Daten am Edge

Viele der wichtigsten Datensätze sind diejenigen, auf die wir lange Zeit keinen Zugriff hatten oder die wir nicht interpretieren konnten.

Der Wert im Internet hat sich größtenteils durch Datenkreisläufe vervielfacht, die mit zunehmender Größe kontinuierlich stärker werden. Ein Produkt oder eine Plattform sammelt Daten, diese Daten verbessern das Produkt, und das bessere Produkt erhält wiederum das Recht, noch mehr Daten zu sammeln. Diese sich selbst verbessernde Schleife liegt den meisten nachhaltigen Softwareunternehmen zugrunde und ist seit Andys Artikel über die darunterliegenden Anwendungsebenen-Netzwerkeffekte im Jahr 2015 ein bedeutender Pfeiler der USV-These zu Netzwerkeffekten.

https://x.com/aweissman/status/676568250210082817

Heute ist das wahrer denn je. Im KI-Zeitalter sind Daten die ultimative Währung. Labore geben entsprechend aus, und Unternehmen wie Mercor jagen Milliardenumsätzen hinterher.

Die Einschränkung des Daten-Netzwerkeffekts war schon immer die Reichweite – welche Daten sind erreichbar und welche nicht. Daten, die Software erfassen konnte, waren am zugänglichsten, weil die riesige Menge an Daten außerhalb der Software (die Umgebung um uns herum, die physische Welt, der menschliche Körper) zu teuer und schwierig zu erfassen, zu schwer zu verarbeiten und damit unzugänglich war.

Nun kehrt eine Konvergenz mächtiger Kräfte dies um. Intelligenz ist reichlich vorhanden und die Kosten sinken. Modelle können selbst die chaotischsten, unstrukturierten Eingaben schnell verarbeiten, die für Software zu schwierig waren. Die Kosten und die Zeit für den Bau von Hardware sind rapide gesunken. Und wir erleben eine Verbreitung der Beobachtbarkeit – durch zunehmend günstige und allgegenwärtige Sensoren, Satelliten, Kameras usw. –, die das Erfassen von Daten aus der Welt um uns herum machbarer macht als je zuvor. Insgesamt ermöglicht die Fähigkeit, diese Eingaben auf beispiellose Weise zu sammeln, sofort und intelligent zu verarbeiten und darauf aufzubauen, Datenkreisläufe an Orten zu bilden, die vor ein paar Jahren noch völlig dunkel waren. Hier geht es nicht darum, dass KI bestehenden Märkten Effizienz bringt; es handelt sich um eine völlig neue Reihe von Möglichkeiten.

Es gibt viele Beispiele, wo dies zum Tragen kommt. Umgebungsgespräche sind eines. Wir können Sprache seit einem Jahrhundert aufzeichnen, aber unsere Fähigkeit, sie zu transkribieren, zu strukturieren und darauf zu reagieren, hat sie zu einem nutzbaren Datensatz gemacht. Das bringt vertikale Möglichkeiten wie Abridge hervor, um diesen Datensatz zu nehmen und Anwendungen zu bauen, die die Funktionsweise bestimmter Märkte verändern, oder Granola, um horizontale Infrastruktur und Werkzeuge zu schaffen. Die Aufzeichnung war nie der schwierige Teil, aber die Verarbeitung und Produktisierung war zuvor nicht möglich.

Der menschliche Körper ist ein weiteres Beispiel. Die Kosten für Tests sinken, die Fähigkeit, Ergebnisse zu interpretieren, verbessert sich, und es wird zunehmend möglich, ein personalisiertes Programm auf Basis der Daten zu erstellen. Der Körper wird sowohl erreichbar als auch als Datenquelle nützlich.

Aber die vielleicht größte Chance liegt hier in der physischen Welt.

Die physische Welt birgt enorme Datenmengen, die lange entweder schwer zu sammeln oder zu chaotisch zu verarbeiten waren, aber für Automatisierung, Optimierung und Verständnis unerlässlich sind. Jetzt verbreiten sich Sensoren, Roboter werden leistungsfähiger und billiger, und die Verarbeitung chaotischer Daten wird schnell möglich. Modelle zum Trainieren von Robotern für immer anspruchsvollere Aufgaben verbessern sich rasant und saugen dafür mehr Daten auf als je zuvor. Wir erleben, wie das, was in der physischen Welt möglich ist, vom Experiment zur Kommerzialisierung übergeht. Dieser Datenkreislauf ist hier besonders stark. Mehr Einsätze produzieren mehr reale Daten, bessere Daten verbessern die Modelle, und bessere Modelle machen den nächsten Einsatz schneller und billiger als den letzten.

Der Aufbau dieser Möglichkeiten in der physischen Welt ist sowohl sehr früh als auch sehr schwierig, da sich das Daten-Schwungrad erst gerade entwickelt. Innerhalb des Software-Schwungrads sehen wir gerade erst massive Fortschritte beim Übergang vom Lernen (Nutzung von Daten zum Trainieren eines Modells) zum bestärkenden Lernen (Definition von Belohnungsfunktionen, damit das System durch Interaktion lernen kann, welche Aktionen zu besseren Ergebnissen führen) zum kontinuierlichen Lernen (Ermöglichung, dass Modelle sich mit neuen Daten weiter verbessern). In der physischen Welt kratzen wir gerade erst an der Oberfläche des bestärkenden Lernens, das stattfinden kann, wenn Roboter mit der physischen Welt interagieren.

GIF

Aber die Möglichkeiten, die dieses Daten-Schwungrad der physischen Welt bereithält, sind enorm, marktverändernd und bisher unerreichbar. Die interessantesten Anwendungsfälle machen nicht schwierige Dinge einfacher, sondern ermöglichen Erkenntnisse und Handlungen, die wir nie erreichen konnten.

Sensoren an jedem Strommast werden beispielsweise eine Infrastruktur-Beobachtbarkeit ermöglichen, die zuvor unmöglich war, weil Batterien alle 6 Monate ausgetauscht werden mussten, was die Umsetzung zu kostspielig machte. Jetzt, mit Batterien, die 10 Jahre halten können, wird tiefes Wissen über unsere Infrastruktur nicht nur erschwinglich, sondern auch erreichbar sein. Modelle, die sowohl Sensor-Eingaben aus extrem unterschiedlichen Quellen in der Welt um uns herum aufnehmen als auch synthetisieren und das Rauschen verstehen können, werden uns ein Verständnis unserer Wettermuster in einer Granularität und Genauigkeit geben, die wir nie hatten – der entscheidende Schritt, um sie irgendwann ändern zu können. Autonomer Transport (ermöglicht durch Sensoren) ist auf dem besten Weg, eine beispiellose Fähigkeit zu schaffen, Menschen und Güter in einer völlig neuen Kostenstruktur zu bewegen. Wir können jetzt unsere Ozeane verstehen und dadurch neues Wissen erlangen, wie wir unser Land verteidigen, unsere Schiffe navigieren und unseren Planeten erhalten können.

Es gibt eine riesige Chance, jede Ebene des Stapels der physischen Welt neu zu erfinden. Wir haben auf jeder Ebene erheblich darin investiert und werden dies auch weiterhin tun (mit mehreren noch nicht angekündigten Investitionen, über die wir bald mehr berichten werden). Generalist baut Foundation-Modelle, die Robotern allgemeine Geschicklichkeit verleihen – die Fähigkeit, die Aufgaben auszuführen, die wir tatsächlich erledigt haben wollen. Tutor Intelligence betreibt den gesamten Kreislauf des Robotereinsatzes – von der Datenerfassung bis zur Modellverbesserung – und ermöglicht es Robotern, innerhalb von Tagen produktiv zu werden, anstatt einer sechsmonatigen Integration (und speist diese Daten dann zurück in sein eigenes Modell, um sich kontinuierlich zu verbessern). Sofar Ocean nutzt die massive Sensorverbreitung, um Infrastruktur für sowohl eigene als auch Drittanbieter-Softwarenetzwerke bereitzustellen. Viam sitzt dazwischen als Betriebsebene für Daten, KI und Automatisierung über Flotten von Geräten hinweg. Efficient Computer ist an der Basis und baut Silizium, das effizient genug ist, um neue Anwendungsfälle am Rand wirtschaftlich zu machen.

Die Effekte zweiter Ordnung sind ebenfalls bedeutend. Sobald man Daten der physischen Welt in großem Maßstab erfassen und darauf reagieren kann, kann man beispielsweise weitaus effizientere Fabriken durch Automatisierung und agentische Betriebssysteme betreiben – genau das, was Isembard tut. Und natürlich besteht der dramatische Bedarf an erhöhter Energie und Leistung unter dieser Ebene, um dieses Maß an Rechenleistung und alle dafür erforderlichen Inputs zu ermöglichen (effizientere Rechenzentren, reichlich vorhandene und sicherere Batterien, neue Formate von skalierter und sauberer Stromerzeugung usw.).

Die folgende Marktlandkarte veranschaulicht den Stapel, der unsere physische Welt erforscht und bearbeitet.

Wir stehen noch ganz am Anfang. Die meisten dieser Datensätze sind kaum angezapft, und die meisten Produkte, die darauf laufen werden, existieren noch nicht. Sie zu finden, zu erreichen und nutzbar zu machen, wird verändern, wie wir mit der physischen Welt interagieren. Wir möchten die gesamte Grenze mit den Gründern erkunden, die darauf zusteuern.

Ein großes Dankeschön an @km @joshgruenstein @alexiskold @nbt @chadbyers @html_tina und Brandon Lucia für die Schärfung unserer Gedanken zu diesem Beitrag.