。例えば、長いコンテキストウィンドウは、Gemini UltraをGPT-4よりも数倍高価にした要因だと考えられます。
また、推論時つまり実行時により効率的になるようにモデルを過剰に訓練するという別の要因もあります。重要なのは、基本的な能力を向上させるために膨大な資本が投入されていますが、あるフロンティアモデルの基本的な能力が次のモデルとどれほど差別化されているかは明確ではないということです。
さらに、モデルの開発と改善がますます高価になるだけでなく、価格は急落しています。このチャートは、GPT-3クラスのモデルの価格が3年間で4桁も下落し、GPT-4クラスのモデルは導入後24ヶ月以内に2桁下落するトレンドにあることを示しています。
ジョージ、重要なのは、高性能な基盤モデルの価格が急速に低下し、競争が価格を押し下げているということですね。組織はこれらの高度な言語モデルをより費用対効果の高い方法で活用できるようになります。しかし、これは基盤モデルのコモディティ化の可能性も示唆しているのではないでしょうか。そこでザッカーバーグとイーロンの登場ですが、この価格低下とオープンソースプレイヤーの影響についてコメントしていただけますか？
「前のスライドでOpenAIとAnthropicを示していましたが、Geminiさえも含めていませんでした。そして今、Llama 3.1が主にISVs（独立系ソフトウェアベンダー）の製品に採用されているザッカーバーグがいます。マスクは誰よりも早くH100訓練クラスターを立ち上げました。完全には完成していませんが、より多くのフロンティアクラスの競合が市場に参入しており、すでに価格は急落しているのが分かります。つまり、そのビジネスの経済性はそれほど魅力的ではないのです。」
この課題について続けると、このチャートに示されているように、データ生成や効率性に対する新しいアプローチがなければ、LLMはすぐに収穫逓減に直面する可能性があります。計算能力やパラメータ数だけでなく、高品質なデータの入手可能性によっても制約を受けています。スケーリング法則のため、訓練データセットを拡大し続ける必要がありますが、パブリックインターネット上の高品質なトークンは枯渇しつつあります。
ジョージ、これは基盤モデルにとって重大な危機的瞬間ではないでしょうか？
「この問題の重要な解決策は、人工的にデータを生成することですが、それはモデルが生成する任意のデータではいけません。データは実際に新しい知識を表すものでなければならず、モデルにすでに含まれているものの再現であってはいけません。
それができる一つの方法は、コンピュータコードや数学のように、現実世界で検証できるデータを使用することです。コードを実行するような検証プロセスがあるからこそ、それは高品質なデータとなります。新しいことを仮説として生成し、テストし、検証することで、それは新しい知識となるのです。
問題は、コードや数学でこれができたとしても、それは実際にはモデルを他のすべてのドメインで知識豊富にするわけではないということです。そのため、モデルは人間の専門知識から学ぶ必要があるのです。」
これは最近のアレックス・ウォンのノー・プライアーでのインタビューでも強調されていました。そのクリップを聞いてから、コメントしましょう。
合成データの未来と、合成データがどのように出現する必要があるかという重要な問題があります。私たちの見方では、重要なのは、私たちがハイブリッド人間AI合成データと呼ぶものです。AIが多くの重労働を行いますが、人間の専門家や、つまり最高で最も賢い人々、推論が最も得意な人々が、その洞察と能力のすべてを提供して、最終的にこれらのモデルの未来を支える極めて高品質で高精度なデータを生成することを確実にできるような、ハイブリッド人間AIシステムをどのように構築できるかということです。」
ジョージ、合成データは基盤モデルベンダーがデータの壁を突破することを可能にするでしょうか？また、なぜここでアレックスとカール・マルクスの写真を並べて示しているのですか？
「アレックスが最高で最も賢い人々が推論と洞察を提供する必要があると言い、明らかに現在数十万人もの人々からこれを収集するための比類のないプラットフォームを持っているようです。しかし、彼がこれを言うのを聞いたとき、それはカール・マルクスが『各人はその能力に応じて、各人にはその必要に応じて』と言ったのに少し似ていました。
これは、共産主義と同じくらい理想郷的なビジョンのように聞こえます。少し誇張していますが、すべての推論と洞察は営利企業のノウハウの中に閉じ込められており、おそらく時給30ドルほどを払って彼らの推論と専門知識を寄付してもらうことはできないでしょう。」
そうですね。あなたの指摘は、アレックスと彼の基盤モデルの顧客は、ジェイミー・ダイモンの会社のような数万の企業内に閉じ込められている集合知にアクセスすることはできないということです。これが、誰も話していない本当のデータの壁なのです。
重要なのは、私たちが見ているエンタープライズAGIは企業にとってのチャンスであり、最も価値があるのは、基盤モデルプレイヤーではなく、AIを独自のデータに適用できる企業だと考えています。これが、私たちが今日提示している前提です。
では、パワー法則についてもう一度見てみましょう。私たちはパワー法則について話すのが好きです。Qビーまたはキュー・リサーチは、ジェネレーティブパワー法則を提示しました。これは別の見方です。スタンフォード大学のエリック・ボルソンのグラフィックです。
これは、各プロセスが独自で、その会社特有の部族的知識を含んでいるため、ビジネスプロセスの自動化が歴史的に非常に困難だったことを示しています。エンタープライズアプリケーションは、攻略できる範囲が限られていました。カスタムアプリケーションは、HRのような組織全体で標準的な（または大部分が標準的な）問題を攻略することができます。企業はこのパワー法則曲線をわずかに下げるためにカスタムアプリケーションを構築してきましたが、ロングテールのほとんどは自動化されていません。
ジョージ、あなたはこのボルソンのチャートに「エージェンティック」という最新のバズワードを重ね合わせましたね。あなたが行ったことと、それがどのように適用されるのか説明してください。
「数十年にわたって、私たちは財務のような高ボリュームのプロセスをパッケージアプリケーションで解決してきました。誰もが財務は同じやり方で行います。HRのような中ボリュームのプロセスはカスタムアプリケーションで対処しました。しかし、各ビジネスプロセスに関連するビジネスルールを手作業でコーディングする必要があったため、カスタムアプリケーションを構築する経済性は困難でした。
そして、あなたが言ったように、各ビジネスプロセス自体に本質的に捉えるのが非常に難しい変種の雪片のようなものが含まれていました。プロセスのロングテールと各プロセス内の雪片に到達できなかった理由は、複雑なワークフローのルールをプログラムすることが実現可能ではなかったからです。
私たちは、エージェントがその経済性を変えることができる未来を見ています。エージェントは人間の行動を観察することから学習します。市民開発者はエージェントに目標とガードレールを与えますが、同様に重要なのは、エージェントがステップバイステップの推論で計画を生成し、それを人間が編集できるということです。
そして、例外条件は、エージェントが次回ロングテールをさらに深く理解するのに役立つ学習可能な瞬間となります。」
これを実際に説明し、デモを通じて示したいと思います。このデモは以下の点を説明します：
人間の行動から学習する技術は実際に今日取り組まれています
エージェントは、ジョージが前に言及した推論トレースと例外処理から学習できます
エンタープライズAGIが現実となるために埋める必要がある基本的なギャップがまだあります
デモの最初のスライドは、MicrosoftのCopilot Studioのスクリーンショットを示しています。ジョージ、これを説明してください。これが具体的で、今日MicrosoftやSalesforceなどの企業から出荷されていることを示したいと思います。
「重要なポイントは、エージェントが人間の監督者から学習できるということです。ここで見ているのは、従業員をオンボーディングするエージェントを定義する画面です。AGIは必要ありませんし、完全にジェネレーティブなビジネスロジックである必要もありません。既存のワークフローを活用し、それらの既存のビルディングブロックを組み合わせて再組み合わせることで、ロングテールのアクティビティをオーケストレーションする方法を見つけることから始まります。」
ありがとうございます。アレックス、シーケンスの次のスライドを表示して、ジョージ、次のステップを説明してください。
「エージェントの真の力は、本番環境で例外から学習することです。これは、バグを本番環境に入る前に捕捉して抑制しようとする従来のソフトウェアとは反対です。ここでは本質的に、バグを学習可能な瞬間として考えることができます。
このエージェントは新入社員をオンボーディングし、ラップトップのオプションを提供しています。エージェントは中央のペインで思考プロセスを示しています。これは実行時に見えるものではありませんが、デバッグ用のようなものです。ラップトップを提供していますが、この従業員はイベント部門で働いており、ラップトップではなくタブレットが必要です。
エージェントは、人間の監督者に戻ることなくエージェントができることを拡張する教育可能な瞬間を記録または捕捉します。学習すると、各教育可能な瞬間がエージェントの能力を拡張し、より多くのエッジケースを処理できるようになります。」
この例では、機械が解決できない例外があり、人間をループに組み込む必要がありますが、エージェントは人間の推論とアクションから学習し、それがプロセスの次のステップとなり、今や私たちがここで有機的なシステムとして想定しているものに組み込まれるということですね。
私たちは少し先走っているかもしれませんが、デジタル表現について話すとき、これを究極的にこのAI時代の北極星として見ています。では、標準メニューで提供されているものとは異なるものをユーザーが望む例外を見てみましょう。ジョージ、説明してください。
「ここで注目に値するのは、見えている各行がエージェントがこのオンボーディングプロセスを実行したインスタンスだということです。カーソルがある行の小さな赤いマークは、例外条件を示しています。これは、オンボーディングされている新入社員が『提供されている選択肢では十分ではない』と言ったところです。」
では、次のスライドに移りましょう。このスライドでエージェントが学習しているところを示しています。
「フィードバックループと、エージェントがどのように学習し、システムが進化するかを示しています。右側には思考プロセスがあり、ネガティブフィードバックというコメントがあります。システムはそれに応じて対応し、エージェントはユーザーがそのネガティブフィードバックを持っていたことを認識します。そこで、潜在的に学習可能なステップを作成し、すべての画面を通過することなくタブレットオプションの範囲を拡大します。そして、イベントプランナーがオンボーディングされる際にはタブレットを表示するようになります。」
このデモを見ていただき、ありがとうございます。ここで一歩下がって、情報技術の70年間の進歩という文脈でこれを考えてみましょう。コンピューティングは最初にバックオフィス機能を自動化し、その後パーソナルコンピュータの生産性が大きな推進力となりました。そして、テクノロジーがメインストリームに移行すると、テクノロジーの消費者とそれを適用する人々が最も効果的に恩恵を受けることになると考えています。
私たちが話したいテクノロジー業界は、各後続の波が前世代の複雑さを抽象化する一連の波として語られます。ジョージ、私たちは今どこにいて、どこに向かっているのでしょうか？
「最後のスライドがカルロタ・ペレスの非常に有名な本『技術革命と金融資本』からのものだということを指摘する価値があります。波が成熟段階に向かうとき、テクノロジーを基盤として構築する人々が恩恵を受けます。これが私たちが本当に言っていることの究極のメッセージです。
基盤モデルは非常に資本集約的で才能集約的ですが、それらをビジネス価値に変える全てのデータは、フロンティアモデル企業に供給しない企業の中に閉じ込められているのです。つまり、大きな恩恵を受けるのは企業だということです。
しかし、次のスライドに移りましょう。それが実際に出現しつつあるスタックを説明しているからです。」
これは、あなたが言及した何十年にもわたるITの集大成と、このフレームワークにAIが与える影響を示しています。ここで示しているのは、データがあらゆる場所に存在し、IaaS、PaaS、SaaSがあり、これが今日事実上すべての組織のビジネスモデルを支えているということです。
テクノロジーはすべてに触れており、上部の緑色のブロックは、組織とそのエコシステムの人、場所、物事、プロセスがカプセル化され、有機的なシステムとして表現される、企業のリアルタイムのデジタル表現（デジタルツインと呼ばれることもあります）として私たちが想定している新しい機能を表しています。
10万以上のエージェントの集合知が協力して成功するためには、共有された真実の源泉が必要です。ジョージ、これがどのように展開すると考えているか説明してください。
「類推として、15年前には誰もがマイクロサービスの俊敏性について話していましたが、それは実際には共有された真実の源泉という問題を先送りにしただけでした。各マイクロサービスは独立して非常に迅速に進化することができましたが、自身のデータベースという形で自身の真実の源泉に責任を持っていました。
これは実際に、分析データ資産が過去10年間、まずはデータレイク、次にデータレイクハウス、そして最新のデータスタックで解決しようと苦心してきた混乱を生み出しました。エージェントの真実の源泉は、私たちが50年間慣れ親しんできたデータベースとは大きく異なるものになる可能性が高いのです。
文字列を実世界のデータオブジェクトの形に引き上げるだけでは十分ではありません。エージェントはビジネスプロセスに参加し、エージェントの軍団を持つ次世代のエンタープライズソフトウェアの究極の目的は、企業のすべてのプロセス、人間のエージェントとAIエージェントの活動を調整することです。
そのため、私たちは50年間のプロセス自動化と分析の孤島を抽象化する真実の源泉が必要ですが、この新しい真実の源泉は、企業のすべてのビジネスプロセスの状態を調整し分析する必要があります。これらのプロセスは、収益性、成長、持続可能性、またはそれらの組み合わせのような同じ北極星の目標を共有する必要があります。そしてこの真実の源泉は、過去50年間に展開してきたものとは全く異なる可能性が高いですが、それは別の機会の話題です。」
実際、アレックス、もしよろしければそのスライドをもう一度表示していただけますか。このトピックについてはあまり深入りしたくありませんが、ジョージ、私たちは以前このトップレイヤーについて話し合いましたね。このデジタルビジネスモデル、バックエンドの運用システム、分析システム、歴史的な真実のシステムなど、あらゆる異種のデータを調和させる必要条件、そしてこれらのエージェントを管理し、統治し、制御し、トップダウンの目標を解釈できるようにするためのエージェンティックまたはエージェント制御フレームワークについて。
しかし、このトップの分析レイヤーは、私たちが知り、愛し、産業が構築してきた従来の分析とは異なりますね。これについて説明してください。
「分析とデジタルビジネスモデルは非常に異なります。それらはプロセス中心です。50年間、私たちは基本的に文字列、せいぜい実体を管理してきました。それらは人、場所、物事です。請求書を管理し、注文を管理し、顧客を管理してきましたが、それらすべてを結びつけるプロセスの管理は上手くできていませんでした。
さらにそれらのプロセスがどのように組み合わさり、どのように調整し最適化するかを分析することは、さらに劣っていました。これが変わろうとしています。これは、私たちが構築してきたSQLデータベースやNoSQLデータベースとは全く異なる種類の真実の源泉です。そしてひとたびその真実の源泉を手に入れれば、分析も完全に異なるものになります。
部分的に、そこでのブロッカー、課題は、それらのプロセスが組織にとって非常にユニークで、理解し、規模で複製することが極めて困難だということです。」
「はい、新しいベンダーが異なる角度からアプローチしています。そこにあるものを学習し、リバースエンジニアリングし、この新しい抽象化レイヤーを構築しようとしています。私たちはRelational AI、Solonus、Palantir、そしてキューブのフレンドであるEnterprise Webについて話してきました。しかし、彼らは全て異なる角度からアプローチしており、それぞれのアプローチのトレードオフと、その上に構築できるアプリケーションの種類を探求することは、時間をかけて発展させる必要があるでしょう。」
そうですね、別の機会のトピックですね。ジョージ、あなたの洞察と時間をありがとうございました。
以上です。さて、皆さんはどう思われますか？基盤モデルへの大規模な投資は的外れで、愚者の金を追いかけているとお考えですか？それとも、エンタープライズAGIを含めて、1つのモデルがすべてを支配すると信じていますか？
このエンタープライズAGIの概念についてどう思われますか？OpenAIのような基盤モデルベンダーは、最終的にその価値の大部分を獲得できるビジネスモデルを開発するでしょうか？それとも、企業がAIとジェネレーティブAIに注ぎ込まれている数千億ドルを自社の独自の利益のために活用すると信じていますか？あなたの考えをお聞かせください。
制作のアレックス・マイヤーソンとケン・シフマン、ソーシャルメディアとニュースレターでの情報発信を手伝ってくれたクリスティン・マーティンとシェリル・ナイト、そしてSiliconANGLE.comのEICのロブ・ホーに感謝します。
これらのエピソードはすべて、Breaking Analysis Podcastとして、お好みのポッドキャストプラットフォームでお聴きいただけます。私は毎週TheCUBEResearch.comとSiliconANGLE.comで公開しています。david.vellante@siliconangle.comまでメールを送るか、@dvellante宛にDMを送ってください。LinkedInの投稿にコメントしていただくこともできます。また、エンタープライステクノロジービジネスにおける最高の調査データについては、ETRをご確認ください。
ETRによって支援されたキューブリサーチインサイトのデイブ・バランテでした。ご視聴ありがとうございました。次回の緊急分析でお会いしましょう。
コメント