AIで生き残る業界、新しいAIベンチマーク、そして2026年の再帰的学習のタイムライン

本動画は、Invisible TechnologiesのCEOマット・フィッツパトリック氏を招き、2026年における企業のAI導入の現実と課題について詳細に議論したものである。フィッツパトリック氏は、McKinseyのQuantum Black Labs統括責任者として10年以上の経験を持ち、現在はAIトレーニングとカスタムワークフロー構築を提供するInvisibleを率いている。議論の核心は、大手企業が真にAI企業へと変革できるかという問いであり、そのためには汎用的なベンチマークではなく、業界や職種ごとに数千もの専門的なベンチマークが必要だという指摘がなされた。フィッツパトリック氏は、2026年にこの変革を遂げられない企業は史上最大の混乱に直面すると警告する一方で、全ての業界が均等に影響を受けるわけではなく、法務、メディア、BPOなどの知識労働集約型産業で最も大きな変化が起こると予測している。また、企業がAI導入で最も誤りやすいのは、データ品質の軽視、焦点の欠如、そして技術部門ではなく現場の運用担当者に主導権を持たせないことだと指摘している。具体的な成功事例として、シャーロット・ホーネッツのドラフト準備用コンピュータビジョンモデル、Lifespan MDの医療データ統合プラットフォーム、Swiss Gearの在庫予測最適化などが紹介され、人間とAIの協働がカギとなることが強調された。

Which Industries Survive AI, The New AI Benchmarks, and the 2026 Recursive Learning Timeline | #218

Get access to metatrends 10+ years before anyone else - Matthew Fitzpatrick is the CEO at Invisible TechnologiesLearn ab...

www.youtube.com

企業のAI導入における焦点の重要性

これまでの公的な注目の多くは、コーディングなどの大規模な公開ベンチマークに向けられてきました。マット・フィッツパトリック氏はInvisible TechnologiesのCEOです。

私たちはインフラストラクチャ企業です。このインフラストラクチャが可能にするのは、私が超パーソナライズされたソフトウェアを大規模に展開することと呼んでいるものです。

つまり、あなたの立場としては、おそらくすべての労働カテゴリー、すべての業界バーティカルを捉えるために、数千もの新しい狭いベンチマークが必要だということですね。それは興味深い第二の部分です。

2026年には、この変化を起こさない企業から史上最大の混乱が起こるでしょう。業界が行うことの構造が変わる多くのセクターが存在します。

知識労働について考えてみると、大量の文書の作成において、これらの技術は非常に破壊的です。問題は、あなたのビジネスのどの部分がAIで本当に変えられるかということです。AI導入の使命において、ほとんどの企業が間違えていることは何でしょうか。

あなたには2つの異なる課題があります。一つは、これはムーンショットですよ、皆さん。

Moonshotsポッドキャストへようこそ

皆さん、Moonshotsへようこそ。今日のエピソードでは、なぜすべての企業が2026年にAI企業になる必要があるのかについて議論します。それをどのように行うか、そして行わなかった場合に何が起こるか。大手レガシー企業がそのような劇的な変化を実際に起こせるかどうか、そしてどのように最善を尽くせるかについて議論します。

また、楽しく意味のあるAIのユースケースについても取り上げます。ですから、よく聞いてください。これらはあなたができることについてワクワクさせるようなものだと思います。そして、2026年に向けた今日のゲストからの予測についても掘り下げていきます。今日、ムーンショット仲間に加わるのは、ポッドキャストの友人であるマット・フィッツパトリックです。

彼は10年以上McKinseyにいて、Quantum Black Labsのグローバル責任者の地位まで上り詰めました。Quantum Blackという名前、本当にかっこいいですよね。同社のAIソフトウェア開発、R&D、そしてグローバルAI製品を率いていました。1年前、マットは私の素晴らしい友人であるフランシス・ペドラッツァが始めた会社、Invisible TechnologiesのCEOとして参加しました。

Invisibleを知らない方のために説明すると、この会社はモジュラーAIソフトウェアプラットフォームであり、AIトレーニングを使用し、ほとんどの大規模言語モデルプロバイダーにAIトレーニングを提供しています。企業向けにカスタムワークフローとエージェントを構築しています。彼らは、測定可能なビジネス成果を保証するために、クリーンなデータの作成と人間参加型の配信に作業を固定しています。

マット、ようこそ。ここに来てくれて嬉しいです。

こちらこそ、呼んでくれてありがとう。DB2、AWG、ほぼSemが揃いましたね。ハッピーホリデー、みんな。

このポッドキャストには、まるで1日おきに出ているような感じがします。大きなポッドキャストハウスに引っ越して、シンギュラリティを完全に記録すべきですね。

ええ、マットから話を聞くのが本当に楽しみです。木曜日には来年の予測をしなければなりませんから。

マットは今日たくさんの洞察を与えてくれるでしょう。最初から予測の一つを言うと、企業はAIの能力に比べて超愚かなほどゆっくりと動くと思います。

マットは、AIと企業の交差点における世界をリードする専門家です。だから、これが待ちきれません。

このようにマットの予測を自分のものとして使うチートはできませんよ、デイブ。

できないですね。

いや、あなたもそこにいるでしょうから。

そうですね。でも、このポッドキャストを聞いている人はみんな知っているでしょう。

企業のAI変革の現実

それでは、良いメモを取りましょう。準備はいいですか、みんな。マット、かなり広い質問から始めましょう。

過去1年以内に、あらゆる企業とあらゆるCEOから、AI企業になるためにピボットすると聞いてきました。

前回のポッドキャストで、2026年にこの変化を起こさない企業から史上最大の混乱が起こると言っていましたね。アレックスが使った言葉では、そうしなければ「焼かれる」と。

私が言ったのは知識労働が焼かれるということです。知識労働者でも企業でもなく、現在知っている形の知識労働がです。

なるほど。では、AIへの移行をしない企業が焼かれるとは思っていないんですね。

時間が経つにつれて、より多くの企業が、そしてより多くの小規模企業も見ることになると思います。

さて、それについて掘り下げていきましょう。以前のエピソードで、プロダクトマーケットフィットがあり、SaaS企業をスケールしていると思ったら、もう終わりだと指摘しましたね。今はAIを考慮してすべてを再考する必要があるからです。

では、これは大企業にも当てはまるわけですね。

どの企業がAI導入に成功できるか

マット、この質問で始めましょう。すべての企業が本当にAI企業になれるのか、そしてどのように。そして、どの企業とどの業界が、基本的に無関係になる前に今、自己破壊する必要があると思いますか。これはソフトボールな質問です。

ピーター、難しい質問を私に残してくれてありがとう。

私はいつもそうします。

あなたの2番目の質問は、ある意味で最初の質問に関連していると思います。これまでに出てきたすべてのデータが示すように、すべての業界がこれによって均等に影響を受けるとは思いません。いくつかのセクターや分野では、大きく異なる影響が見られると思います。

メディア、法務サービス、ビジネスプロセスアウトソーシングのような分野では、業界が行うことの構造が変わる多くのセクターがあると思います。知識労働、大量の文書の作成について考えると、これらの技術は非常に破壊的です。誇大宣伝が少し過剰だったと思うのは、石油・ガスや不動産のような多くのセクターを見ると、彼らが行う機能はかなり一貫したままであるということです。実際、今後数年間で雇用のダイナミクスがどのように変化するかについての良い分析のほとんどは、このことに触れています。どのアパートビルやオフィスビルを購入するかという決定は、5、6年前とかなり似た機能を果たすでしょう。

問題は、あなたのビジネスのどの部分がAIで本当に変えられるかということです。すべてではありません。そして一部のセクターでは、多かったり少なかったりします。そして、あなたの質問の2番目の部分も興味深いものです。すべての人が実際にAI企業になれるのかということです。

これらの種類のモデルを構築したり、適切に展開したりする方法を知っている人はそれほど多くありません。ですから、大きな課題の一つは、これを行うための専門知識を社内に持っているかどうかです。会社の運営機能を調整してそれを行う方法をどのように考えるか。今それを行っているのはIT部門の同じチームですか。特にピーター、あなたと私が過去に話した人々のグループのように、中小企業の場合、50人規模の会社であれば、社内にCTOさえいない場合、多くのものを大規模に展開するのは困難です。

業界が根本的に変わるかどうかと、それを実装するために会社が持っている実際のコア能力の組み合わせだと思います。

AI導入のための人材とスキル

では、チーフAIオフィサーを会社に連れてくることになるのでしょうか。その能力を持ち込むのか、それとも基本的にレンタルするのか。つまり、今起こっているもう一つのことは、このポッドキャストでたくさん話してきたことですが、あなたの競争相手は実際には大手多国籍企業ではありません。どこからともなく現れて、AI第一の企業として一から自分自身を再発明したAIネイティブのスタートアップです。

細かいところまで、マット。住宅ローンをAIと話すことで取得でき、1時間以内に完了できるのと、私たち自身の足で火星を歩くのと、どちらが先に実際の世界で起こると思いますか。

よく聞かれる質問の言い方は、大企業が技術を構築する前にスタートアップが流通を獲得するかどうかです。多くの点で、それが緊張関係になると思います。多くの大手既存企業がこれを本当にうまく理解する方法を見つけると思います。

法務サービスのようなセクターを見れば、大手法律事務所は時間をかけてこの多くを使用する方法を理解すると思います。銀行業は今、見るべき本当に興味深いセクターだと思います。銀行のアプリケーションフットプリントの年齢を見ると、銀行に存在する技術のほとんどは20年以上前のものです。

ですから、Revoluteのような非常に速く動く新しいフィンテックがたくさんあり、それらは異なる方法でアプローチしています。それがどのように展開するかわかりませんが、新しい参入者が速く動くか、既存のものの近代化が速く動くかという問題になると思います。

また、ピーター、あなたが2番目の部分として尋ねていたことに触れるために。購入するか、レンタルするか。会社として自分自身に正直でなければならないと思います。すべての人が購入できる、すべての人がこれを行うために人を雇うことができるという考えは困難です。

既存のIT機能をこれを行うように適応させようとする課題は、人々が雇うスキルセットの多くに、Pythonを知っているかというようなことにも、ギャップがあります。ですから、これを行うためのリソースを社内に持っていないほとんどの企業が見てきた答えは、外部からこれをレンタルまたは購入する方法を見つけ、それを可能にするパートナーと協力することです。

Peter Diamandisのニュースレター紹介

毎週、私のチームと私は、今後10年間で業界を変革するトップ10のテクノロジーメタトレンドを研究しています。ヒューマノイドロボティクス、AGI、量子コンピューティングから輸送、エネルギー、長寿などに至るまでのトレンドをカバーしています。無駄な情報はなく、私たちの生活、会社、キャリアに影響を与える最も重要なことだけです。

これらのメタトレンドをあなたと共有したい場合、週に2回ニュースレターを書き、メールで短い2分間の読み物として送信しています。そして、他の誰よりも10年前に最も重要なメタトレンドを発見したい場合、このレポートはあなたのためのものです。読者には、世界で最も破壊的な企業の創業者やCEO、そして世界で最も破壊的な技術を構築している起業家が含まれます。

何が来るか、なぜそれが重要か、そしてそれからどのように利益を得ることができるかについて知りたくない場合は、あなたのためではありません。

無料で購読するには、dmmandis.com/tatrendsにアクセスして、他の誰よりも10年前にトレンドへのアクセスを獲得してください。さて、このエピソードに戻りましょう。

法務・会計分野におけるAI導入の可能性

法務と会計は本当に本当にクールなケーススタディだと思います。マット、あなたはこれについてもっと知っています。McKinseyでの時間、Quantum Blackでは、これらすべてを理解し、解析する専門家でしたが、それらは本当にクールです。なぜなら、スタートアップに置き換えることができるからです。

デイブ、それについて2つ言いたいことがあります。エンタープライズ環境でのGenAI実装の一つの課題は、比較するための統計的に検証可能なベースラインです。例えば、住宅ローンの引受のようなものを取ると、非常にポジティブな方法で大きな進歩を遂げました。

実際、現在銀行が開発した非常にガードレール化された非常に効果的な一連のアルゴリズムによって行われる住宅ローン引受の割合はかなり高いです。なぜなら、彼らはバックテストを行い、これはレッドライニングなどのない正しい信用決定だと言えるからです。

しかし、文書について考えると、コンタクトセンターがこの採用を多く見てきた理由は、明確なベースラインがあるからです。通話あたりの時間、顧客満足度スコア、通話あたりのコストのようなものです。比較対象となる一連のメトリクスがあります。投資メモを生成するというようなものは、各企業で形式が異なります。10ページ対40ページかもしれません。内容は異なります。人々がベースラインを構築するのは困難でした。

法務サービスが興味深いと思うのは、法務の特定の分野では、それらのベースラインが明確だからです。ISA契約のような文書にとって本当に良いものを見ることができます。

しかし、多くの異なるセグメントで見られると思います。市場のハイエンドは本当に差別化された方法で持続すると思います。大規模なM&A取引を行っている場合、本当に良い弁護士のアドバイスが欲しいでしょう。そして、変化すると思うのは、MDAのような非常に基本的な文書を作成する種類の作業の、より基本的な商品情報です。それがシフトの一つになると思います。本当に本当に良い人間のガイダンスは永遠に持続します。

現在、多くの人が過剰な金額を支払われている基本的な商品情報です。

ベンチャー投資における法務コストの非効率性

NDAはかなり極端です。それはそうですが、私が言いたいのは、私たちが行うベンチャー投資については、毎年たくさんやっています。

タームシートには常に、私たちが投資する会社であるあなたが、5万ドルを上限とする法務費用を負担すると書いてあります。そして、文書は毎回まったく同じです。8つのノブのようなものがあり、世界で最も小さなUSBドライブにすべての組み合わせを保存できます。どうしてこれが5万ドルで、常に49,999ドル99セントまで使われるのでしょうか。

なんという奇跡でしょう。つまり、それは私にとって、スケールの中から中程度の難しい方の端にあるように感じますが、それでも非常に実行可能です。NDAは簡単です。住宅ローンは簡単です。

完全に同意します。興味深いのは、コンタクトセンターでの実際の採用曲線がどれほど遅かったかということです。コンタクトセンターは、一般的に顧客満足度スコアがあったはずですし、人々はほとんどのコンタクトセンターのアクションを本当に好きではありません。

得られる一般的な顧客フィードバックはかなり不満です。そして、それは10年間真実でした。だから、あなたは期待していたはずです。

Klarna事例の詳細分析

CLAの全体像を説明してください。実際、あなたはこれの専門家だと知っています。CLAのことは見ていて本当に興味深かったです。その話を教えてください。

CLAとは何ですか。

ところで、私はCLAには一切関わっていませんでしたが、読んだことから知っていることと私の仮説が何であるかを少なくとも言えます。

基本的にCLAは、完全にエンドツーエンドのエージェント型コンタクトセンターに移行すると発表しました。そして数ヶ月後、興味深いことに、その時点で彼らはエージェント展開の成功の最も頻繁に引用される例でした。そして約8ヶ月から12ヶ月後、彼らは基本的に全体をロールバックし、完全に人間のコンタクトセンターエージェントに戻ると発表しました。

システムがどのように定義されるべきか、マルチエージェントシステムのように展開されるべきかを考えると、全体の進化は非常に興味深いと感じました。動作すべき方法は、通話の種類のオーケストレーションがあり、どの通話がうまくいくか悪くいくかの検証のセットがあり、人間のエージェントへのエスカレーションが必要な場所と言う場所のある程度の感覚があることです。

実際、すべてをエージェント化することに移行したくないでしょう。これはInvisibleが一貫して持っているテーマですが、ほとんどすべての業界、ほとんどすべてのトピックで人間をループに入れたいと思うでしょう。なぜなら、これらのモデルが先例データから訓練されている場合、本当によく訓練してそのロジックを続けることができますが、先例データが本当にない場所や、十分な履歴情報がない複雑なことに取り組む必要がある場所では、人間が必要になるからです。

変化がどのように起こったかの全体的な構造は非常に混乱していました。なぜなら、コンタクトセンターは常に人間とエージェントの混合であることを望み、それらの間の混合を進化させ、トピックを監視したいからです。すべての人間からすべてのエージェント、そしてすべての人間に戻る全体的な動きは混乱していました。

Klarnaの詳細とその影響

あなたは質問で妊娠しています。

いや、いや、ここで詳細を提供したかっただけです。CLA状況では、彼らはカスタマーサービスコールを行うためにAIを展開しました。主張では、最初の月に700人のフルタイムエージェントの仕事をし、月に230万件の通話を処理し、年間4000万ドル節約できると予測しました。

そして、彼らはこれが1ヶ月目だと本当に誇らしげに言っていて、ここからますます良くなるだけです。

それを見たとき、私は「わかった、もしこれを私がやっているなら、これは本当のものというよりPR活動のように聞こえる」と思いました。なぜなら、最初の月にそれを出すことは決してせず、実際に何が起こったかを見るために数ヶ月待つからです。

マット、なぜ最終的にロールバックしたのかについて、もう少し詳しく説明できますか。難しいケースが多すぎることがわかりましたか。例外処理が多すぎましたか。それとも文化的な反発でしたか。全体を元に戻すきっかけとなったのは正確には何でしたか。

CLAと協力したことがないのでわかりませんが、コンタクトセンターで人々が苦労した理由について、さまざまな異なるフィードバックを聞いていると思います。一つの理由は、人間が別の人間と話したいというケースがあることだと思います。だから、エージェントのみに移行すると言うPRには課題があると思います。

二つ目は、多くの課題があり、コンタクトセンターが最も敏感なのは、最初の通話解決トピックではないものです。だから、残高を確認するようなものではありません。払い戻しを処理するというようなかなり複雑なものかもしれません。何かを元のシステムに書き戻さなければなりません。

それがどれだけ速く展開されたか、そしてその例でより複雑な機能に対処するためにどれだけうまくロールできたかは驚きでした。

レベル1からレベル2、3に非常に速く移行し、そのサポートコールでAIに対処してほしくありません。

企業がAI導入で最初に取るべきステップ

メインの質問に戻りましょう。2026年が来ています。

これを2026年に聞いている場合、今ここにあります。さて、質問です。あなたは中規模企業または大規模企業で、取締役会がCEOまたはCTOに「皆さん、AIプランは何ですか。何をしているのですか」と言ったところです。つまり、それを何度も何度も見ています。

彼らの最初の反応は通常何ですか、そして彼らは何をすべきですか。つまり、リスナーベースにそのようにサービスを提供したいだけです。基本的なことをいくつか得たいです。

そうですね。私が思うに、あなたがそのCEOであれば、2つの異なる課題があります。一つは、私が焦点を当てるべきことは何か。そして二つ目は、誰がそれらを行うべきか。

そして、それらのスキルを社内に持っているか。最初のことは、最初の質問を知っていることを確認することから始めます。そして、これは価値に従うという問題だと思います。だから、リストを下に見ていきます。

千の花を咲かせることから始めません。2、3のことから始めますが、うまく行えば、あなたのビジネスに大きく影響を与えるものです。たとえば、カスタマーサービスについて話していました。それが一つの例かもしれません。FP&A機能での予測かもしれません。

在庫管理かもしれませんが、地球上のほとんどすべてのビジネス、小規模企業でさえ持っている2つか3つのことが確実にあります。デジタルマーケティングもおそらくかなり頻繁に見られるものです。そして、それらの1つか2つに焦点を当て、その1つか2つでパイロット段階に到達することを確実にします。戦略文書ではありません。

このスペースで実際の時間を費やした人なら誰でも言うことの一つは、機械学習が展開されるパラダイムを取ると、何ヶ月も何ヶ月もかけて何かを構築し、それから機能し、統計的にそれが機能することを引き受けることができます。これは正反対のパラダイムのようなもので、1ヶ月でプロトタイプを立ち上げて実行できます。

しかし、信頼できることを確認するために多くのテストと検証を行う必要があります。

ですから、本当に何かを立ち上げて実行し、テストと検証を行えることを確認する機能です。ピーター、私がいつも尋ねる質問は、あなたが展開する使用例が機能することに年間ボーナスを賭けますかということです。そして、それは複雑なことです。たとえば、クレーム処理レビューを生成し、それを10,000件行わなければならないとします。

ほとんどの企業は、それが機能するかしないかを言う方法を知りません。だから、要約すると、針を動かす2つか3つのことのリストがあることを確認してください。その1つで概念実証を行うことを確実にしてください。そして、おそらくその最初の使用例は、結果に基づいて報酬を得る第三者ベンダーへのRFPとして行うでしょう。

成果報酬型のビジネスモデル

それでもInvisibleのビジネスモデルですよね。節約されたお金で支払われます。

正しいです。成果に基づいて支払われます。さまざまな方法での成果です。

アレックス、ここであなたをゲームに参加させたいです。

大変ありがたいです。予備的な事項として、完全な開示のために、私はマットの会社Invisibleに金銭的利害関係はありません。

しかし、いくつか質問があります。最初の質問は、テストの糸を引っ張るかもしれません。ここのポッドキャストで常に話していることの一つは、ベンチマークです。ベンチマークの重要性です。興味があります。

AIベンチマークの進化と必要性

私たちは常にそれについて話しています、アレックス。

それが私たちが話すすべてです。他のことは何も話しません。

デイブが今言ったように、Invisibleも非常に多くのモデルのトレーニングビジネスをしていることを考えると、世界に存在させる必要があると思うベンチマークは何ですか。最も欠けているものは何ですか。世界に召喚したい上位3つのベンチマークは何ですか。

そうですね。過去数ヶ月で公開され始めたものの束を見てきたと思いますが、これまでの公的な焦点のほとんどは、コーディングのようなことに対する大規模な公開ベンチマークに向けられてきました。それらはモデルが広く改善しているかどうかの指標として非常に有用だと思います。

過去3年間を見れば、どの基準でも、モデルはほとんどの次元で50%から100%の改善を遂げています。

しかし、問題は、企業や中小企業について考えると、ほとんどの場合のベンチマークは、広範なベースの認知ベンチマークではなく、特定のタスクに対する正確性または人間同等性です。だから、非常に特定のトピックに対するカスタム評価のようなものがますます必要になると思います。

コンタクトセンターの例に戻ると、コンタクトセンターに展開する場合に構築したいベンチマークは、コンタクトセンターにいる一連のエキスパートエージェントと彼らがどのように実行するか、そしてAIエージェントが同様に実行する方法です。クレーム処理も同じです。しかし、基本的に、ほとんどの企業は、近代化しようとしているタスクに対してevalまたはカスタムベンチマークと呼ばれるものを行うことに慣れる必要があります。なぜなら、80%正確な非常にスマートな展開では、その展開フレームワークにはまだリスクが大きすぎるからです。

だから、ベンチマークについての考え方の多くは、実際には広範なベースのベンチマークから超特定のベンチマークに進化すると思います。それが大好きです。なぜなら、今言ったことに基づいて、10,000人のリスナーが人生の使命を見つけたことがすぐにわかるからです。なぜなら、これらすべてのドメイン内でのベンチマークは、本当に本当に把握するのが難しいからです。

業界特化型ベンチマークの重要性

権原保険をご存知でなければ、成功したAIの権原のベンチマークは何ですか。でも、このポッドキャストを聞いている業界の誰かが、自分はAIの早期採用者で、この分野を隅々まで知っている、それが私が所有すべきベンチマークだと思うでしょう。

そして、ベンチマークの所有者であることを宣言し、ベンチマークと証拠を放送すれば、これまでの証拠では、即座にスターになれます。

これらすべてのトピックで誰もトピックの所有権を掴んでいません。そして、最初にそこに到達すれば、即座にスターになれます。

完全に同意します。アレックスのようなタイプやマットのようなタイプやデビッドのような真剣なオタクである必要があります。

それにさえ同意しません。ポストトレーニングが商品化されたこの時代において、ベンチマークを所有していれば、多くの場合、ベンチマークが難しい部分であり、既存のリソースを活用してオフザシェルフモデルをポストトレーニングできると思います。

興味があるのですが、マット、おそらくこれをフォローアップして。あなたの立場は、おそらくすべての労働カテゴリー、すべての業界バーティカルを捉えるために、数千もの新しい狭いベンチマークが必要だということですね。それが正しいと仮定すると、それはInvisibleが取り組んでいる、取り組める、取り組むべきことですか。

そうですね、私たちはそれにかなりの時間を費やしています。

実際、私たちが構築しているものの多くは、個々のタスクに対する顧客固有のベンチマークです。だから、それは私たちが考えることの多くです。実際に、与えられたタスクに対する同等性をどのようにテストするかです。人々が完全に理解していないことの一つは、本当に高性能のLLMを取り、個々のコンテキストに合わせたいとしましょう。

実際にデータからファインチューニングするそのプロセス。だから、私が挙げる例は、これが多くの人が期待していた課題の一つだと思います。これがSaaSバイヤーパラダイムになることを望んでいました。つまり、私が必要とするすべてを解決する既製のものを購入できるということです。

だから、セールスエージェントを購入したかったのですが、何もする必要がありませんでした。売れるセールスエージェントを受け取るだけです。そして、現実はそれを行うのはかなり難しいです。実際に特定の知識コーパス、情報に基づいてトレーニングする必要があります。だから、私たちが考える方法は、LLMまたはセールス用にトレーニングされたエージェントを取り、次に特定の会社情報、製品、販売方法、話し方からファインチューニングし、それに対してevalまたはベンチマークを構築して、これがうまく機能しているかどうかを言う必要があります。

Bloomberg GPTとデータの価値

アレックスが許せば簡単なフォローアップ質問ですが、1年から2年前の有名なBloomberg GPTの瞬間のようなエピソードがありました。Bloombergは、ある意味でフロンティアラボと準競争していました。彼らは広範囲の内部独自データセットを持っていました。彼らの当初の計画は、基本的に独自のプロプライエタリフロンティアモデルを提供することでしたが、重要なことに、内部データセットから事前トレーニングまたはポストトレーニングされました。

計画は、一般に公開されていないすべてのデータまたは多くのデータを持っていたため、金融ドメインで優れたパフォーマンスを達成することでした。

しかし、実際に起こったことは、基本的にインターネットと多かれ少なかれ一般に利用可能なデータセットからトレーニングしているフロンティアラボによって提供されるジェネラリストモデルが、数ヶ月以内にBloombergのGPTプロジェクトを飛び越えたことです。

だから、私の心の中でその寓話の教訓は、ジェネラリストモデルが完全に床を拭く前に、独自のデータセット、独自のベンチマークで本当にどこまで行けると思いますか。

明確にするために申し訳ありませんが、私が説明している実際にあなたの特定のコンテキストにモデル、大規模言語モデルをファインチューニングするプロセスは、基本的にコンテキストを追加することです。ほとんどのLMSは、知識コーパスを追加し、個々のコンテキストにより特定になるようにトレーニングできるパラダイムを提供しているのを見ています。

個々の機関が独自のLLMを構築するとは思いません。それは非常にコンピュート集約的で、非常に困難なことだと思います。大規模言語モデルを彼らのコンテキストに合わせることを見ると思います。

もちろん、もちろん。明確にするために、私は機関がモデルを事前トレーニングするビジネスに参入すると思うかどうかを尋ねていたわけではありません。

もう一つ質問させてください。明確にするために、教師ありファインチューニング、強化ファインチューニング、他のさまざまなポストトレーニングを含むポストトレーニングが長期的な未来があると思うかどうか、または1年から2年後には、事前トレーニングされたプラスポストトレーニングされたジェネラリストモデルをそのまま使用し、ポストトレーニングのための内部ベンチマークや内部データセットを必要としなくなると思うかどうかを尋ねていました。

個々の会社に連絡する必要がある使用例が明らかにあると思います。法律事務所の例を取り、M&A契約のために将来の状態の文書がどのように見えるかについて、会社が持っている文書を取るだけです。

LLMはその情報を持っていません。だから、ある時点で、企業でポストプロセッシング層が起こっているのを見る必要があります。そして、私たちがますます見ているのは、新しいモデルが進化するにつれてそれらをドロップインできるようにその層を設計する方法があり、ますます多くの人々がそれを実験しているのを見ています。

だから、彼らは展開されているすべての新しい技術を使用しています。しかし、実際に起こると思うのは、時間が経つにつれて、データのその優位性が、企業の最も価値のある部分になるということです。それは、私たちが物事を行う方法のような営業秘密のタイプです。ある時点でそれは公開モデルに漏れるかもしれませんが。

データ保護とAI活用のバランス

OpenAIフロンティアモデルの接続を使用する場合を覚えています。Replit等の人々が使用し、データがクラウドに直接送られます。それはかなり危険です。その層を非常に強力な方法で解決する必要があります。それが私の予測の一つです。予測等です。会社のデータとより広範なAI世界の間に保護層が必要になるでしょう。

マット、これをもう少し具体的にしたいです。ハイパースケーラーと行った作業については話せないことは知っています。しかし、公に話せる5つか6つのケースを特定したと思います。だから、もしよければ、それらのいくつかを取り上げて、具体例として話すことができるかもしれません。

アレックスが金銭的関与なしの声明を出したので、私は誇らしいアドバイザーであり、マットとフランシスがやっていることを積極的に支援してポジティブな形で利害関係があると言います。しかし、それらの一つを選びますか。バスケットボールコートの例が大好きでした。それについて話してもらえますか。

Charlotte Hornetsとのコンピュータビジョン事例

そうですね、もちろん。

シャーロット・ホーネッツとドラフト準備のためのカスタムコンピュータビジョンモデルのファインチューニングに取り組みました。彼らのケースでは、単一ポイントカメラ全体にわたって非常に広い規模で選手の空間移動パターンを見たかったのです。さまざまな大学やインターナショナルの場所全体にわたって。

だから、私たちはドラフト前に彼らが興味を持っていた移動パターンを具体的に見るためにカスタムコンピュータビジョンモデルをファインチューニングしました。そして、それは彼らの大きな部分でした。

これを英語で説明してください。基本的にビデオを撮って、モデルを使用してすべてのプレーヤーを評価し、ビデオに基づいてすべての異なるパフォーマンスを見ることができました。私はスポーツの人ではないので、大きな丸いものです。

それは実際により明確になっています。

私にとって。

そうですね、もちろん。典型的なNBA統計を考えると、ポイント、リバウンド、プラスマイナスと呼ばれる比率がよく使用されます。これはゲーム中にあなたが得点する量と諦める量のようなものですが、ほとんどがトランザクション統計のようなものです。

彼らが見ないのは、選手の移動パターン、誰がスペースを作るか、任意の時点で人々がどこに配置されているかです。そして、それは実際には、Billy BeanがAthleticsのために行った元の野球分析のいくつかに戻ると、最も興味深いデータの多くです。

それは選手の移動パターンと誰が最高の間隔にいるかです。そして、同じコートのような非常に一貫した形式でこれを行う会社があります。しかし、私たちができたのは、多くの異なるカメラアングル、多くの異なるスタジアムで非常に迅速にそれを行うことです。そして、それはカスタムコンピュータビジョンモデルを使用しています。

だから、私たちは効果的に単一ポイントカメラを取り、多くの異なる環境で選手の移動パターンを理解できます。

ホーネッツはこれをどのように使用しますか。チーム選択、プレーヤー選択のために。

そうです、ドラフト選択のためです。彼らが探していた特定の特性に合うプレーヤーを理解するためです。

魅力的です。それは複雑な問題でもあります。なぜなら、最高のプレーヤーを見つけることだけではないからです。選手間の相性も重要です。無限に複雑になります。クールな小さなケーススタディです。しかし、Gavin Bakerが最近、全国のファンタジーフットボールリーグについて言っていました。私は時間がなくなる前に大好きでした。

今、今、私は時間を維持することにすべての時間を費やさなければなりません。

AI時代のスポーツとエンタープライズ

今、今、あなたのためにそれを行うエージェントがいて、楽しんでいます。

いや、いや。今、私たちは人間のスポーツリーグを時代遅れにし、ロボットスポーツリーグとeスポーツに置き換えています。

非常に21世紀的、双子座的ではありません。

T800にまた賭けています。

そうです、しかし人々は全国のリーグを失っています。すべての偉大なファンタジーフットボールの人々が、AIエージェントが膨大な量のより詳細なデータを追跡しているため、全国で負けています。

ビデオ映像を見ると、誰かがコートを非常にゆっくりと上下しているのを誰も気づきませんが、AIは一瞬で気づくでしょう。

そして、それは素晴らしいモデルに入ります。本当にクールな小さなケーススタディです。伝統的なビジネスがこれを行う方法について考えている場合、少し異なるものを挙げます。

Lifespan MDの医療データ統合プラットフォーム

Lifespan MDです。ピーター、このことはあなたに特に響くと思います。

Chrisがそれを運営していることを知っています。

そうです、だから、Lifespanはコンシェルジュ医療ビジネスであり、米国と国際的にプラクティスのネットワークを持っていると考えることができます。すべてのプラクティスは、患者に関する非常に異なるデータセットを持っています。プラクティス情報です。だから、私が常にAIの使用例で始めることは、AIを始める前にデータを正しくする必要があります。興味のある構造化および非構造化データが一緒にあることを確認する必要があります。

だから、私たちが彼らのために行っている最初のことは、データプラットフォームNeuronで、すべての患者とプロバイダーのデータを一緒に持ち込むHIPACO準拠のマルチテナントクラウドインスタンスを作成しています。

そして、患者とプラクティスの両方の360度のビューをもたらし始めます。

だから、35歳から50歳の男性患者が最も頻繁に使用している長寿に焦点を当てたテストを理解したい場合のようなことを考え始めることができます。本当に興味深い患者の結果について考え始めることができます。プラクティスのパフォーマンスを理解したい場合、コンプライアンスが低い、またはあまりインタラクティブでない特定の患者がいる場所を理解したい場合。

それは効果的に、プラクティスのフットプリント全体で何が起こっているかを理解するためのコントロールタワーです。そして、それにとってジェネレーティブAIがより重要になった分野は、実際にチャットエージェントです。人々がすべてのプラクティスからすべての主要データの質問を尋ねて質問し、尋ねることができます。

それについて挑戦的なことの一つは、明らかにヘルスケアでは、どのデータがプラクティスでローカルに保存されているか、それがどのように中央に持ち込まれるかについて非常に注意する必要があるということです。だから、HIPPA準拠のマルチテナントクラウドの主要コンポーネントの一つは、実際に患者データが個々のプラクティスの前提を離れないことを確認し、医師が特定のものにアクセスでき、次に特定のプラクティスメトリックが中央に整理されることです。

Talk to Your Defectのコンセプト

今週最もクールなことを聞きました。欠陥と話すことを発明したQA会社です。それは最もクールなコンセプトです。欠陥には実際に個性があり、それについて質問できます。どこから来たのか。ヘルスケアで今言ったことを完全に想像できます。病気と話すようなものです。それと会話をします。

どこから来たのか。これをやったら、どう治療しますか、良くなっているか悪くなっているか。そして、それは個性を持って話しかけてきます。史上最もクールなアイデアではありませんか。

素晴らしいです。

欠陥の一つは、あなたが言うときに少し厄介です。ここに話している細菌があります。あなたは私にはわかりません。欠陥は本当です。あなたの病気と話します。たぶん少し奇妙になるかもしれません。わかりません。どの声を与えるか。ヴォルデモートの声か何か。

どうやってあなたを殺すのか。どうやってあなたを派遣するのか。

ヘルスケアにおけるAIの役割と管理コスト削減

デイブ、そこで注目したいことの一つは、セクターがどのように進化するかという質問があると思います。視覚的な患者ケアの決定がGenAIで変わるかという質問は、はるかに曖昧な質問だと思います。始めやすい場所、そして多くの点で非常に興味深いと思うのは、例として米国は1人当たり約13,000から14,000ドルをヘルスケアに費やしています。

ドイツやカナダの1人当たり2,500から3,000ドルと比較して。

その約30から40%は管理コストです。

そして、それは誰も負担したくない管理コストです。だから、これはLifが追求しているアイデアが実際に立場を変えることではなく、立場をさらに力づけることだと思いますが、本当に痛みを伴う管理とスケジューリングをすべて取り除き、その部分を作ります。

AIはそれらの分野で大きなダメージを与えるはずです。

正確に。

ほとんどの企業がAI導入の使命で間違えていることは何ですか。

そうですね、いくつか異なることがあると思います。最初の一つは、出発点としてのデータへの焦点の欠如です。

断片化された顧客と製品データにAIエージェントを構築しようとしただけだったら、定義上壊れると思います。だから、モデルに入力するデータが明確で機能している場所にいる必要があると思います。だから、それが一つの大きな課題だったと思います。

企業データの現状と準備

会社全体として見た場合、中規模および大規模企業は、クリーンなデータを持っていると思いますか。会社がデータを有用なレベルの忠実度と形式に整理するのにどのくらいかかりますか。つまり、これは困難な作業ですか、それとも簡単な作業ですか。

それは場合によります。

すべてをデータレイクに入れてすべてを正しくするというパラダイムを取ると、5年かかる可能性があります。そして、現実は、ほとんどの大企業が10年を費やして主要なデータスキーマをすべて整理しようとしてきました。しかし、この特定の使用例にどのデータが必要かという質問から始めれば、クレジット引受を例に取りましょう。それをうまく行うには、クレジット自体に関する一連のデータが必要です。市場では、おそらく5つか6つの核となるデータ変数が必要です。

ビジネスの核となる財務、クレジットのセキュリティ、それらすべての種類の核となる情報が必要です。しかし、商業銀行全体のすべてのデータが正しい必要はありません。その使用例に対する核となる要素が必要です。だから、必要な正確なデータに焦点を当てている企業は、かなりうまくいっていると思います。

しかし、すべてのデータを取得しようとすること、つまり、あなたも長い間企業を見てきました、ピーター。Fortune 1000企業にフルデータリポジトリを見て、どれだけが正確で機能し、明確で、現在アクセス可能かを尋ねたら、それを持っている企業はほとんどありません。だから、どのデータが必要かについて非常に戦術的であることが重要だと思います。

GenAI特有のもう一つのことは、最も重要なデータの多くが、記録システムではない、非構造化データであるということです。だから、画像、ビデオ、テキストファイルのようなものです。人々が歴史的にマスターしようとしてきたものではありません。だから、この最初のステップは、解決しようとしているものは何か、そしてそのデータが準備できていることをどのように確認するかを言うことだと思います。

データの真の価値と人間の行動の捕捉

一つ見ることは、今朝長い取締役会会議がありました。Vesmarkというポートフォリオ会計会社で、非常にAI先進的です。例えば、アカウント調整のためのデータは豊富ですが、人が実際に何をしているかを教えてくれません。どのように調整されたかを教えるだけです。

だから、成功への道は、最初にあなたを一日中加速させるのを助けるAIアシスタントですが、あなたが実際に何をしているかも知っています。それから蓄積されます。それからそれがRHFまたはトレーニングまたはチューニングデータになります。なぜなら、あなたがしようとしているのは、あなたが実際に何をしているのかということだからです。それは本当にデータには表されていませんが、多くの場合、銀行や保険会社に話しに行くと、彼らは「私たちのデータが私たちの利点です。ニューラルネットに爆撃してトレーニングしてください」と言います。それが何を意味するのかさえわかりません。

ただテラバイトのスプレッドシートデータを投げ込んで何が起こるか見るようなものです。CLOのようになるでしょう。

他にもあらゆる種類の問題があります。世界最大の銀行の一つのCIOと話していましたが、彼らは300の異なる顧客データベースを持っています。300、住宅ローン用、ローン用、これ用、なぜなら住宅ローンの人々はローンの人々に顧客データについて話したくないので、嫉妬深く守っているからです。貧しいCIOにとっては完全な災害です。

ああ、魅力的です。アレックス。

Invisibleのビジネスモデルとマーケットプレイス

そうですね、これらはすべて非常に興味深いポイントだと思います。もしよければ、いくつかのレベルを上げて、もう少しInvisibleのビジネスモデルについて話したいと思います。

私の理解では、正しいかどうか教えてください、マット。ビジネスの一要素、Meridialと呼ばれていると思いますが、それはMLフリーランサーのマーケットプレイスのようなものです、正しく理解していれば。興味があるのは、私の心の中でこの会話における多くの象の一つは、私たちは再帰的自己改善の端にいると言えることです。

すべてのフロンティアラボは、多かれ少なかれ、AI研究者がいる時点に近づいているという主張に同意すると思います。コンピュートリソースをAI研究者に引き渡すだけで、AI研究者はフロンティアラボで働く人間のAI研究者と同じくらいの仕事、またはより良い仕事をします。

もしそれが本当にそうであるなら、この部屋のいくつかの象の一つですが、限られた時間を考えて、この一つに焦点を当てますが、MLフリーランス研究者のマーケットプレイスがモデルをトレーニングする必要性です。AI研究者が各クライアント向けにカスタムデータセットとカスタムベンチマークからカスタムモデルを構築できる時点に到達し始めると、それは完全に蒸発しませんか。

人間フィードバックの継続的必要性

そうですね、私たちのビジネスには2つの側面があります。一つはMeridialで、すべての大規模言語モデルをトレーニングし、企業側では基本的に企業向けにカスタムアプリケーションを構築しています。5年間の進化があったと思います。一貫して人々が言ってきたのは、ある時点でモデルを検証してテストするために強化学習人間フィードバックが必要なくなるということだと思います。

そのロジックの課題はいくつか異なることがあります。一つは、言語マルチモダリティ、計算生物学のような極端な専門知識のスペクトラムと、これらの多くが推論タスクであるという事実があり、実際には合成データと人間データを一緒にペアリングすることが強いという多くの研究がありますが、展開したいほとんどすべての異なる種類のエージェントに人間フィードバックが必要です。

RHFの性質は変化していると思います。だから、RLジム、制御された環境、シミュレーションのようなものにもっと移行していると思います。専門家の仕事の多くが今、博士号、修士号のようなものになっているのを見始めていると思います。だから、私が商品的な猫犬、猫犬ラベリングと呼ぶものは少なくなっています。しかし、明日17世紀のフランス建築の異なる進化をフランス語で理解するためのモデルをトレーニングすると言うなら、それを検証するためにRHFが必要になるでしょう。

そして、モデルがますます特定の分野に移動するにつれて、それらに対してますます多くのRLHFが必要になっているのを見ています。

それは興味深いです。たぶん私の直感を共有してから、あなたが見ているグランドトゥルースのバージョンで何を見ているか聞きたいと思います。

データ効率性の向上とRLHFの未来

私の直感、印象は、より大きなデータ効率を見ているということです。つまり、RHFは明らかに過去3年間で非常にファッショナブルでした。たぶん、ピークファッションを経験したと言えるでしょう。そして、強化ファインチューニングの台頭、おそらくはるかにデータ効率的で、おそらくさらに人間の時間効率的な代替メカニズムを見ました。

RL環境を構築するだけでよい場合、間違いなく、関与する人間の時間当たり、教師ありファインチューニングまたは他のRHFタイプのメカニズムを行うために、いわゆる発展途上国の人々に人員を配置するよりも、おそらくはるかに時間効率的です。確かに、私の直感を投影すると、より少ないデータ効率ではなく、より多くのデータ効率を見ると思います。

したがって、RHFまたはあらゆる種類に費やされる時間、労力、お金の量、たとえ私たちがあなたの主張を受け入れても、職人的な注釈を必要とする多くの異なるタスクの超地方化を見ていると。確かに、強化ファインチューニングのようなアルゴリズム的効率性からのデータ効率性の増加という競合する力があります。何を見ていますか。

そうですね、人々は5年間それを主張してきましたが、少なくとも現場で見てきたことは、いくつかのステップの飛躍を含む推論タスクについて考え、失われた国の危険性について考えると、何らかの形で人間フィードバックが関与することがより有用だということです。

だから、ある意味でRHFはすべての事前トレーニングコンピュートコストの後に起こると考えると、トレーニングの総コストのかなり小さな割合であり、それは最も価値のあるフィードバックの一部です。そして、特定のタスクに対してトレーニングされたますます特定のエージェントが見られるにつれて、法務サービスを例に取ると、新しい法務サービスデータセットをトレーニングする場合、興味深いもので、そのモデルをトレーニングしたい場合、アソシエイトまたはM&A弁護士同等の何らかの比較可能な同等性を見たいと思うでしょう。そこで、実際に機能するかどうかをテストします。

ある時点で10、15年後に、トレーニングするものがなくなる可能性はありますか。おそらく。しかし、実際、言語の数、モダリティ、ロボティクスはおそらくこれの次のフロンティアです、ある意味で。

RLジム、コンタクトセンター、多くのことがあります。私たちは会社として完全な信者です。企業側でもこれについて話せますが、人間のループが長い間特徴であり、バグではないということです。そして、エンタープライズの完全な赤いニシンは、自律エージェントが人間の解決策なしでこれすべてを行うということだと思います。

実際、すべてのステップでますます多くの人間が必要になると思います。

AGIとASIへのタイムライン

アレックス、あなたは言っています。AGIを通過してASIに到達するにつれて、これらのエージェントの知能レベルは、どんな人間と同じくらいうまくすべてを理解し、ループ内のその人間を置き換えるようなものです。それのタイミングは何ですか。

それが正確に私の質問でした、ピーター。

だから、私のタイムラインをスピットボールしなければならない場合、もちろん、これは予測エピソードではないので、それに私を保持しないでください。次のエピソードでの私の予測に私を保持してください。

私のタイムラインは、保守的な外側の境界として、MLモデルを構築するための人間研究者と同じくらい良い、またはそれ以上の強いAI研究者を得る再帰的自己改善の何らかの要素のために約2から3年です。

10から15年ではなく、最大2から3年です。

それが外側の端です。

2026年:企業変革の年

しかし、マットが完全に正しいと信じています。2026年は再帰的自己改善の年になり、能力は狂ったように指数関数的に成長し、企業は彼らができることに比べてカタツムリのペースで動くでしょう。

そして、それはすべて詰まって、ボトルネックになり、渋滞し、GoogleとOpenAIと、Invisibleのような会社を本当にイライラさせるでしょう。それは実際にポイントAからポイントBに到達させる潤滑剤になるでしょう。

Klarna使用例は、コンタクトセンターのための私たちのテストでは本当に良いです。80%の人々がAIを大いに好みますが、それを好まない20%は、全体を死ぬまで拷問し、全体を撤回する方が良くします。おそらく8つの方法がそれを迅速に修正するためにあります。

しかし、それはGoogleから来ないでしょう。

OpenAIから来ないでしょう。そして、自然なデータセットにないデータが含まれるでしょう。そして、今、2年前に私に言った場合、世界中の誰もがRLHFが何を意味するか知っているでしょう。そして、RLHFの会社を構築する億万長者である3人の人々が歩き回るでしょう。それはものですらありません。

ああ、待って、今それはものであるだけでなく、規模が大規模です。2026年には、AIができる他の多くのボトルネックのための新しい用語がありますが、何らかの理由で銀行はそれを行っていません。コンタクトセンターはそれを行っていません。そして、それらのボトルネックは、Invisibleのような会社がそれらを耕すだけで非常に有利になるでしょう。

あなたが説明したばかりの分散労働力があなたの労働力に含まれるかどうかという具体的な質問に答えることはできません。それは何と呼ばれていましたか、アレックスまたはマット。

それはMeridialと呼ばれています。Meridial。

そうです、Meridialがこれの重要な部分であるか、またはさらに多くのエージェントのネットワークがこれの重要な部分であるか、または2026年が両者間の移行年であるかについて、本当に健全な議論があります。

その2つの異なるアプローチ間の本当に興味深い足のレースになるでしょう。しかし、私は

データ効率性と人間参加の必要性の議論

それは本当に私が求めていることです、デイブ。それは本当に私が尋ねていることです。今後、教師ありファインチューニングまたは人間フィードバックによる強化学習に価値があるかどうかとは別の質問だと思います。もちろんあります。

私が本当に尋ねているのは、近い将来、AIがそれをブートストラップすることからどれだけ来ることができるか、人間の入力が必要であることに対してです。

汎用性と超特化のバランス

そして、私が言っているのは、汎用性と超特異性のバランスについて考えてください。そして、汎用性についてあなたに同意します。私は実際にRHFが今でもそれにとって重要だとは思いません。

しかし、より複雑になるのは、特定のタスクからトレーニングしたい場合です。だから、先ほど言及した保険請求の例を取りましょう。10ページの保険請求を生成しようとしています。そして、これを任意の企業の使用例、多くの消費者の使用例に適用できますが、その世界では、LLMが結果を生産しています。

特定の会社のデータからファインチューニングされていますが、その時点で、これが比較可能な出力を生産するかどうかを実際に言う方法が必要です。その請求が、その前にこのタスクを行っていた人間がやっていたことに対して。だから、先ほどカスタムベンチマークと言ったとき、それを行うプロセスは、実際に人間同等性テストが必要だということです。

比較可能なデータセットを提供し、これが良く見えるかどうかを言う人間が必要です。そして、CLMにはトレーニングするための先例データがありません。なぜなら、人間の入力は今ではないからです。繰り返しになりますが、それはますます特定のタスクに下がり続けるでしょう。法務サービスを取れば、言語別、トピック別、文書タイプ別に取れば、そのすべてに人間フィードバックが必要です。

ほとんど、あまりにも細かい点を置きたくないのですが、この

ビターレッスンの適用

エピソードで苦いコップの水で苦い薬を飲みたい人が、そのように飲んでいることを確認したいです。マット、あなたがこれをどのように見ているか理解したいと思います。

確かに、時間の経過とともに専門スキルさえ汎用モデルに包摂される汎用性の波があります。適切な時間スケールが何であるかをある程度ファインチューニングできるかもしれません。おそらくあなたのいわゆるタイムラインは私のものよりも少し長いように聞こえますが、少なくとも時間の経過とともに専門スキルさえ汎用モデルに包摂されるという前提に同意しますか、それともそれは決して起こらないと思いますか。10から15年の時間スケールで常に、またはいつも私は意味します。それはかなり長い時間スケールです。

専門化されたエージェントがいつもある種のように、汎用モデルを持つつもりだと思いますか。

すべての専門知識、すべての専門知識がすぐになくなるとは思いません。繰り返しになりますが、特定の専門家が持っている情報の多くについて考えると、それに対して利用可能なトレーニングデータはありません。それは人々の頭の中にあるものです。

それは経験のようなものです。繰り返しになりますが、人間の専門知識が重要性を失うという多くの物語を認識しています。私たちは実際に人間のタッチ要素がますます重要になると考える会社ですが、例えばセールスを取りましょう。最高の販売パターンの多く、それを最高に行った人々の多く、彼らがやっていることからトレーニングできる情報はありません。彼らは生きています。人間の相互作用は実際に、500の会社がメールベースのSDRを販売している世界では、人間の存在がその世界でより重要になると思います。

だから、実際に、シフトは専門知識が多くの異なる分野でますます重要になると思いません。人間のループは本当に重要なままだと思いますが、コンタクトセンターを取れば、アレックス、あなたが言っていることの理論は理解していますが、私たちはこれに4から5年間取り組んでおり、エージェントを使用するように移行した米国のコンタクトセンターの数を見れば、かなり小さな割合です。C

Jane Streetと株式取引のAI化

実際にJane Street質問が本当にポケットに穴を開けています。だから、株式ピッキングがワープスピードでAIに移行していることは本当に明らかです。

そして、理由は障壁がないからです。すでに自動化されている取引を置いているだけです。だから、それは他のようなものです。

そして、素晴らしいベンチマークがあります。

より多くのお金。

より多くのお金が

そうです。そして、公開株式市場のボリュームのほとんどすべてが長い間ALGOによって支配されてきました。だから、これは数十年前に起こりました。

そうですね、急速な取引から始まりました。だから、クオンツはすでにそこにいました。だから、今それが基本分析に移行しているので、同じ考え方です。

だから、それが理由の一つです。ただ離陸しています。しかし、ピーターが言ったように、より多くのお金を稼いでいます。オーケー、ただ続けましょう。そこには誰も「でも、私は仕事を失うつもりです」と言う人はいません。「いいえ、ただもっと払います。行きましょう」のようなものです。だから、本当に興味深いです、ベルウェザーです。

しかし、その世界の中で彼らは苦労しています。なぜなら、データが非常に独自だからです。

そして、これらの自己改善する大規模な基盤モデルが今年、超人的なIQに到達することがますます可能性が高く見えています。今年は2026年ですが、プロンプトウィンドウは大規模になり、再帰的な思考の連鎖の推論は本当に本当に良くなっています。

だから、実際には再トレーニングすることなくデータを供給し、仕事を達成させることができます。だから、その考え方をJane Streetから取って、今、私は整備士で、車を修理しようとしていて、何が悪いのか診断しようとしていて、オーディオがあり、センサーデータがあります。素晴らしい、簡単な使用例です。

しかし、その後、そのデータをLLM APIに入れて、OpenAIに送信します。そこで彼らはそれを蓄積でき、後で決めたらガレージになりたい場合、彼らは私のすべてのデータを持っています。または、何らかの壁で囲まれたモデルを実行します。ガレージの整備士はおそらく最良の例ではありません。それが私がJane Streetを選んだ理由です。なぜなら、彼らは決して独自のデータを取ってOpenAIに渡すことはないからです。

しかし、中間地点では、銀行、保険会社、病院のようなものがあります。彼らはこれにどのように対処するつもりですか。今は簡単です。2026年のいつか簡単になります。しかし、データは独自です。それが競争上の優位性を持つ唯一の理由です。APIに渡したくありません。

データセキュリティとオンプレミスソリューション

そうですね、銀行、ヘルスケアなど、あなたが名前を挙げた多くのセクターがあることは間違いありません。人々はそのような理由でデータをオンプレミスに保持するか、小規模言語モデルのようなものを使用することを決定しています。そして、それが傾向として続くのを見るかもしれません。

人々がよくする間違いの一つは、すべてのデータが独自というわけではないということです。だから、James Streetのケースを取れば、取引データは独自かもしれませんが、バックオフィスの種類の予測データはそうではないかもしれません。または、バックオフィスの財務データはそうではないかもしれません。だから、一つは、保持する必要がない独自のデータと、もっと行いたいセキュリティのパラメータを取りたいデータについて明確にすることだと思います。そして、どのデータについて言うか、これは実際に会社として非常に注意深くするつもりですが、これはそれほど独自ではないデータです。

その種のバランスだと思います。コンタクトセンターで議論したことと同様に、LMに何も与えませんが、すべてを社内に保持するという考え。それも意味をなさないと思いますが、それはあなたがますます見ているパラダイムだと思います。そうだと思います。

企業のAI導入戦略の再考

少し方向を変えたいと思います。実際に自動化すると同意しますが、この議論とは異なる方法で自動化すると思います。だから、例を挙げさせてください。私がCanonプリンターで、家庭用プリンターを販売しているとしましょう。

現在、マーケティングとコンテンツ開発、ブランド管理を行っている人々の束がいて、次にBest Buy等に販売する営業担当者がいます。

そして、オンラインの人々、購入後に顧客にプリンターの登録を試みさせる人々がいます。そして、修理サポート、技術スタッフ、そして会社の会計担当者、財務管理がいます。

ボード全体でさまざまな機能を実行している人々のポケットがあります。

AI native、プリンター販売会社を構築するつもりなら、それらすべてのことを完全にAIで自動化することを考えるかもしれません。そして、人間中心ではなく、それらの間で機能中心です。プリンターは、インクが切れそうになったときに報告でき、新しいものを出荷します。

問題がある、または問題が来ていると伝えます。修理スタッフに警告できます。「やあ、これは、たぶん私たちは彼をアップセルできます。プリンター、ダダダダ」と言って、基本的にすべての機能をAIで自動化し、人間をほとんど完全にループから90%外します。なぜなら、コア機能を自動化したからです。

AI時代におけるビジネス再構築の必要性

そして、今、私が見ているものは、私がラジオオーバーTVと呼んでいたものです。最初にテレビを持ったとき、ラジオアナウンサーをテレビに置いてラジオスクリプトを読ませました。オーケー。メディアに適応しませんでした。そして、今、私たちがやっていることは、それらの各機能で人間がやっていることを自動化していると思いますが、確かに時間が経つにつれて、機能的なフローを自動化し、人間を完全に取り除くつもりです。

AI native AI first、そうです。

プリンターを取り除くことは言うまでもありません。

まあ、それは別の質問です。その例。誰が印刷するつもりですか。その部分はちょっと脇に置いておきましょう。

大企業とスタートアップの競争

あなたは絶対に正しいと思います、Sim。つまり、若いAI native会社が分野全体を再想像し、ゼロレガシーとゼロ摩擦で前に出てくる場所です。

質問は、マットが最初に言ったように、彼らは流通を持っているかということですが、これは大企業、この場合Canonが実際に起業家に投資すべき場所です。つまり、あなたと私が何度も話していることの一つは、もし私が大企業で、何をすべきかわからない場合、基本的にコンペティションを開催し、世界中の若いAI起業家に前に出て、どのように私の会社を破壊するかを尋ねます。

ピッチをください。そして、最高の5つを選びます。そして、彼らに資金を提供します。そして、私たちはあなたに私たちを破壊するために資金を提供し、私たちが持っているすべてのもの、データへのアクセスを与えます。そして、最終的には私たちはあなたを、またはあなたの過半数株式を買い、あなたを私たちの新しい会社にするつもりです。これは、エッジでのイノベーション、コアの置き換え等です。何と呼びたいかです。

Blitzy – 自律的ソフトウェア開発の紹介

このエピソードは、無限のコードコンテキストを持つ自律的ソフトウェア開発、Blitzyによって提供されています。Blitzyは、数百万行のコードを持つエンタープライズスケールのコードベースを理解するために何時間も考える数千の専門化されたAIエージェントを使用します。

エンジニアは、開発要件を持ち込んで、Blitzyプラットフォームでのすべての開発スプリントを開始します。Blitzyプラットフォームはプランを提供し、次に各タスクのコードを生成し、事前にコンパイルします。

Blitzyは、スプリントを完了するために必要な最終20%の人間開発作業のガイドを提供しながら、開発作業の80%以上を自律的に提供します。

企業は、選択したコーディング共同パイロットと組み合わせて、プレIDEの開発ツールとしてBlitzyを組み込むことで、5倍のエンジニアリング速度の増加を達成しています。AI nativeのSDLCを組織に持ち込むためです。

5倍のエンジニアリング速度を上げる準備はできていますか。blitzy.comを訪問してデモをスケジュールし、今日Blitzyでビルドを開始してください。

中規模・大規模企業のための2026年AI戦略

あなたは中規模または大規模企業です。今、スタートアップに焦点を当てるつもりはありません。

そして、2026年に何をしますか。なぜなら、何かをしなければならないからです。取締役会、株主、競争からプレッシャーを受けるでしょう。

だから、何かをしなければなりません。そして、これまでに聞いたことは、マット、第一に、クリーンなデータを得る必要があります。データの状況が何であるかを理解する必要があります。第二に、2つか3つ、もしあれば、エリアを選ぶべきです。ベンチマークと呼びましょう。実験を実行するつもりです。

そして、提案ではなく、アイデアではありません。実際に、実際に実験を実行して、どのように機能するかを見ます。

他に何がありますか。そして、機能するものに規模、お金を注ぎ、次に拡大する種類の、会社の主要な収益エンジンの周りの円周を増やします。

それについてどう考えますか。もう少しステップを教えてください。

そうですね、思うに、ここでの会話のトピックの多くだったことの一つは、モデルのすべての改善を考えると、SLが歩いていたときのように、ゼロから会社を設計する可能性を考えると、なぜ企業モデルの5%が現在本番に到達するのか、MIT報告が出てきたので、思うに、すべてのこの技術的興奮を考えると、なぜそれがそれほど困難だったのかという開始質問があると思います。

技術的な課題ではありません。データについて話しました。見るべき優先順位に焦点を当てること、それらのイニシアチブを追求する組織構造、特に私が全員に与えるアドバイスは、これを技術組織に配置しないことです。最高のオペレーター、最高のオペレーション担当者を取り、運用KPIを与え、それを追跡することを確実にします。本当に明確な運用KPIです。

コンタクトセンターについてたくさん話しました。そこに運用担当者のリーダーがいるべきです。顧客満足度スコア、通話あたりの時間、見ている中核となるメトリックが何であれ、それをガイドにするべきです。在庫予測のようなものを取りたい場合、在庫日数、欠品、それらすべての種類のメトリックの周りで行うべきです。

しかし、どの運用担当者がそれをリードし、彼らがそれの周りでリソースを組織化する方法の明確な感覚があり、明確なKPIがあれば、いくつか異なることに焦点を当てれば、進歩するつもりです。その失敗モードは、千の花を咲かせることだったと思います。それらのどれも運用メトリックを持っておらず、一種のサイエンスプロジェクトのダイナミクスで終わります。

明確な目標設定の重要性

そうです。

正確に。その通りです。千の花が咲くと歩いて、無料で百万人の天才レベルの人々をあげると言って歩きます。何かをします。失敗します。

無料で百万人の人々がいて、彼らは全員天才です。

そして、同じ理由で失敗します。アイデアを思いつかなかったので、千の花がただ咲くと言いました。何も思いつかなかったので、たぶんあなたが思いつくでしょう。それがどうやってうまくいくと思いますか。それを見ました。あなたは正確に正しいです。ただとても悲しいです。

さらに進みます。基本的にオペレーターを取ってKPIを置くだけでなく、組織の外に置いて、ゼロから何かを構築させます。なぜなら、そうしないと、すべての内部ルールと官僚主義に妨げられ、それが大幅に遅くなり、レガシーの理由で失敗するからです。

そうです、スカンクワークスをロックします。AppleのMacBookチームです。

Appleは実際にこれのマスターです。Appleがやることを考えると、非常に破壊的な小さなチームを形成します。会社のエッジに置きます。秘密にしてステルスに保ちます。そして、彼らに言います。「別の業界を破壊しに行ってください、そうです。時計でも小売でも何でも」。

最後に数えたとき、異なる業界を見ている18のチームがあり、考えていて、破壊する準備ができたと思ったら、それに入り、辛抱強く反復します。例えばApple Watchです。

だから、これは多くの他の会社が取ると思うモデルです。これを行い、なぜなら、運用会社について考えると、あらゆる種類の隣接業界に対して持っている洞察は信じられないほどです。

自分の業界で破壊するのは非常に難しいです。なぜなら、おそらくかなり最適化されているからです。AIスタートアップから来ない限り、彼らは本当にエッジケースの多くを破壊できます。彼らの周りの業界の多くです。だから、隣接業界に入り、隣人の一部を攻撃するAI nativeスタートアップを立ち上げることを期待しています。

素晴らしい。マット、2026年のいくつかの予測に入る前に、いくつかの使用例をもう少し共有してもらえますか。ただ楽しいからです。

水中ドローン群の知能事例

SEIC VanterとUS Navyと協力して、水中ドローン群、無人水中車両のための知能を構築しました。

だから、一連のドローンがあり、各ドローンに膨大な数のセンサーがあり、それらの異なるドローンの移動パターンを理解する必要がある場合のように考えてください。

そして、各ケースで、水中でオブジェクトを見ます。どうしますか。関与しますか。後退しますか。他のドローンと一緒に移動しますか。水中無人車両のその全体的な移動パターンと決定です。

それが私たちが取り組んだことです。モデルをファインチューニングして、それを行い、トレーニングし、すべての移動パターンデータを見ています。そして、繰り返しになりますが、これはドローンについて最も興味深いことの一つです。彼らは自律的です。だから、それらの移動パターンが複雑な環境でどのように進化するかについて考えることは、非常に非常にトリック的で困難です。

しかし、多くの多くの興味深いセンサーデータもあります。

Swiss Gearの在庫予測最適化事例

人間の決定の側に錨を下ろす一つは、Swiss Gearです。だから、Swiss Army荷物ブランドのように、同様に、実際にこれはピーター、聴衆の多くの人々が何らかの形で関連できる一つだと思いますが、製品、顧客等に関する異なるデータテーブルの膨大なミックスを持っていました。

在庫予測のために本当に一緒に持ってくることができませんでした。だから、私たちはデータプラットフォームNeuronを使用して750のテーブルを本当に迅速に一緒に持ってきて、次に欠品を最小化し、保持する在庫を最適化する予測を最適化しました。

在庫予測を正しく行えば、ほとんどの中小企業、ほとんどの大小企業にとって主要な問題の一つです。損失収益を最小化します。大量の過剰在庫を保持しないことを確実にします。行うのは最も困難なことの一つです、特に6ヶ月から8ヶ月の注文サイクル時間がある場合。だから、それは私たちが彼らと提携したものであり、素晴らしい結果だったと思います。

彼らの全体的な在庫カバレッジを約30%拡大し、信頼できる予測で基本的にスキーの数を2倍にしました。そして、繰り返しになりますが、それは約数ヶ月で行われました。

2026年予測エピソードの予告

さて、だから、今週後半、私のムーンショット仲間と私は2026年の予測を録音しています。Emmodを戻します。話します。それぞれが2026年の2つの予測を提供します。

Moonshotsポッドキャストからトップ10を持ちます。楽しくなるでしょう。戦いになるでしょう。

リスナーに、どの予測が最も好きか投票してもらいます。つまり、もちろん、彼らは全員Alexのに投票しますが、やあ、マット、2026年に何が来ると見ていますか話してください。

そうですね、いくつか呼び出します。2026年の予測に関する調査をたくさん行ったばかりなので、すべては言いませんが、いくつか呼び出します。

マルチエージェントチームの台頭

最初に錨を下ろす一つは、マルチエージェントチームです。だから、課題の一つは、これは私たちがここで議論したことの多くに固有ですが、大企業または中規模企業が使用例を実装している場合、必ずしもすべてを行う一つの決定エージェントを持つ必要はないでしょう。

個々のタスクのためにタスク固有のエージェントをトレーニングし、通常LLMによってオーケストレーションされます。そして、それが可能にするのは、それらの特定のタスクの精度をピンポイントし、次にLMのより広範なロジックセットを使用して、それらすべてが適切に一緒に機能することを確実にすることです。そして、それはかなり広く議論されてきたアーキテクチャですが、ますます多くの人々がそれで成功しているのを見始めたばかりだと思います。

コンタクトセンターが良い例です。

マルチモーダルの飛躍とミラーワールド

呼び出す2番目の一つは、マルチモーダルの飛躍です。ますます多くのビデオ、画像、オーディオが人々がこれらのモデルと関わる方法の大きな部分になると思います。

だから、オーディオはおそらく最も興味深い一つだと思います。だから、それらに話しかけ、相互作用し、視覚化する方法は、2026年にとって本当に興味深い瞬間になるでしょう。そして、それが歴史的に主にそうであったように、すべてテキストベースになるとは思いません。そして、たぶんもう一つ

ごめんなさい、どうぞ。

いや、アレックスにフィードバックを求めるつもりでした。どうぞ。でも終わらせてください、man。

そうですね、だから、エピソードで少しそれについて話してきたので、呼び出す3番目の一つは、ミラーワールドまたはRLジムと呼んでいるものです。だから、それは聴衆の多くの人々にとってよく理解された概念だとは実際に思いません。しかし、テストしたいタスクのために実際にシミュレートされた環境を作成する、またはデジタルツインを考えてください。だから、たぶんそれはコーディング環境です、たぶんそれは私たちが何度か使用したコンタクトセンターです。

しかし、それは実際に一連の関数呼び出し、タスクまたは環境をシミュレートすることを可能にします。モデルまたはタスクをトレーニングするつもりなら、実際の物理世界に展開する前に、製造環境のようにどのように機能するかを実際にテストできます。

そして、それはますます多くのモデルビルダー、企業で見ているものです。非常に興味深いトピックです。

人間の専門知識の未来

ちょっとメイトに回って、マットに最終的な質問をしたいと思います。アレックス、始めてくれますか。

そうですね、ここで議論していることの最も興味深い要点は、人間の専門知識の未来は何かということだと思います。その点で、人間の専門知識は未来を持っていますか。そして、それを持っていると仮定して、それは調理されましたの半減期は何ですか。人間の専門知識の価値の半減期は何ですか。

だから、それを質問形式にすると、今日経済に存在するすべての人間の専門知識の形態、すべての労働カテゴリーと職務役割のうち、最終的に消えるか、またはAIに屈服する職務役割または専門知識の形態の最後の3つは何だと思いますか。最後の3つは

最後に立つ専門家。オーケー。

その通りです。

つまり、エピソードを始めた場所に戻ります。大規模なシフトに関する多くの解説は、今日の社会における仕事の実際の機能を無視していると思います。だから、セクターを取りましょう。例えば石油とガス。機能的専門知識の多く、地震を見ると、地震エンジニア、石油とガスサイトで掘削している人々、それは人間の機能です。だから、そう思います。不動産は別の例です。人間は実際にどれを選ぶのを助けます。

さまざまな分野のリスト全体を下に行くことができます。より多くの混乱が近い将来見られるセクターがあると思います。いくつか呼び出しました。BPO、法務サービス。メディアは速く変化している分野だと思いますが、それらが負のようなものにつながるかどうかは正確にはわかりません。負の雇用結果を持つという意味です。

メディアを取れば、本当に興味深いです。5、6年前、8年前、メディアというカテゴリーは有料メディアの例として多くの点で本当に苦労したと思います。そして、実際に過去数年間、DLM時代後、Substack、Medium、これらすべてのブログがはるかに興味深くなったのを見てきました。

はるかに多くのメディア起業家がいます。だから、社会の機能と、お金がどこから来るかが変わりましたが、総雇用は変わっていません。多くの懐疑論があることは理解しています。AIはすべてを根本的に変えると言いますが、過去100年間のアメリカ社会を見れば、すべての高校クラスの約25%が高校にいたときに存在しなかった分野に入るようなものです。

そして、それが持続する理由は、人々が持っているツールを理解して、そこから何を作成できるかについて考えて、働く世界に入るからです。私のお気に入りの統計の一つは、Wall Street Journalが先週のように報告したのは、米国の雇用の20%が現在デジタルエコシステムの仕事です。

そして、米国市民の9%のようなものが、フルタイムのソーシャルメディアインフルエンサーです。それは私にとって心をboggling。しかし、

そうです、

しかし、繰り返しになりますが、これが仕事の性質の変化です。だから、そのパターンは持続すると思います。本質的に変わると思うのは、複数のシステムと文書全体で情報を調べるプロセスです。それは価値が低くなるつもりです。

しかし、人間の相互作用、物理的作業、物理的なものを含むすべての仕事、実際、次の数年間で最も興味深いことの一つは、データセンター、電気技師等に関する仕事のエコシステムがはるかに需要が高くなるということだと思います。私は実際にいました。ああそう、私は

データセンター関連職の需要増加

リクルーティング会社を経営している誰かとパネルにいました。彼らは、次の数年間で2、3、4倍になると思う仕事プロファイルだと言っていました。だから、それは教育システムとすべてに非常に興味深い影響を与えるでしょう。しかし、進化を見ると思います。

私は人型ロボット、電気技師と配管工を意味しました。アレックス、非常に迅速に、あなたの3つの最後に立っている人間の役割はここです。

または、あなたの最後

興味深いので、複数の競合する仮説を提示します。だから、仮説1、

簡単に、一つの仮説は、彼らが法律を作るのを助けるので政治家です。

別の仮説は、数学と科学がすべて解決されているとポッドキャストで話していても、最も偉大な知性、物理学者または数学者です。一方で、それが人間の知的達成の頂点を表す限り、たぶん最も偉大な知性は自動化される最後になるでしょう。

人間の真正性に対する最大の必要性を含む役割がそうだという別の考え方があります。なぜなら、実際には能力の問題ではありませんが、人々はそれにもかかわらず人間の接触または何かその効果を要求するからです。だから、人々が相互作用の反対側に人間の相手がいることを知りたいだけの最も高いタッチの仕事役割になるでしょう。

だから、それは3つの仮説のセットです。

テイストメーカーがそれを支配するでしょう。

それは真正性バケットナンバーです。

それはMike Sailorが実際に一語一語言ったことです。

そうです、彼の彼のボートで私たちは楽しい夕日の会話をしました。

ありがとう、アレックス。Sim、次に行って、マットへの最後の質問をしたいですか。あなたがカバーしたもののいくつかは、あなたたちがやった政府の仕事を持っていた業界についてです。

政府の機能のどこで、AI自動化効率等の最大の機会を見ていますか。

そうですね、どこでも。

これは社会にとって本当にポジティブなトレンドの一つになる可能性があると実際に思います。だから、最近研究を見ました。AI支援の許可がエネルギーとデータセンタープロジェクトの実装タイムラインを50%削減できると。

住宅について考えてください。住宅開発のための米国の現在の最大の課題の一つは、場所別の無数の異なる規制とゾーニング契約のために住宅を建設することがどれだけ複雑かということです。または、OECDがこのことで出てきたと言っても、OECDがこの報告で出てきたのは、AIがライセンス給付承認コンプライアンスに関する公共セクタープロセスサイクルタイムラインを70%縮小でき、基本的にインフラストラクチャ展開を加速できるということです。

だから、AIができる最も単純なことは、すべての支出とインフラストラクチャ展開に関連するプロジェクト管理とタイムラインは、私の心では社会にとって本当にポジティブなことになるでしょう。

素晴らしい。良い質問。Sim Dave、ここで質問を終わらせてくれませんか。

ああ、たくさんありますが、最良のものを選びます。まず、マット、今日から1年後、1年前と比較してあなたのビデオ映像は何時間ありますか。なぜなら、数週間前にRiadでお互いに会ったことを知っています。そして、あなたがこの全体的なAIが企業に入るボトルネックの思想リーダーであることを知っています。

Matt Fitzpatrickのメディア露出と今後

今やっていることのように感じます、外にあるあなたの映像は今、すべてこのCNBC Bloomberg type、5分フォーマットです。

しかし、ここでは本当の考えを得ています。ずっと良いです。しかし、今日から1年後、何時間数えられますか。

そうですね、12ヶ月前の時点で、ほとんど何の種類のインタビューもやっていませんでした。だから、この仕事はそのフロントで楽しかったです。そして、CODポッドキャスト形式について楽しんでいるのは、より複雑なトピックのいくつかについて話すことを可能にすることです。

だから、うまくいけば、来年にはもっと多くあります。

まあ、少なくともそれの10倍を望んでいます。そして、それへのフォローアップ質問は、そこにある話しているあなたのAvatar版、それは2026年のことだと思いますか、それともいつですか。

そうですね、それはおそらく2026年に起こります。

公開声明からアバターをトレーニングするのはそれほど難しくないと思います。だから、それは興味深いものになると思います。実際にスポーツスペースでアバタートレーニングのトピックに取り組んでいます。そして、それは実際にチャットボット相互作用ではなく、人々が知っている人々にアバターを介して話したいと思う多くの異なる分野を想像できる興味深いスペースだと思います。それは実際に社会のより自然な部分になり、かなり興味深いものになるかもしれません。

完全に同意します。タイムラインは私の懸念として2ヶ月という早さかもしれません。

今あなたと話しているのはアバターではないと思います。

デイブ、それは良い質問です。

実際には非常に人間的に見えます。わかりません。最高のものは

あなたの後ろの緑のオーブはそれをかなり明らかにします。

そうですね、彼らはかなりかなり奇妙です。

それは本物ではありません。

連絡先とInvisibleの情報

マット、人々はあなたをどこで見つけますか。人々はInvisibleをどこで見つけますか。誰がInvisibleに行って、あなたがやっていることとどのようにやっているかをチェックアウトすべきですか。

もちろん。だから、現在7つのオフィスがあります。ニューヨーク、サンフランシスコ、オースティン、テキサス、DC、ロンドン、ポーランド、パリ。

私を見つけるのが最も簡単です、おそらく。Union Squareのすぐ近くにオフィスがあります。

それは私が旅行していないとき、少なくとも半分の時間いる場所です。そして、誰が私たちに来るべきか、特にリスナーベースから、ビジネスに可能性があることを知っている、AIがポジティブな方法で変革できることを知っている、すべてのピースを一緒に持ってくるのに苦労している中堅企業、または企業です。

私が言う主なことは、疑いなくアレックスが尋ねている技術は過去数年間で膨大なステップ変化を遂げました。難しいことは実際に変更管理、運用化、メトリック追跡、評価です。それは一種のすべてを一緒に持ってくるようなものです。私たちの創設者Francisには、ケーキを作るためのすべてのコンポーネントを持っているがケーキを持っていないというアイデアがあります。私たちがやっているのは、実際に最終的にケーキを焼くことです。機能するものを構築します。AIを機能させます。そして、そのためにすべての最新ツールを使用します。

素晴らしい。そして、ウェブサイト

invisibletech.ai。さて、マット、セーラム、デイブ、AWG、ありがとう。2026年の予測のために数日後に会いましょう。それらを素晴らしくしてください。楽しくなるでしょう。

それは楽しくなるでしょう。

トラッキングベンチマークのベンチマークが欲しいです。

それがあなたの

さて。

さて。

いや、それは私が話すつもりのものではありません。

オーケー。

さて、みんな。良い一日を。

Peter Diamandisのニュースレター再紹介

毎週、私のチームと私は、今後10年間で業界を変革するトップ10のテクノロジーメタトレンドを研究しています。ヒューマノイドロボティクス、AGI、量子コンピューティングから輸送、エネルギー、長寿などに至るまでのトレンドをカバーしています。無駄な情報はなく、私たちの生活、会社、キャリアに影響を与える最も重要なことだけです。

これらのメタトレンドをあなたと共有したい場合、週に2回ニュースレターを書き、メールで短い2分間の読み物として送信しています。

そして、他の誰よりも10年前に最も重要なメタトレンドを発見したい場合、このレポートはあなたのためのものです。読者には、世界で最も破壊的な企業の創業者やCEO、そして世界で最も破壊的な技術を構築している起業家が含まれます。

何が来るか、なぜそれが重要か、そしてそれからどのように利益を得ることができるかについて知りたくない場合は、あなたのためではありません。

無料で購読するには、dmmandis.com/tatrendsにアクセスして、他の誰よりも10年前にトレンドへのアクセスを獲得してください。さて、このエピソードに戻りましょう。