12,742 文字
私には、この記事がまさにバズろうとしている予感があります。記事のタイトルは「エージェント・オーケストレーターの時代」で、OpenAIで応用AIに携わっているShyamalという人が書いたものです。そして時々、未来について少し先見の明があるように思えるブログ投稿や記事が現れることがあります。
これは通常、AIの内部にいて、それがどこに向かっているかを見ることができる人々によって書かれています。そして、ますます多くの人々がこの点を強調しています。AIがますます多くの仕事と交差するようになる中で、将来どのようなスキルと能力が必要になるのでしょうか。
私は常に仕事の未来について、Factorioというゲームをプレイするようなものだと説明しています。Factorioを遊んだことがない方のために説明すると、これは一種の工場建設2Dシミュレーションです。基本的には、つるはしで鉄鉱石を採掘することから始まり、最終的には様々な掘削機を構築し、それから溶鉱炉や発電所、最終的には鉄道駅、コンベアベルトを作り、そこからさらに複雑になっていきます。
システムを設計し、時間をかけてそれらのシステムがどのように動作するかを徐々に観察し、出力を改善するためにあちこちで最適化を行います。そのシステムをどのように改善するかをモデル化しようとし、複雑さを追加し続けながら全体を最適化していきます。ボトルネックがあれば、そのボトルネックを改善しようとします。
そして今、様々なAI研究者たちが、AIゲームで本当に成功する人々は、これらのスキルの一部を持つ人々になるだろうとほのめかしています。例えば、ここにWill Depuseという人がいます。彼はOpenAIのマスター・オブ・スロップということです。これは興味深い職名ですね。
職務内容はどんなものなのでしょうか。どうやってマスター・オブ・スロップになるのでしょうか。そして、このマスター・オブ・スロップが仕事の未来について言っていることは次の通りです。彼は言っています。「私は仕事の未来はStarcraftやAge of Empiresのようなものだと思います。あなたには200のマイクロエージェントがいて、それらを指示して問題を解決し、情報を収集し、人々にアプローチし、新しいシステムを設計したりします。
そして、ご存知の通り、うん、もうその時が来ました。だからこそ、この「エージェント・オーケストレーターの時代」という記事が、ところでとても素晴らしいタイトルですが、だからこそそれがとても良いのです。この考え、このコンセプトをより理解しやすい塊に分解してくれるからです。
私たち多くの人がこのようなアイデアを持っていましたが、この人が座って、なぜそうなのかを書き出し、いわば証明を書いたのです。では、見てみましょう。問題は、多くの人々、彼の家族が、AIエージェントがすべてをできるようになったとき、世界はどのようになるのかと尋ねていることです。
私たちはまだそこまで到達していませんが、これらのエージェントの能力は急速に向上しています。だから、それについて考えることが重要です。そして考える素晴らしい方法の一つは、何が希少で、何が不足しているかということです。市場は通常、不足しているもの周りに組織化される傾向があります。
これまでかなり長い間、今に至るまで私たちが持っていた希少なものは、例えばソフトウェアを書く方法を知ることでした。だから、特定のことを行うものをコード化する方法を知っていれば、あなたは皆のために大量の価値を生み出すでしょう。
Excelが登場したとき、しばらくの間希少だったのは、それを使用する方法を知っている人々でした。Excelの使用方法を知っていれば、ビジネスをモデル化できました。あなたのような人材は供給が少なく、したがって非常に需要が高いでしょう。あなたはより多く支払われるでしょう。これが需要と供給の考え方です。低供給、高需要は、価格が上がることを意味します。
人々がそれに喜んで支払う価格が上がります。そして、ビジネスにおいても、それは素晴らしい競争優位性です。そして今、これらのAIモデルが実際の作業を行う、作業をチェックする、作業を改善する、実際の作業を行うことがより上手になるにつれて、希少なものは何でしょうか。何が不足することになるのでしょうか。
それは手作業でタスクを行う方法を知っている人ではないでしょう。希少なものはリソースを調整できる人になります。計算、資本、データへのアクセス、および人間/専門家の判断です。この点を説明するために、ほんの数日前、私はある特定のウェブサイトをスクレイピングしたいと思いました。
それには私が分析したい大量のデータがありました。二つの数字のセットの間に何らかの関係があるかどうかを見たかったのです。それらが何であるかは実際にはどうでもいいことです。そこで、o3モデルを使ってClaude GPTに行き、このウェブサイトをスクレイピングするコードを教えてくださいと言いました。おそらくと言うべきかもしれませんが。
まず第一に、それが戻ってきて言ったのは、「こんにちは、このウェブサイトには実際に無料ティアがあるAPIがあり、スクレイピングなしにすべてのデータを取得できます。スクレイピングはグレーゾーンですから」ということでした。
それはそうしてくれるつもりでしたが、APIを使って正しい方法でやってみませんかと言いました。そして私は、「はい、それは素晴らしいです。そうしてください」と言いました。5分後、私は必要なデータを取得し、Excelスプレッドシートに入れることができました。
そのExcelスプレッドシートをClaude GPTのモデルにアップロードし、線形回帰を実行するよう依頼しました。基本的には、これら二つのデータセットの間に何らかの相関関係があるかどうかを調べることです。言い換えれば、一つの数字が上がると、もう一つもそれと一緒に動くのか。
それらは関連しているのか、相関しているのかということです。そして、それはすべてを行いました。小さなチャートを与え、関係を計算しました。「いいえ、そこには実際にはトレンドはありません」と言いました。そして、「もしかしたらトレンドは線形ではないかもしれません。非線形のトレンドがあるかどうかを見るために何かをやってみましょうか」と言いました。
再び覚えておいてください、私は必ずしもこれらすべてのことをどうやって行うかを知る必要がありませんでした。私がやりたいことを言葉で表現できる限り、それは残りを理解してくれるでしょう。
そこで、おそらく放物線のような関係があるかどうかを見るために二次テストを行いました。おそらく何らかのピークがあるこのU字カーブにデータが適合するかもしれません。そして、それはすべてのチャート、すべてのプロット、その背後にあるすべての数学を行いました。
私の言いたいことは、それほど昔ではなく、同じ地点に到達したいと思ったら、かなり多くのことを知る必要があったということです。第一に、ウェブサイトからそのデータをスクレイピングするため、APIを使用してそのデータを取得するために、Pythonでそれをプログラムする方法を知る必要があったでしょう。
そのコードを実行する方法を知る必要があったでしょう。そのコード、データをExcelスプレッドシートに取得する方法、整理する方法、チャートやプロットの作成方法、様々な分析などを行う方法を知る必要があったでしょう。
そもそもそれらのものが何であるかを知る必要があり、その後、Excelでそれらを行う方法を知る必要があったでしょう。質問への答え、つまりあなたの質問への答えを得ることができるようになるためには、これらの分野で専門知識を持つ必要があったでしょう。
しかし今、ますますそうである必要はありません。Claude GPTにそれを尋ねることができることを知り、それができることを認識しさえすればよいのです。Shyamalがここで言っているように、専門知識が民主化されます。そして、これは素晴らしい表現だと思います。
もしあなたがExcelの使用方法を学ぶために1万時間を費やしたとしたら、つまりそれは素晴らしいです。あなたは多くの他の人々が持っていない専門知識を持っていました。今、そのような優位性は平準化されています。なぜなら、もしほとんどの人がClaude GPTまたは類似のものを持っていれば、スプレッドシートをそこに投げ込み、すべての作業を行わせることができるからです。
つまり、プレミアムは「私は税法を知っている」から「私は正しい答えを得て、安価に実行するループを設計できる」にシフトします。私がそれを行ったのは、Claude GPTの月額サブスクリプションを持っていたからです。
もしAPIを使用して、トークンごと、または使用ごとに支払わなければならなかったとしたら、おそらく3ドルから5ドルくらいかかったかもしれません。しかし、例えば大規模に行わなければならない場合に、1ドル未満、10セント、20セントくらいになるような設定方法があるでしょう。
例えば、それだけを行うソフトウェアを設計し、実行あたりのコストを可能な限り安くする必要がある場合。つまり、実際にはるかに低くすることができます。o3は大規模な汎用モデルです。
もし単一目的のモデル、一つのことに焦点を当てたものが欲しければ、実行するのがはるかに安くなるでしょう。そこで、現在あなたはあなたの税金を行うために専門家を雇うことができます。なぜなら、あなたが犯す可能性のある様々な間違いがたくさんあり、間違った場合のコストが高いからです。
しかし、あなたの税金を上手く行うことができるエージェントを構築またはレンタルできれば、彼らはフィードバックを求め、エッジケースを再確認し、時間とともに改善することができます。そうすれば、彼がここで呼んでいる専門家のゲートキーピング機能が消失します。
これは興味深い言い方です。なぜなら、一方では専門家を何かを学び、あなたに価値を提供する人々として考えることができるからです。ええ、それは一つの見方です。もう一つの見方は、ええ、専門家のゲートキーピング機能です。
あなた自身がどうやって行うかを知らない何かをしてもらいたい場合、しばしば専門家のサービスにお金を払うことを余儀なくされます。それが複雑であればあるほど、そのサービスを行う優秀な人が少なければ少ないほど、それはより高価になります。
もし何か重要なことをしようとしていて、それを行うために非常に高い資格を持った人が必要な場合、おそらく多額のお金がかかるでしょう。しかし、多くのタスクについて、AIはそのような堀を取り除くでしょう。
画像や動画を作成し、様々な数学的なことを行い、知識を集約し、研究を行い、あらゆる種類のことを行うことがより簡単になるでしょう。コンピューターの前で行うことができるほとんどのことは、何らかの形でAIによって影響を受けるでしょう。
今でも専門家は存在しますが、これらの専門家は新しいカテゴリーになるでしょう。これは判断を提供し、高レベルの戦略を設定し、奇妙なケースを処理する人々です。例えば、税法の詳細を知ることは、正しい申告を作成し、人間が見るべき曖昧な部分にフラグを立て、500ドルではなく5セントの計算で済むような自律的ワークフローを設定する方法を知ることよりも価値が低くなるでしょう。
Claude GPTで私が本当に楽しんでいることの一つは、例えば血液検査の結果をアップロードし、それをライン・バイ・ライン で何を意味するかを説明してもらうことです。血液検査にあるあの奇妙な数字や略語のようなものです。
もし完全なパネルを取得したら、医療業界にいるのでなければ、それらのうちどれだけを実際に意味を知っているでしょうか。医療業界にいるなら、うまくいけば多くを知っているでしょうが、私たちのほとんどにとって、それはそうではありません。
すべてを説明し、それが何を意味するかを教えてくれるだけでなく、もしそれが問題であれば、どうやって改善するかのヒントさえ与えてくれます。例えば、もし私が望むなら、人々が血液検査のPDFをアップロードするだけで、最も価値のある答えをすべて返すような、ある種のループを設定することができるでしょう。
概要を提供し、エネルギーが低く、だるさを感じている場合のような特定の状態に特化させることさえできます。そのような角度から具体的に見て、何がエネルギッシュでなくしているのかを調べ、調子の悪い部分をハイライトするかもしれません。
繰り返しますが、これは一例です。他にも百万の例があります。これらは私が個人的に行った、うまくいくことを知っているもので、これらのモデルが優秀な、優秀な答えを返すことができるところです。
そして彼は続けます。何かを行うことができる唯一の人であることに地位が結びついている人々にとって、それは不快なことでもあるでしょう。地位だけでなく、賃金や給与もおそらく影響を受けるでしょう。
もし情報が希少だと信じてキャリアのために訓練しているなら、それが希少でなくなったときに何が起こるかを自分に問うべきです。すべての安価な情報を取り、価値のある結果に変える人になるための訓練をしているなら、あなたはより確実な基盤にいます。
リソースの最適化がはるかに重要になります。言い換えれば、知識と物事を行う能力が希少でしたが、将来に向かうにつれて、それはそうではなくなるでしょう。今、私たちは物事を行う能力の大量の豊富さを持っています。
では、質問は、どうやってそれを最大限に活用するかです。どうやってそれらすべての潜在的な能力を、最小限のリソースを使って人々への価値に変えるかです。では、それは実際にはどのように見えるのでしょうか。
彼は言っています。私たちは、フロップ・MP計算、流動性、ラボ時間、人間のレビューなどを自律的ワークフロー・エージェントに割り当てることが非常に上手になる必要があります。これは新しい仕事です。
もし何か大きなマーケティング分析をしたい場合、あなたはそれをアナリストに送り、彼女は2週間で完了すると教えてくれます。彼女は他にやることがありますし、どのくらい時間がかかるかある程度見当をつけています。
しかし、私たちが間もなく住むことになる可能性の高い世界では、10,000のエージェントを立ち上げて10,000の分析を行うことができるとしましょう。あなたのボトルネックは非常に異なるものになります。
もはや9時から5時の間に物事を終わらせるという考えではありません。それよりも、タスクあたりのコストを削減する方法や、リソースを最適化する方法についてです。なぜなら、あなたのコンピュートクラスターは有限かもしれませんし、予算は有限であり、専門のレビュアーの時間数は有限だからです。
だから、コンピューター側でより多くのことを行いたいのです。まだレビューのために人が必要ですが、彼らが行わなければならないレビューの量を減らす方法はありますか。もしコンピューターエージェントがコードを生成し、人間が最終的に見る必要がある場合、人間がレビューする前に合格または不合格となる自動チェックはありますか、または人間がレビューしやすくするものはありますか。
何らかの小さな印刷物や、見るべき潜在的な赤旗はここにあります、などのようなものです。エネルギーが安い夜間に百万のタスクをキューに入れる方法などを考える必要があります。しばしば人々が流動性と言うとき、彼らは手元にある現金を意味します。
何かを行うのに十分な現金がありますか。だから、この文脈で低流動性ウィンドウというのが何を意味するのか、実際には確信がありません。それがあなたに理解できるなら、コメントで教えてください。私たちは現金について話しているのではありませんよね。
私はその行を理解していません。教えてください。この文脈での低流動性ウィンドウとは何でしょうか。過去において、様々なスタートアップや企業は資本を慎重に配分しなければなりませんでした。
この新しい体制では、計算も慎重に配分しなければなりません。それは設定して忘れるというタイプの状況ではありません。モデルは良くなり、コストは下がり、新しいタスクが現れるでしょう。
文字通りAIエージェントの艦隊と彼らが必要とする希少なリソースを調整することが仕事である人々が必要になるでしょう。エージェントのための航空管制官や指揮者のようなものと考えてください。
最高の企業はすでにこれの一部を行っています。彼らはクラウド支出を最適化し、ジョブをスケジュールし、資本効率について考えていますが、それでも人間と機械の時間の両方を極度に無駄にしています。
Google のDeepMindの最近の論文、Alpha EvoLve について私が絶対に狂気だと感じた一つのことは、彼らがこのAIモデルを使用してBorgと呼ばれるGoogleの広大なデータセンターを最適化したことです。
このAIが考え出した新しいソリューションは1年以上本番稼働しており、平均して継続的にGoogleの全世界の計算リソースの0.7%を回収しています。持続的な効率向上は、任意の瞬間により多くのタスクを同じ計算フットプリントで完了できることを意味します。
論文で彼が話していることとまさに同じです。無駄を減らすことは、より多くのことを成し遂げることができることを意味します。勝利する人々は、最適化し、より良くすることができる人々です。
さて、あなたが何を考えているかわかります。私はあなたの心を読むことができます。おそらくあなたは考えているでしょう。「ええ、でもなぜそれを行う必要があるのですか。これはAIがそれを行い、おそらく人間よりも良く行ったと言っているだけですよね。それは、これらすべてのエージェントもAIによって調整されることを意味するのですか？」
そして興味深いことに、これは現在、私がAI開発における一種の障害として実際に見ているところです。現在、構築されているAIエージェントの多くは、長期的な一貫性に問題があります。
それらを自分で動作させ、長期的なタスクを追求させようとすると、しばらくすると、それらは崩壊する傾向があります。Alpha EvoLveは、興味深いことに、完全に自律的なAIエージェントではありませんでした。
それは本当に、私が考えるに、パイロット、それを駆動するもののようなLLMでした。彼らはその周りに、出力の自動評価を含む特定の構造を持っていました。しかし、ここで見ることができるように、入力の多くは人間の科学者/エンジニアから来ました。
彼らは初期プロンプトと設定を考え出しました。ここに入るべきLLMを選びました。出力のための評価者、出力がどれだけ良いかを判断するプログラムを書きました。そして、彼らはまた初期のデータベースを提供しました。
これまでにわかっていることはこれで、これをやってみて、あなたがうまくやっているかどうかを判断する方法はこれです、というように。人間がそのすべてを設定しました。
そしてAlpha EvoLveはこの狂気の進化的探索を実行し、悪いものを取り除き、目立って見えた良いアイデアは、いわば子孫を持つでしょう。それらは将来の世代に伝播し、それらはそれらのアイデアの分岐チェーンを通じて探索し続け、最終的に最高のプログラム、最高のソリューションが生み出されるでしょう。
しかし、再び、彼が描写していることは、これらの人々をエージェント・オーケストレーターとほとんど考えることができるでしょう。だから、彼らはそれを制御し、ものをチェックしています。彼らはこの狂気のAIシステムを監視し、それに沿って指導しています。
これは完全に自律的に動作しているわけではありません。少なくとも今のところ、完全に自律的なエージェントが他のエージェントなどを処理することに対する、言うなれば障害、速度バンプがあるようです。
その長期的な一貫性というもので、多くの人々がそれに苦闘していて、誰も知りません、もしかしたら明日論文が出て、ああ、私たちはそれを解決した、誰が知っているでしょう、しかし今のところ、それは未解決の問題のようです。
だから、エージェントの管理におけるリテラシーが新しいExcelになります。タスクを分解し、報酬を設定し、実行を監査する方法を知ることが、この来るAIの波を活用しようとしている企業や人々にとってのベースラインスキルになるでしょう。
だから、多くのエージェントを設定し、ABテストを行い、何がうまくいき、何がうまくいかないかを見て、柔軟性を保ち、データを見るだけです。それがあなたの文化であれば、より速く複利で成長するでしょう。
もし古いワークフローにAIを無理に組み込もうとしても、うまくいかないでしょう。Excelが登場したとき、Excelの使用方法を知っていれば、しばらくの間、あなたは非常に、非常に特別でした。しかし、しばらくすると、それは単なる当然の前提でした。
あなたはExcel、句点を知る必要がありました。だから、AIエージェントを管理し、これらのABテストを行い、彼が描写するエージェントのためのプロダクトマネジメントを行うことができれば、それは本当に需要のあるスキルであり、大きな競争優位性になるでしょう。
そこで、彼のウェブサイトがあります。彼は言っています。「AI進歩を理解するために私が見つけた最も満足のいくフレームワークの一つは、メタカーブ、MERカーブです。これは、AIエージェントが完了できるタスクの長さに基づいてAIパフォーマンスを測定します。」
私たちはGPT-3.5でほんの数秒長のタスクから始めました。それを40秒長と呼びましょう。そして時間が経つにつれて、例えばSonnet 3.7があります。それはおそらく1時間弱と言えるでしょう。
だから、それは1時間かかるタスクを完了することができ、彼らは50%の成功率を見ています。最近OpenAIからPaperBenchという論文が出ました。その中で、彼らは機械学習で働いているPhDレベルの人間参加者、機械学習の博士号を持つ人々を取り、例えばこの場合はo1モデルと競争させました。
彼らは機械学習分野、AIで発表された論文を複製する任務を与えられました。通常、ある実験を提案する論文があり、通常その実験を実行するコードを書き出す必要があり、何らかのサードパーティによるコードの検証を行うことができることが本当に役立つでしょう。
だから、彼らはその論文を見て、コードを再現します。人々が書いたコードを使うのではなく、それには間違いがある可能性があるからですが、彼らの論文、彼らが提案しているアイデアを見て、そのコードをゼロから構築し、それを実行して結果を複製できるかどうかを見ます。
もしできれば、それは論文がおそらく良いことを意味します。複製できなければ、まあ、問題があります。おそらく数年前のあの浮遊半導体のことを覚えているでしょう。誰もがそれを大きなブレークスルーだと思いましたが、人々がそれを複製しようとしたとき、うまくいかず、彼らは「わかりました、だからノー」となりました。
これらのものを複製するためには、論文が何について話しているかを理解しなければなりません。論文を読み、概念を理解し、それらの概念を実現させる実験を実行するためのコードを書かなければならないのです。
そして、ここの青い線はAIエージェントです。ご覧のように、彼らは機械学習の人間のPhDよりも最初ははるかに速いのです。彼らは出だしが非常に速いですが、プラトー効果があります。
人間については、まあ、ウォームアップし、何をしているかを理解するのに時間がかかります。論文を読み、それが何について話しているかを理解しようとします。そして働き始めると、約24時間の実際の作業時間後、つまり単に日が過ぎるだけでなく、この問題に実際に24時間働いた後、私たちはAIエージェントを追い越します。
これはmer.orgからのもので、AIができるタスクの長さが増加していると言うチャートの背後にある研究です。彼らは、これらのAIは多くのアプリケーションで有用なツールとして機能できると言っています。
しかし、最高のAIエージェントでさえ、長期的なプロジェクトを実行したり、人間の労働を代替したりすることは実際にはできません。彼らはリモート・エグゼクティブ・アシスタンスのような比較的低スキルのコンピューター基盤の作業でさえ、信頼性を持って処理することができません。
私たちはつい最近、Vending Benchという論文をここで取り上げました。そこでは、これらのAIモデルの多くが自動販売機ビジネスの運営を任されました。彼らは注文、在庫管理、価格設定、製品研究などを処理することになっていました。
そして彼らはうまくやりました。彼らの中には人間のベースラインよりも良い結果を出したものもありましたが、それは平均的にです。主に彼らがうまくやるときはうまくやりますが、非常にしばしば、いわば筋道を見失ってしまうため、完全に狂気に陥るからです。
ケースの一つでは、そのうちの一つが在庫がいつ届くかわからなかったので、ビジネスを閉鎖し、サービスの料金の一部をまだ請求されていることに気づき、詐欺にあっていると思い、FBIに連絡しようとしました。
私たちはこれを別のビデオで取り上げました。詳しくは述べませんが、それは陽気でした。しかし、ここでのポイントは、これらのものは現在、短期的なタスクを行うことで人間を超えているということです。
始まりと終わりがある、これらの個別のタスクについて、彼らはそれを信じられないほどうまく行うことができます。それを何らかの長期的なプロジェクトにつなぎ合わせることは、現在は起こっていません。そして再び、もしかしたら明日誰かがそれを修正するかもしれません。
誰かが回避策を見つけるかもしれません。私たちにはわかりません。しかし現在、そしてしばらくの間、私たちはおそらくこれらのものが長期的なタスクにわたって完全に自律的であることはないでしょう。
マイアミTRからの研究は、このトレンドを外挿すると、10年以内に、現在人間が日や週をかけるソフトウェアタスクの大部分を独立して完了できるAIエージェントを見ることになると予測しています。しかし、これらのどれも一夜にして起こるものではありません。
だから、記事のポイントは、安価な知性と高価なリソースを価値のある製品に変えるあなたの能力が重要になるということです。ここのすべてが絶対に的を射ていると信じていますし、ここで必要なスキルは、私たちが話したStarcraftやFactorio、またはあなたがそれを視覚化したい方法によく似ているでしょう。
ゲームの名前は、この安価な知性を取ることになるでしょう。ところで、それがあなたに概念的に理解できないなら、それが何を意味するかは、歴史を通じて、もしあなたが賢い人々を雇うお金があれば、多くのクールなものを構築できましたが、その知性を雇うためのお金が必要で、それらの人間、それらの賢い人間は24時間働くことはできませんでした。
AIでは、それを24時間働かせることができます。それはあまり高価ではありません。このPaperBenchの例では、そうですね。あなたのプロジェクトで24時間働いてもらうために博士レベルの機械学習科学者を雇うのにどれだけのコストがかかるでしょうか。1日ではなく、24時間の仕事です。
この論文では、12時間のロールアウトでそのエージェントを実行するのに400ドルのAPIクレジットがかかると言っています。そして、それがどれだけうまくやっているかを判断するo3、つまり、彼らがこの論文をどのように行ったかを考えてみてください。
実際に彼らは私たちがちょうど話していたようなものを作成しました。彼らはこのものに作業をさせ、このものに作業出力を判断させています、そうですね。だから、それを12時間実行するのに400ドルのAPIクレジット、そしてo3 miniに論文出力を判断させるのに66ドルです。
そして、私たちはPhDレベルの機械学習作業について話しています。明らかに、他の要求の少ないタスクの多くについては、はるかに、はるかに安いでしょう。
だから、市場の人々が、例えば10,000ドル支払うことを喜んでいるプロジェクトや何かがあり、あなたがエージェントのチームを作ることができるとしましょう。そうですね、それらの中には物事を生産するもの、他には問題解決をするもの、採点、品質保証などをするものがあります。
そのプロジェクトを2,000ドルで完了させることができるとしましょう。まあ、それは現在そのプロジェクトを行うのにかかる費用よりも8,000ドル安いですね。そして、しばらくの間、あなたはそれを行うことで本当にうまくやっているかもしれません。
時間が経つにつれて、ますます多くの企業が追いつき、これらのAIエージェントの構築方法を理解するようになると、彼らもまた2,000ドルで生産する方法を理解するでしょう。その時のトリックは、より少ないリソース、より少ない計算をどう使うか、どうやってそれをより良くするかなどを理解することになるでしょう。
もしかしたらコストを半分に削減して、1,000ドルかかるようにできるかもしれません。そして、それらの二つのことが私たちの近い未来で私たちがいることになる段階だと思います。ステップ1は、人間が行っていることをAIエージェントで複製する方法を理解することです。
そして、それがますます一般的になると、それだけではあまりエキサイティングでなく、希少でもなくなったときに、アイデアはどうやってそれを最適化するか、どうやってより良く、より安く、より速くするかということになるでしょう。
それについてどう思いますか。彼が的を射ていると思いますか。何かが抜けていると思いますか。これは、コンピューターが現れ始めたときのソフトウェア工学だったと思います。それは非常に需要があり、新しい人気の職業でした。
それをどうやって行うかを知っている人があまりいなかったし、それをうまく行うことができる人々への報酬は巨大でした。あなた自身のスタートアップ、あなた自身のビジネスを始めようとしているか、これをキャリアとして行おうとしているかに関わらず。
個人的に、この種のことは非常に需要があると思います。そして私個人的には、行うべき興味深い仕事だと思います。だから、あなたについてはわかりませんが、私はこのFactorioの一つのクイックゲームの直後に、それらのスキルを可能な限り速く練習し始めるつもりです。
ここまで見てくれて、本当にありがとうございました。私の名前はWes Rothです。次でお会いしましょう。
コメント