Uç Noktada Veri

En kritik veri kümelerinin çoğu, uzun süredir erişemediğimiz veya yorumlayamadığımız verilerdir.

İnternetteki değer, büyük ölçüde ölçekle birlikte sürekli güçlenen veri döngüleri aracılığıyla birikmiştir. Bir ürün veya platform veri toplar, bu veri o ürünü daha iyi hale getirir ve daha iyi ürün de sırayla daha fazla veri toplama hakkını kazanır. Bu kendini geliştiren döngü, en dayanıklı yazılım işletmelerinin çoğunun temelinde yer alır ve Andy'nin 2015'te uygulama katmanı ağ etkilerinin altında nasıl yattığını yazmasından bu yana USV ağ etkileri tezinin önemli bir ayağı olmuştur.

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

Bugün bu, her zamankinden daha doğru. Yapay zeka çağında veri nihai para birimidir. Laboratuvarlar buna göre harcama yapıyor ve Mercor gibi şirketler milyarlarca dolarlık gelire doğru yarışıyor.

Veri ağ etkisinin önündeki kısıtlama her zaman kapsam ve erişim olmuştur–hangi verinin menzilde olduğu ve hangisinin dışarıda kaldığı. Yazılımın yakalayabildiği veriler en erişilebilir olanlardı çünkü yazılımın dışındaki muazzam miktardaki veri (çevremizdeki ortam, fiziksel dünya, insan vücudu) yakalanması çok pahalı ve zor, işlenmesi çok zor ve bu nedenle erişilemezdi.

Şimdi, güçlü güçlerin bir araya gelmesi bu durumu tersine çeviriyor. Zeka bol ve maliyeti düşüyor. Modeller, yazılım için çok zor olan en dağınık, yapılandırılmamış girdileri bile hızla işleyebiliyor. Donanım oluşturmanın maliyeti ve süresi hızla düştü. Ve giderek daha ucuz ve yaygın hale gelen sensörler, uydular, kameralar vb. aracılığıyla bir gözlemlenebilirlik patlaması yaşıyoruz; bu da etrafımızdaki dünyadan veri yakalamayı her zamankinden daha mümkün kılıyor. Toplamda, bu girdileri benzeri görülmemiş şekillerde toplama, anında ve akıllıca işleme ve üzerine inşa etme yeteneği, birkaç yıl önce tamamen karanlık olan yerlerde veri döngülerinin oluşmasına olanak tanıyor. Bu, yapay zekanın mevcut pazarlara verimlilik getirmesi değil; tamamen yeni bir fırsatlar kümesi.

Bunun devreye girdiği pek çok örnek var. Ortam konuşması bunlardan biri. Bir asırdır konuşmayı kaydedebiliyoruz ancak şimdi onu yazıya dökme, yapılandırma ve ona göre hareket etme yeteneğimiz onu kullanışlı bir veri kümesine dönüştürdü. Bu, belirli pazarların nasıl işlediğini dönüştüren uygulamalar oluşturmak için bu veri kümesini alan Abridge gibi dikey fırsatları veya yatay altyapı ve araçlar oluşturan Granola'yı doğuruyor. Kayıt hiçbir zaman zor kısım olmadı ancak işleme ve ürünleştirme daha önce mümkün değildi.

İnsan vücudu bir diğer örnek. Test maliyeti düşüyor, sonuçları yorumlama yeteneği gelişiyor ve verilerin üzerine kişiselleştirilmiş bir program oluşturmak giderek daha mümkün hale geliyor. Vücut, bir veri kaynağı olarak hem ulaşılabilir hem de kullanışlı hale geliyor.

Ancak belki de buradaki en büyük fırsat fiziksel dünyadır.

Fiziksel dünya, otomasyon, optimizasyon ve anlayış için gerekli olan ancak ya toplanması imkansız ya da işlenmesi çok dağınık olan muazzam miktarda veri barındırır. Artık sensörler çoğalıyor, robotlar daha yetenekli ve daha ucuz hale geliyor ve dağınık verileri hızlı bir şekilde işlemek mümkün. Giderek daha zorlu görevlerde robotları eğitmek için kullanılan modeller hızla gelişiyor ve bunu yapmak için her zamankinden daha fazla veri çekiyor. Fiziksel dünyada mümkün olanın deneyden ticarileşmeye geçişini görüyoruz. Veri döngüsü burada özellikle güçlü. Daha fazla dağıtım daha fazla gerçek dünya verisi üretir, daha iyi veri modelleri daha iyi hale getirir ve daha iyi modeller bir sonraki dağıtımı bir öncekinden daha hızlı ve daha ucuz hale getirir.

Fiziksel dünyadaki bu fırsatlara yatırım yapmak hem çok erken hem de çok zor; veri çarkı daha yeni oluşmaya başlıyor. Yazılım çarkı içinde, öğrenmeden (bir modeli eğitmek için veri kullanma) pekiştirmeli öğrenmeye (sistemin etkileşim yoluyla hangi eylemlerin daha iyi sonuçlara yol açtığını öğrenebilmesi için ödül fonksiyonları tanımlama) ve sürekli öğrenmeye (yeni veriler geldikçe modellerin gelişmeye devam etmesine izin verme) doğru büyük bir ilerleme görmeye yeni başlıyoruz. Fiziksel dünyada, robotlar fiziksel dünyayla etkileşime girdiğinde gerçekleşebilecek pekiştirmeli öğrenmenin yüzeyini daha yeni çizmeye başlıyoruz.

GIF

Ancak bu fiziksel dünya veri çarkından bizi bekleyen fırsatlar muazzam, pazar değiştirici ve daha önce ulaşılamaz. En ilginç kullanım alanları zor şeyleri kolaylaştırmak değil, daha önce hiç başaramadığımız içgörü ve eylemi mümkün kılmaktır.

Örneğin, her elektrik direğindeki sensörler, daha önce imkansız olan altyapı gözlemlenebilirliğine olanak tanıyacak çünkü pillerin her 6 ayda bir değiştirilmesi gerekiyordu ve bu da bu işe girişmeyi maliyet açısından engelliyordu. Şimdi, 10 yıl dayanabilen pillerle, altyapımız hakkında derinlemesine bilgi sahibi olmak sadece uygun fiyatlı olmakla kalmayacak, aynı zamanda ulaşılabilir olacak. Çevremizdeki dünyadaki son derece çeşitli kaynaklardan sensör girdilerini alabilen ve ayrıca bunları sentezleyip gürültüyü anlamlandırabilen modeller, hava durumu modellerimizi daha önce hiç sahip olmadığımız bir ayrıntı ve doğrulukla anlamamızı sağlayacak; bu da sonunda onları değiştirebilmek için en kritik adım. (Sensörler sayesinde mümkün olan) otonom ulaşım, insanları ve malları tamamen yeni bir maliyet yapısıyla taşıma konusunda benzeri görülmemiş bir yetenek yaratma yolunda hızla ilerliyor. Artık okyanuslarımızı anlayabiliyor ve böylece topraklarımızı nasıl savunacağımız, gemilerimizi nasıl yönlendireceğimiz ve gezegenimizi nasıl koruyacağımız konusunda yeni bilgiler edinebiliyoruz.

Fiziksel dünya yığınının her katmanını yeniden icat etmek için büyük bir fırsat var. Her seviyede buna önemli ölçüde yatırım yapıyoruz ve yapmaya devam edeceğiz (yakında paylaşmak için heyecan duyduğumuz birkaç duyurulmamış yatırımla birlikte.) Generalist, robotlara genel el becerisi, yani gerçekten yapılmasını istediğimiz görevleri yerine getirme yeteneği kazandıran temel modeller oluşturuyor. Tutor Intelligence, robot dağıtımının tüm döngüsünü veri toplama ve model iyileştirme yoluyla yürüterek robotların altı aylık bir entegrasyon yerine günler içinde üretken hale gelmesini sağlıyor (ve ardından bu verileri sürekli iyileştirme için kendi modeline geri besliyor.) Sofar Ocean, üstteki hem sahip olunan hem de üçüncü taraf yazılım ağları için altyapı sağlamak üzere büyük sensör yayılımından yararlanıyor. Viam, cihaz filoları genelinde veri, yapay zeka ve otomasyon için işletim katmanı olarak arada yer alıyor. Efficient Computer ise temelde, uçta yeni kullanım alanlarını ekonomik hale getirecek kadar verimli silikonlar inşa ediyor.

İkinci dereceden etkiler de önemli. Fiziksel dünya verilerini büyük ölçekte yakalayıp ona göre hareket edebildiğinizde, örneğin otomasyon ve aracı işletim sistemleri aracılığıyla çok daha verimli fabrikalar işletebilirsiniz; Isembard da tam olarak bunu yapıyor. Ve elbette, bu katmanın altında bu düzeyde hesaplama ve gereken tüm girdileri mümkün kılan artan enerji ve güce yönelik çarpıcı bir ihtiyaç var (daha verimli veri merkezleri, bol ve daha güvenli piller, ölçeklenebilir ve temiz üretimin yeni biçimleri vb.)

Aşağıdaki pazar haritası, fiziksel dünyamızı keşfeden ve ona göre hareket eden yığını göstermektedir.

Çok erken aşamadayız. Bu veri kümelerinin çoğuna henüz dokunulmadı ve bunların üzerinde çalışacak ürünlerin çoğu henüz mevcut değil. Onları bulmak, onlara ulaşmak ve onları çalıştırmak, fiziksel dünyayla etkileşim şeklimizi değiştirecek. Bu sınırın tamamını, ona doğru koşan kurucularla birlikte keşfetmek istiyoruz.

Bu yazıdaki düşüncelerimizi keskinleştirdikleri için @km @joshgruenstein @alexiskold @nbt @chadbyers @html_tina ve Brandon Lucia'ya büyük teşekkürler.