Parmi les ensembles de données les plus critiques, nombreux sont ceux que nous n'avons longtemps pas pu accéder ou interpréter.
La valeur sur Internet s'est largement accumulée grâce à des boucles de données qui se renforcent continuellement avec l'échelle. Un produit ou une plateforme collecte des données, ces données améliorent le produit, et le produit amélioré gagne le droit de collecter encore plus de données. Cette boucle d'auto-amélioration se trouve au cœur de la plupart des entreprises logicielles durables et constitue un pilier important de la thèse des effets de réseau d'USV depuis qu'Andy a écrit sur la façon dont elle se situe sous les effets de réseau de la couche applicative en 2015.
https://x.com/aweissman/status/676568250210082817
Aujourd'hui, c'est plus vrai que jamais. À l'ère de l'IA, les données sont la monnaie ultime. Les laboratoires dépensent en conséquence et des entreprises comme Mercor se précipitent vers des milliards de dollars de revenus.
La contrainte de l'effet de réseau des données a toujours été la portée et l'étendue – quelles données sont à portée et lesquelles ne le sont pas. Les données que les logiciels pouvaient capturer étaient les plus accessibles, car la vaste quantité de données en dehors des logiciels (l'environnement qui nous entoure, le monde physique, le corps humain) était trop coûteuse et difficile à capturer, trop difficile à traiter, et donc inaccessible.
Aujourd'hui, une convergence de forces puissantes est en train de renverser cette situation. L'intelligence est abondante et son coût diminue. Les modèles peuvent traiter rapidement même les entrées non structurées les plus désordonnées qui étaient trop difficiles pour les logiciels. Le coût et le délai de construction du matériel ont rapidement diminué. Et nous assistons à une prolifération de l'observabilité – grâce à des capteurs, satellites, caméras, etc., de plus en plus abordables et omniprésents – rendant la capture des données du monde qui nous entoure plus réalisable que jamais. Globalement, la capacité à collecter, traiter immédiatement et intelligemment, et construire sur ces entrées de manière sans précédent permet la formation de boucles de données dans des endroits qui étaient totalement obscurs il y a quelques années. Il ne s'agit pas de l'IA apportant de l'efficacité aux marchés existants ; c'est un ensemble complètement nouveau d'opportunités.
Il existe de nombreux exemples de cela en action. La conversation ambiante en est un. Nous pouvons enregistrer la parole depuis un siècle, mais notre capacité à transcrire, structurer et agir sur celle-ci l'a transformée en un ensemble de données utilitaire. Cela donne naissance à des opportunités verticales comme Abridge pour prendre cet ensemble de données et construire des applications qui transforment le fonctionnement de marchés particuliers, ou Granola pour créer une infrastructure et des outils horizontaux. L'enregistrement n'a jamais été la partie difficile, mais le traitement et la transformation en produit n'étaient auparavant pas possibles.
Le corps humain en est un autre. Le coût des tests s'effondre, la capacité à interpréter les résultats s'améliore, et il est de plus en plus possible de personnaliser un programme à partir des données. Le corps devient à la fois accessible et utile en tant que source de données.
Mais l'opportunité la plus importante ici est peut-être le monde physique.
Le monde physique contient d'énormes quantités de données qui ont longtemps été soit hors de portée pour être collectées, soit trop désordonnées pour être traitées, mais qui sont essentielles à l'automatisation, à l'optimisation et à la compréhension. Aujourd'hui, les capteurs prolifèrent, les robots deviennent plus performants et moins chers, et le traitement de données désordonnées rapidement est réalisable. Les modèles pour former des robots à des tâches de plus en plus difficiles s'améliorent à un rythme rapide et aspirent plus de données que jamais. Nous voyons ce qui est possible dans le monde physique passer de l'expérience à la commercialisation. Cette boucle de données est particulièrement forte ici. Plus de déploiements produisent plus de données du monde réel, de meilleures données améliorent les modèles, et de meilleurs modèles rendent le prochain déploiement plus rapide et moins cher que le précédent.
Construire sur ces opportunités dans le monde physique est à la fois très précoce et très difficile, le volant de données n'émergeant tout juste. Dans le volant logiciel, nous commençons tout juste à voir des progrès massifs, passant de l'apprentissage (utilisation des données pour former un modèle) à l'apprentissage par renforcement (définition de fonctions de récompense pour que le système apprenne quelles actions mènent à de meilleurs résultats grâce à l'interaction) à l'apprentissage continu (permettant aux modèles de continuer à s'améliorer à mesure que de nouvelles données arrivent). Dans le monde physique, nous commençons tout juste à effleurer la surface de l'apprentissage par renforcement qui peut se produire lorsque les robots interagissent avec le monde physique.
GIF
Mais les opportunités qui attendent de ce volant de données du monde physique sont massives, capables de changer les marchés et auparavant inaccessibles. Les cas d'utilisation les plus intéressants ne consistent pas à rendre les choses difficiles plus faciles, mais à permettre des perspectives et des actions que nous n'avons jamais pu atteindre.
Des capteurs sur chaque poteau électrique, par exemple, permettront une observabilité des infrastructures auparavant impossible car les batteries devaient être changées tous les 6 mois, ce qui rendait l'entreprise trop coûteuse. Maintenant, avec des batteries qui peuvent durer 10 ans, une connaissance approfondie de nos infrastructures sera non seulement abordable, mais réalisable. Des modèles capables à la fois de prendre les entrées des capteurs provenant de sources extrêmement variées dans le monde qui nous entoure et de les synthétiser ensemble et de donner un sens au bruit nous donneront une compréhension de nos modèles météorologiques avec une granularité et une précision que nous n'avons jamais eues, l'étape la plus critique pour éventuellement pouvoir les modifier. Le transport autonome (rendu possible grâce aux capteurs) est rapidement en route pour créer une capacité sans précédent à déplacer des personnes et des marchandises dans une structure de coûts complètement nouvelle. Nous pouvons désormais comprendre nos océans et ainsi acquérir de nouvelles connaissances sur la façon de défendre nos terres, de naviguer nos navires et de maintenir notre planète.
Il existe une opportunité massive de réinventer chaque couche de la pile du monde physique. Nous avons investi de manière significative à travers elle à chaque niveau et continuerons à le faire (avec plusieurs investissements non annoncés que nous sommes impatients de partager bientôt.) Generalist construit des modèles de base qui donnent aux robots une dextérité générale, la capacité d'effectuer les tâches que nous voulons réellement accomplir. Tutor Intelligence exécute la boucle complète du déploiement des robots à travers la collecte de données et l'amélioration des modèles, permettant aux robots de devenir rapidement productifs en quelques jours plutôt qu'une intégration de six mois (et alimente ensuite ces données dans son propre modèle pour s'améliorer continuellement.) Sofar Ocean tire parti de la prolifération massive de capteurs pour fournir une infrastructure pour les réseaux logiciels propriétaires et tiers par-dessus. Viam se situe entre les deux, en tant que couche d'exploitation pour les données, l'IA et l'automatisation à travers des flottes d'appareils. Efficient Computer est à la base, construisant du silicium suffisamment efficace pour rendre de nouveaux cas d'utilisation économiques à la périphérie.
Les effets de second ordre sont également significatifs. Une fois que vous pouvez capturer et agir sur les données du monde physique à grande échelle, vous pouvez gérer des usines beaucoup plus efficaces grâce à l'automatisation et aux systèmes d'exploitation agentiques, par exemple, ce que fait Isembard. Et, bien sûr, il y a le besoin dramatique d'énergie et de puissance accrues sous cette couche, permettant ce niveau de calcul et tous les intrants requis (centres de données plus efficaces, batteries abondantes et plus sûres, nouveaux formats de génération à grande échelle et propre, etc.)
La carte de marché ci-dessous illustre la pile explorant et agissant sur notre monde physique.
Nous en sommes très tôt. La plupart de ces ensembles de données sont à peine exploités, et la plupart des produits qui fonctionneront sur eux n'existent pas encore. Les trouver, les atteindre et les mettre au travail changera notre façon d'interagir avec le monde physique. Nous voulons explorer la totalité de cette frontière avec les fondateurs qui s'y dirigent.
Un grand merci à @km @joshgruenstein @alexiskold @nbt @chadbyers @html_tina et Brandon Lucia pour avoir affiné notre réflexion sur cet article.
