Dữ liệu tại biên

Nhiều tập dữ liệu quan trọng nhất lại là những thứ mà từ lâu chúng ta không thể truy cập hoặc giải thích được.

Giá trị trên internet phần lớn được tích lũy thông qua các vòng lặp dữ liệu, thứ liên tục được củng cố khi quy mô mở rộng. Một sản phẩm hoặc nền tảng thu thập dữ liệu, dữ liệu đó làm cho sản phẩm tốt hơn, và sản phẩm tốt hơn đó lại có quyền thu thập nhiều dữ liệu hơn nữa. Vòng lặp tự cải thiện này nằm bên dưới hầu hết các doanh nghiệp phần mềm bền vững và đã là một trụ cột quan trọng trong luận điểm về hiệu ứng mạng lưới của USV kể từ khi Andy viết về cách nó nằm bên dưới các hiệu ứng mạng lưới ở lớp ứng dụng vào năm 2015.

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

Ngày nay, điều này đúng hơn bao giờ hết. Trong kỷ nguyên AI, dữ liệu là đồng tiền tối thượng. Các phòng thí nghiệm đang chi tiêu mạnh tay cho nó và các công ty như Mercor đang trên đà đạt doanh thu hàng tỷ đô la.

Rào cản đối với hiệu ứng mạng lưới dữ liệu luôn là phạm vi và tầm với – dữ liệu nào nằm trong tầm ngắm và dữ liệu nào ở ngoài. Dữ liệu mà phần mềm có thể thu thập được là dễ tiếp cận nhất vì phần lớn dữ liệu bên ngoài phần mềm (môi trường xung quanh chúng ta, thế giới vật chất, cơ thể con người) quá đắt đỏ và khó khăn để thu thập, quá khó để xử lý, và do đó không thể tiếp cận được.

Giờ đây, sự hội tụ của các thế lực mạnh mẽ đang đảo ngược tình thế này. Trí thông minh trở nên dồi dào và chi phí ngày càng giảm. Các mô hình có thể xử lý nhanh chóng ngay cả những đầu vào hỗn độn, phi cấu trúc nhất mà phần mềm từng quá khó khăn để xử lý. Chi phí và thời gian để xây dựng phần cứng đã giảm nhanh chóng. Và chúng ta đang trải nghiệm sự bùng nổ của khả năng quan sát – thông qua các cảm biến, vệ tinh, camera ngày càng rẻ và phổ biến – giúp việc thu thập dữ liệu từ thế giới xung quanh trở nên khả thi hơn bao giờ hết. Nhìn chung, khả năng thu thập, xử lý ngay lập tức và thông minh, và xây dựng dựa trên những đầu vào này theo những cách chưa từng có cho phép các vòng lặp dữ liệu hình thành ở những nơi hoàn toàn tăm tối chỉ vài năm trước. Đây không phải là AI mang lại hiệu quả cho các thị trường hiện có; mà là một tập hợp hoàn toàn mới các cơ hội.

Có rất nhiều ví dụ về nơi điều này đang diễn ra. Hội thoại xung quanh là một ví dụ. Chúng ta đã có thể ghi lại giọng nói trong một thế kỷ nhưng giờ đây khả năng phiên âm, cấu trúc hóa và hành động dựa trên nó đã biến nó thành một tập dữ liệu tiện ích. Điều đó khai sinh ra các cơ hội theo chiều dọc như Abridge để tận dụng tập dữ liệu đó và xây dựng các ứng dụng biến đổi cách thức vận hành của các thị trường cụ thể hoặc Granola để tạo ra cơ sở hạ tầng và công cụ theo chiều ngang. Việc ghi âm chưa bao giờ là phần khó nhưng việc xử lý và tạo ra sản phẩm trước đây là không thể.

Cơ thể con người là một ví dụ khác. Chi phí xét nghiệm đang giảm mạnh, khả năng giải thích kết quả đang được cải thiện, và việc cá nhân hóa một chương trình dựa trên dữ liệu ngày càng khả thi. Cơ thể trở nên vừa có thể tiếp cận vừa hữu ích như một nguồn dữ liệu.

Nhưng có lẽ cơ hội lớn nhất ở đây là thế giới vật chất.

Thế giới vật chất chứa đựng một lượng dữ liệu khổng lồ mà từ lâu hoặc là nằm ngoài tầm với để thu thập hoặc quá hỗn độn để xử lý, nhưng lại rất cần thiết cho tự động hóa, tối ưu hóa và hiểu biết. Giờ đây, các cảm biến đang gia tăng, robot ngày càng có khả năng cao hơn và rẻ hơn, và việc xử lý dữ liệu hỗn độn một cách nhanh chóng là điều khả thi. Các mô hình để huấn luyện robot thực hiện các nhiệm vụ ngày càng khó khăn đang được cải thiện với tốc độ nhanh chóng và hấp thụ nhiều dữ liệu hơn bao giờ hết. Chúng ta đang thấy những gì có thể trong thế giới vật chất chuyển từ thử nghiệm sang thương mại hóa. Vòng lặp dữ liệu đó đặc biệt mạnh mẽ ở đây. Nhiều lần triển khai hơn tạo ra nhiều dữ liệu thế giới thực hơn, dữ liệu tốt hơn làm cho các mô hình tốt hơn, và các mô hình tốt hơn làm cho lần triển khai tiếp theo nhanh hơn và rẻ hơn lần trước.

Việc xây dựng vào những cơ hội này trong thế giới vật chất vừa rất sớm vừa rất khó, với bánh đà dữ liệu chỉ mới bắt đầu xuất hiện. Trong bánh đà phần mềm, chúng ta mới chỉ bắt đầu thấy những tiến bộ vượt bậc từ việc học (sử dụng dữ liệu để huấn luyện mô hình) sang học tăng cường (xác định các hàm phần thưởng để hệ thống có thể học hành động nào dẫn đến kết quả tốt hơn thông qua tương tác) sang học liên tục (cho phép các mô hình tiếp tục cải thiện khi dữ liệu mới đến.) Trong thế giới vật chất, chúng ta mới chỉ bắt đầu chạm đến bề mặt của việc học tăng cường có thể xảy ra khi robot tương tác với thế giới vật chất.

GIF

Nhưng những cơ hội đang chờ đợi từ bánh đà dữ liệu thế giới vật chất này là rất lớn, có khả năng thay đổi thị trường và trước đây không thể với tới. Các trường hợp sử dụng thú vị nhất không phải là làm cho những việc khó trở nên dễ dàng hơn mà là cho phép có được cái nhìn sâu sắc và hành động mà chúng ta chưa bao giờ có thể đạt được.

Ví dụ, các cảm biến trên mọi cột điện sẽ cho phép khả năng quan sát cơ sở hạ tầng mà trước đây là không thể vì pin phải được thay sau mỗi 6 tháng, khiến cho việc bắt tay vào làm trở nên quá đắt đỏ. Giờ đây, với pin có thể kéo dài 10 năm, kiến thức sâu sắc về cơ sở hạ tầng của chúng ta sẽ không chỉ phải chăng mà còn khả thi. Các mô hình có thể vừa nhận đầu vào từ cảm biến từ vô số nguồn khác nhau trong thế giới xung quanh chúng ta, vừa tổng hợp chúng lại và hiểu được tiếng ồn sẽ cho chúng ta hiểu biết về các mô hình thời tiết với mức độ chi tiết và chính xác chưa từng có, bước quan trọng nhất để cuối cùng có thể thay đổi chúng. Vận tải tự hành (có thể thực hiện được nhờ cảm biến) đang nhanh chóng tạo ra khả năng chưa từng có để di chuyển người và hàng hóa với một cấu trúc chi phí hoàn toàn mới. Giờ đây chúng ta có thể hiểu về các đại dương của mình và từ đó có được kiến thức mới về cách bảo vệ đất đai, điều hướng tàu thuyền và duy trì hành tinh của chúng ta.

Có một cơ hội lớn để phát minh lại mọi lớp của ngăn xếp thế giới vật chất. Chúng tôi đã và đang đầu tư đáng kể vào nó ở mọi cấp độ và sẽ tiếp tục làm như vậy (với một số khoản đầu tư chưa được công bố mà chúng tôi rất hào hứng sẽ chia sẻ thêm sớm.) Generalist đang xây dựng các mô hình nền tảng giúp robot có sự khéo léo tổng quát, khả năng thực hiện các nhiệm vụ mà chúng ta thực sự muốn. Tutor Intelligence vận hành toàn bộ vòng lặp triển khai robot thông qua thu thập dữ liệu và cải tiến mô hình, cho phép robot nhanh chóng trở nên hiệu quả trong vài ngày thay vì sáu tháng tích hợp (và sau đó đưa dữ liệu đó trở lại vào mô hình của chính nó để liên tục cải thiện.) Sofar Ocean tận dụng sự gia tăng cảm biến lớn để cung cấp cơ sở hạ tầng cho cả mạng lưới phần mềm tự có và của bên thứ ba bên trên. Viam nằm ở giữa, là lớp vận hành cho dữ liệu, AI và tự động hóa trên các đội thiết bị. Efficient Computer ở lớp nền tảng, xây dựng chip silicon đủ hiệu quả để làm cho các trường hợp sử dụng mới trở nên kinh tế ở biên.

Các hiệu ứng bậc hai cũng rất đáng kể. Một khi bạn có thể thu thập và hành động dựa trên dữ liệu thế giới vật chất ở quy mô lớn, bạn có thể vận hành các nhà máy hiệu quả hơn nhiều thông qua tự động hóa và hệ điều hành tác nhân, ví dụ, đó là những gì Isembard đang làm. Và, tất nhiên, có nhu cầu to lớn về năng lượng và điện năng tăng lên bên dưới lớp này để hỗ trợ mức độ tính toán này và tất cả các đầu vào cần thiết ở đó (các trung tâm dữ liệu hiệu quả hơn, pin dồi dào và an toàn hơn, các định dạng mới của phát điện quy mô lớn và sạch, v.v.)

Bản đồ thị trường dưới đây minh họa cho ngăn xếp đang khám phá và tác động lên thế giới vật chất của chúng ta.

Chúng ta đang ở rất sớm. Hầu hết các tập dữ liệu này hầu như chưa được khai thác, và hầu hết các sản phẩm sẽ chạy trên chúng vẫn chưa tồn tại. Việc tìm ra chúng, tiếp cận chúng và đưa chúng vào hoạt động sẽ thay đổi cách chúng ta tương tác với thế giới vật chất. Chúng tôi muốn khám phá toàn bộ ranh giới đó cùng với những nhà sáng lập đang hướng tới nó.

Cảm ơn rất nhiều đến @km @joshgruenstein @alexiskold @nbt @chadbyers @html_tina và Brandon Lucia đã mài giũa suy nghĩ của chúng tôi cho bài viết này.