Dati all'Edge

Molti dei set di dati più critici sono quelli a cui non abbiamo mai potuto accedere o che non siamo mai riusciti a interpretare.

Il valore su internet si è in gran parte accumulato attraverso cicli di dati che si rafforzano continuamente con la scala. Un prodotto o una piattaforma raccoglie dati, quei dati migliorano il prodotto, e il prodotto migliore guadagna il diritto di raccogliere, a sua volta, più dati. Questo ciclo di auto-miglioramento è alla base della maggior parte delle aziende software durevoli ed è stato un pilastro significativo della tesi sugli effetti di rete di USV da quando Andy ha scritto di come si colloca sotto gli effetti di rete a livello applicativo nel 2015.

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

Oggi, questo è più vero che mai. Nell'era dell'IA, i dati sono la valuta finale. I laboratori stanno spendendo di conseguenza e aziende come Mercor stanno correndo verso miliardi di dollari di fatturato.

Il vincolo all'effetto di rete dei dati è sempre stato l'ambito e la portata: quali dati sono raggiungibili e quali no. I dati che il software poteva catturare erano i più accessibili perché la stragrande quantità di dati al di fuori del software (l'ambiente circostante, il mondo fisico, il corpo umano) era troppo costosa e difficile da catturare, troppo complessa da elaborare e quindi inaccessibile.

Ora, una convergenza di forze potenti sta capovolgendo questa situazione. L'intelligenza è abbondante e il suo costo sta diminuendo. I modelli possono elaborare rapidamente anche gli input più disordinati e non strutturati che erano troppo difficili per il software. Il costo e i tempi per costruire hardware sono rapidamente diminuiti. E stiamo assistendo a una proliferazione dell'osservabilità – attraverso sensori, satelliti, telecamere, ecc., sempre più economici e pervasivi – rendendo la cattura dei dati dal mondo che ci circonda più realizzabile che mai. In aggregato, la capacità di raccogliere, elaborare immediatamente e intelligentemente, e costruire su questi input in modi senza precedenti permette la formazione di cicli di dati in luoghi che erano completamente oscuri solo pochi anni fa. Questa non è l'IA che porta efficienza ai mercati esistenti; è un insieme completamente nuovo di opportunità.

Ci sono molti esempi di dove questo sta entrando in gioco. La conversazione ambientale è uno di questi. Siamo stati in grado di registrare la parola per un secolo, ma ora la nostra capacità di trascrivere, strutturare e agire su di essa l'ha trasformata in un set di dati utilitario. Questo genera opportunità verticali come Abridge per prendere quel set di dati e costruire applicazioni che trasformano il modo in cui operano mercati particolari, o Granola per creare infrastrutture e strumenti orizzontali. La registrazione non è mai stata la parte difficile, ma l'elaborazione e la trasformazione in prodotto non erano precedentemente possibili.

Il corpo umano è un altro esempio. Il costo dei test sta crollando, la capacità di interpretare i risultati sta migliorando, ed è sempre più possibile personalizzare un programma basato sui dati. Il corpo diventa sia raggiungibile che utile come fonte di dati.

Ma forse l'opportunità più grande qui è il mondo fisico.

Il mondo fisico contiene enormi quantità di dati che sono stati a lungo o fuori portata per essere raccolti o troppo disordinati per essere elaborati, ma sono essenziali per l'automazione, l'ottimizzazione e la comprensione. Ora, i sensori si stanno moltiplicando, i robot stanno diventando più capaci ed economici, e l'elaborazione rapida di dati disordinati è realizzabile. I modelli per addestrare robot in compiti sempre più complessi stanno migliorando a ritmi rapidi e assorbendo più dati che mai. Stiamo assistendo a ciò che è possibile nel mondo fisico passare dalla sperimentazione alla commercializzazione. Quel ciclo di dati è particolarmente forte qui. Più implementazioni producono più dati del mondo reale, dati migliori rendono i modelli migliori, e modelli migliori rendono l'implementazione successiva più veloce ed economica della precedente.

Costruire in queste opportunità nel mondo fisico è sia molto precoce che molto difficile, con il volano dei dati che sta solo emergendo. All'interno del volano software, stiamo appena iniziando a vedere progressi enormi nel passare dall'apprendimento (usare i dati per addestrare un modello) all'apprendimento per rinforzo (definire funzioni di ricompensa in modo che il sistema possa imparare quali azioni portano a risultati migliori attraverso l'interazione) all'apprendimento continuo (permettere ai modelli di continuare a migliorare man mano che arrivano nuovi dati). Nel mondo fisico, stiamo appena iniziando a scalfire la superficie dell'apprendimento per rinforzo che può avvenire quando i robot interagiscono con il mondo fisico.

GIF

Ma le opportunità che attendono da questo volano di dati del mondo fisico sono enormi, in grado di spostare i mercati e precedentemente irraggiungibili. I casi d'uso più interessanti non sono rendere le cose difficili più facili, ma permettere intuizioni e azioni che non siamo mai stati in grado di realizzare.

I sensori su ogni palo della luce, per esempio, permetteranno un'osservabilità delle infrastrutture che prima era impossibile perché le batterie dovevano essere sostituite ogni 6 mesi, rendendo l'impresa proibitiva in termini di costi. Ora, con batterie che possono durare 10 anni, una conoscenza approfondita delle nostre infrastrutture non sarà solo conveniente, ma realizzabile. I modelli che possono sia ricevere input da sensori da fonti estremamente varie nel mondo che ci circonda, sia sintetizzarli insieme e dare un senso al rumore ci daranno una comprensione dei nostri modelli meteorologici con una granularità e accuratezza che non abbiamo mai avuto, il passo più critico per poterli eventualmente cambiare. Il trasporto autonomo (reso possibile dai sensori) è rapidamente in arrivo per creare una capacità senza precedenti di spostare persone e merci con una struttura di costo completamente nuova. Ora possiamo comprendere i nostri oceani e quindi acquisire nuove conoscenze su come difendere la nostra terra, navigare le nostre navi e mantenere il nostro pianeta.

C'è un'enorme opportunità di reinventare ogni livello dello stack del mondo fisico. Abbiamo investito in modo significativo in esso a ogni livello e continueremo a farlo (con diversi investimenti non annunciati di cui siamo entusiasti di condividere maggiori dettagli presto.) Generalist sta costruendo modelli di base che danno ai robot destrezza generale, la capacità di eseguire i compiti che vogliamo realmente. Tutor Intelligence gestisce l'intero ciclo di implementazione dei robot attraverso la raccolta di dati e il miglioramento del modello, consentendo ai robot di diventare rapidamente produttivi in giorni anziché in un'integrazione di sei mesi (e poi reimmette quei dati nel proprio modello per migliorarlo continuamente.) Sofar Ocean sfrutta la massiccia proliferazione di sensori per fornire infrastrutture sia per reti software proprietarie che di terze parti. Viam si trova nel mezzo, come livello operativo per dati, IA e automazione su flotte di dispositivi. Efficient Computer è alla base, costruendo silicio abbastanza efficiente da rendere economici nuovi casi d'uso ai margini della rete.

Anche gli effetti di secondo ordine sono significativi. Una volta che puoi catturare e agire sui dati del mondo fisico su larga scala, puoi gestire fabbriche molto più efficienti attraverso l'automazione e sistemi operativi agentici, per esempio, che è ciò che Isembard sta facendo. E, naturalmente, c'è il bisogno drammatico di maggiore energia e potenza al di sotto di questo livello per abilitare questo livello di calcolo e tutti gli input richiesti (data center più efficienti, batterie abbondanti e più sicure, nuovi formati di generazione su larga scala e pulita, ecc.)

La mappa di mercato qui sotto è illustrativa dello stack che esplora e agisce sul nostro mondo fisico.

Siamo molto all'inizio. La maggior parte di questi set di dati sono appena stati toccati, e la maggior parte dei prodotti che ci si baseranno non esistono ancora. Trovarli, raggiungerli e metterli al lavoro cambierà il modo in cui interagiamo con il mondo fisico. Vogliamo esplorare l'interezza di quel confine con i fondatori che ci stanno correndo incontro.

Un grande ringraziamento a @km @joshgruenstein @alexiskold @nbt @chadbyers @html_tina e Brandon Lucia per aver affinato il nostro pensiero su questo post.