Sa likod ng MiniMax 10x Team, ang industriyal na AI ay hindi nakakatagpo ng teknikal na hadlang, kundi ang tunay na hamon ng mga responsibilidad

May-akda ng artikulo: Yan Jun

Pinagkunan sa: 36氪

Ang layunin: Ang mga malalaking modelo ay lalong mas mahusay sa pagsusulat ng mga sagot, ngunit ang totoong hamon sa industriya ay kung paano gamitin, ipaliwanag, at isagawa ang pananagutan sa mga sagot. Ang kahalagahan ng MiniMax 10x Team ay hindi lamang ang pagkuha ng mga eksperto—kundi ang paghahanap ng mga kumpanya ng modelo para sa isang interface sa hanay ng pananagutan sa industriya.

Noong nakaraang taon, naramdaman ko nang talagang naligaw ako sa sasakyan ng panahon.

Nawala ang pagkakaroon ng pagkakataon at pagkakaintindi sa loob ng dalawampung taon, biglaan. Hindi dahil sa maling ginawa, kundi dahil nagbago ang mundo ng mga patakaran sa pagmamarka.

Ang malalaking modelo, ang Agent, ang AI Coding—isa pag isa. Sa buong mundo, “napapabilis ang efficiency ng sampung beses” “muling istruktura ang industriya.” Sa simula, ako rin ay naiinspire. Pagkatapos, nawala ang pagkainspira, at natira ang isang pakiramdam na walang pagkakabase.

Kaya nagsimula akong magpapabuti. Nagpapabuti sa AI, at sa aking sariling paghuhusga. Hindi ito biglaang pag-ibig sa teknolohiya, kundi dahil naramdaman kong hindi na maaaring manatili sa labas. Hindi ko inaasahan na sa edad kong ito, ay naregistro pa rin ako sa master's degree sa kompyuter, muli kong sinikap ang mga klase at pagbabasa ng mga papel, at pinilit kong maintindihan ang teknolohiya at algoritmo.

Muli at abstrak, at totoo, at masaya pa.

Mas marami kang natututunan habang gumagamit ng AI: nakakasulat ito, nakakalkula, nakakapagsumaryo, at napakadali ito sa pagharap sa mga tanong na malinaw at may malinaw na hangganan. Ngunit sa totoong mundo, maraming problema kung saan ang tanong mismo ay malabo.

Sa bawat pagkakataon na dumating ang totoong panahon para magdesisyon, ang payo ng AI ay palaging—mukhang tama, ngunit walang “pero”.

Wala ang pangungusap: "Hindi tamang panahon ito, ang pagpapalabas ngayon ay gagawing mahirap lahat ng mga bahagi."

Walang ganitong pangungusap: “Isinulat ang panganib na ito para sa pagkakasunod, pero sino ang magdudulot ng responsibilidad kung mangyari ang problema?”

Walang ganitong pangungusap: “Hindi mo dapat isama ang ganitong plano, agad nila malalaman na hindi mo maintindihan sino ang may awtoridad.”

Walang ganitong pangungusap: “Ang pangungusap na ito ay walang problema sa PPT, pero magkakaroon ng problema kapag nasa kontrata na.”

Hindi sinasabi ng AI ang mga ito. Hindi dahil hindi sapat ang kanyang talino, kundi dahil hindi siya kailangang magdala ng mga konsekwensya kung mali ang sinabi.

Kaya sa artikulong ito, hindi natin pag-uusapan kung “babalewalain ba ng AI ang tao.” Gusto kong tanungin muli: Kapag mas mura na ang mga sagot, anong karanasan pa ang may halaga? Kapag kayang gawin ng AI ang mga plano, sino ang magpapasya kung maaari bang ipagawa ang mga plano? Ano ang maaari gawin ng mga taong dating nakabatay sa kanilang karanasan sa totoong mundo para magpasya?

Pagkatapos ay makita ang mensahe ng MiniMax 10x Team, biglang naramdaman ko na ang aking mga paulit-ulit na isinisiwalat na tanong sa loob ng panahong ito ay may realeng pagpapatotoo sa industriya.

Hindi ito bagong modelo, hindi rin pahayag ng pagsasakop. Ayon sa publikong impormasyon, ang MiniMax 10x Team ay nakatuon sa mga eksperto sa mga larangan tulad ng industriyal software, game engine, disenyo ng chip, financial, at pagsasaklaw, at mas malapit sa isang “mechanism ng产业研究合伙人”: ang mga eksperto sa larangan ang nakikilahok sa pagtukoy ng mga problema, pagbuo ng mga pagsusuri at workflow, at pagbabalik ng totoong karanasan sa industriya direktang sa modelo.

Hindi ang kaligayahan ng pangyayaring ito ang dapat tandaan, kundi ang signal na ito ay inilalabas: ang industriyal na AI ay papasok na sa harapan, at hindi sapat ang paggamit ng mas malakas na modelo—kailangan din nito ang pagkonekta sa tunay na depinisyon ng problema, feedback, at chuon ng responsibilidad sa industriya.

Ito ang pagkabroken:

Ang gastos sa pagbuo ng sagot ay mabilis na bumababa. Ang gastos sa pagtanggap, pagpapaliwanag, at pagtanggong pansarili ng sagot ay hindi bumaba ng isang sentimo.

01 Bakit nagtamang sagot ang AI ngunit hindi ito nakalagay sa chain of accountability?

Walang tunay na pagkakakilanlan at walang real na pagkawala ang AI. Hindi ito mawawalan ng kliyente dahil sa isang maling pagtataya, hindi ito haharap sa pagkakasala dahil sa isang maling desisyon, at hindi ito kailangang ipaliwanag sa isang pagpapalit-ulit kung bakit ganun ang kanyang pagtataya noong una.

Walang tunay na pagkawala, hindi ito matututong mag-isip nang “nagkakamali ka lang para maintindihan.”

Kaya ang paghahanap ng mga eksperto sa industriya ay hindi lang para mapuno ang kaalaman, kundi pati na rin upang dalhin ang mga real-world feedback: anong mga tanong ang值得 itanong, anong mga hangganan ang hindi dapat lalabasan, anong mga pagpapasya ang maaaring pumasok sa proseso, at anong mga epekto ay dapat ipaalala nang maaga.

Hindi ang eksperto ang patch ng kaalaman ng AI, kundi ang mga nerve endings nito sa pagsasakatuparan ng industriya.

Noong nakaraan, ikinabigkas ang paggawa ng plano, paggawa ng desisyon, at pagdudugtong ng responsibilidad. Ngayon, pinababa ng malalaking modelo ang bahagi ng “pagsusulat ng sagot,” at ang mga kakayahan na natitira—tulad ng pagpapasya kung maaaring gamitin, ipaliwanag, o isagawa ang responsibilidad sa sagot—ay bumalik sa pagiging mahal.

Tinatawag kong chain of accountability: ang proseso kung saan isang sagot ay lumalakbay mula sa “mukhang tama” patungo sa “may taong may tapang gamitin, ipasa, pirmaan, at magdala ng responsibilidad.” Mas malalim at mas mahirap tapusin ang chain na ito sa mas mataas na halaga, panganib, at regulasyon—tulad ng finansyal, pangkalusugan, legal, industriyal, at pamahalaan.

Nakarating ang malalaking model sa harapan, natutunan kung ano ang pagiging responsable.

02 Apat na live: Kayang gawin ng AI ang lahat nang tama, ngunit bawat hakbang ay nakakapit sa labas ng sagot

Ang problema ay hindi na mali ang AI. Ang problema ay ang sagot ay hindi makakapasok sa chain of accountability.

Live 1: Ang tunay na tanong ng regulasyon ay hindi “Mayroon ka bang halaga?”, kundi “Sino ang hahanapin ko kung mangyari ang isang bagay?”

Isang beses, ang dating employer ay nakakaranas ng mga pagtatagpo sa regulasyon sa maraming lungsod nang sabay-sabay. Ang loob ay naghanda ng maraming materyales: mga datos ng user, mga patunay ng pagkakasundo, mga legal na kundisyon, mga kontribusyon sa ekonomiya. Kung ibibigay sa malaking modelo ngayon, siguradong makasusulat ito nang maganda—pagpapabago sa teknolohiya, epekto ng lungsod, pagpapalabas ng sosyal na halaga ng platform na ekonomiya.

Tama lahat ng mga iyon. Ngunit sa iskener na iyon, hindi sila mahalaga.

Hindi nag-aalala ang mga ahensya ng regulasyon at pagsasakdal sa mga pahayag ng komersyal na halaga. Ang tanging tanong na nais nilang itanong ay: Kung may mangyari sa bagay na ito, kanino ko ito sasalotin? Paano ko ipapaliwanag sa aking mga tagapag-ugnay?

Ang tunay na pag-aalala ng gobyerno ay: Ano ang gagawin kung mangyayari ang isang mass incident? Sino ang responsable kung mangyayari ang isang safety incident? Ang platform ay umuunlad nang mabilis, ngunit ang pagpapatupad ng regulasyon ay hindi nakakasabay—sino ang may kasalanan?

Huling gagawin, hindi ang pagpapadala ng higit pang materyales, kundi ang pagbabalik-tanaw sa kapasidad ng platform—ang data ay makakatulong sa pagkilala sa anomaliya, ang mga tala ng order ay makakatulong sa pagtukoy ng responsibilidad, at ang teknikal na sistema ay hindi dapat maging simpleng objekto ng regulasyon, kundi maging kasangkapan din sa regulasyon.

Saan pa man, makikita ng kabilang panig ang isang interface: kung may mangyari, alam kong sino ang dapat kong hanapin. Kung may problema, alam kong paano ito i-check. Kung kailangan kong mag-report, alam kong paano ito ipaliwanag.

Ang AI ay maaaring ayusin ang mga materyales nang walang kalugian. Ngunit hindi nito alam kung saan ang interface, at bakit iyon ang tunay na pangunahing punto ng buong komunikasyon.

Hindi ito isyu sa materyal. Ito ay isyu sa interface ng regulasyon.

Pangalawang lugar: Ang pagpapalakas ng reporma ay hindi nakasalalay lamang sa plano, kundi sa kung mayroon ba o hindi bawat tao sa likod nila

Isang beses, sumali sa isang kompetisyon para sa isang lokal na pagsusulit sa pagpapabago. Mas malakas ang pondo ng kanilang kalaban, mas kumpletong ang kanilang plano, at walang butas ang kanilang lohika. Ngunit natanggal sila.

Sapagkat ang kanilang plano ay naglalabas ng isang pangunahing tanong na hindi nakalista sa anumang pagsusuri: habang ipinapatupad ang reporma, kung may mangyari, kayo ba lahat ay makakahanap ng isang makatotohanang paliwanag?

Hindi pagtatapon ng kasalanan, kundi pagkakaroon ng dignidad.

Maraming reporma ay hindi dahil walang nakakaintindi ng halaga, kundi dahil walang gustong maglakas ng isang hakbang pa para sa isang plano na walang malinaw na pagkakasalalay ng responsibilidad.

Ngunit ang pag-alis lamang ng takot ay hindi sapat. Mas mahalaga na makita ng bawat kalahok kung ano ang kanilang magiging konkretong benepisyo pagkatapos ipagpatuloy ang proseso—hindi ang mga pangkaraniwang salita tulad ng “magkakasama nating ipagpatuloy ang reporma,” kundi ang isang departamento na may karagdagang pilot case na maaaring ipakita sa labas, ang isang ahensya na may karagdagang kilalang resulta sa performance, at ang isang tagapagpaganap na may karagdagang pagkakataon na pag-usapan sa harap ng kanilang tagapag-ugnay.

May problema, hindi ako makakasali sa kaguluhan. Pagkatapos gawin, ano ang mabubuo ko?

Ang pagkakasama ng dalawang pangungusap na ito ay ang tunay na switch ng aksyon.

Hindi nagbabasa ang lokal na pamahalaan ng isang business plan. Ito ay nagtataya: Sino ang magiging lider? Anong ahensya ang magiging kasama? Saan mula sa budget? Paano matutukoy ang mga pamantayan sa pagtataya? Sino ang magpapaliwanag kung may problema?

Hindi ito isyu ng plano. Kundi kung kayang ipaliwanag ng bawat tagapaglahok kung bakit sila nagpapalakas.

Live 3: Kahit gaano pa kumpleto ang BP, hindi ito makakapalit ng pagpapasya sa pagpapatakbo at pagkakaroon ng responsibilidad sa pag-invest.

Isang beses, dinala ng isang entrepreneur ang kanyang proyekto para makasama ang isang pondo. Malinaw ang negosyo modelo, sapat ang sukat ng merkado, at kumpleto ang lahat ng materyales. Ngayon, may AI na, maaaring mabilis na lumikha ng isang kompletong istruktura at kahit may international touch na business plan ang malalaking modelo.

Ngunit ang tunay na pinag-uusapan ng pondo ay hindi kung ang mga materyales ay kompleto.

Noon, binasa ng investor ang ilang pahina at tanong lang siya: “Ang inyong mga kliyente, tunay na pangangailangan ng merkado o mga pilot project mula sa patakaran? Kung wala nang subsidy sa susunod na taon, magpapatuloy pa ba ang mga kliyente sa kanilang subscription?”

Ang pangungusap ay tila nagtatanong sa customer, ngunit tinutukoy nito ang dalawang bagay nang sabay-sabay.

Isang bagay ay ang pagpapasya ng tagapagtaguyod: Alam mo ba talaga kung saan galing ang iyong kita, bakit binabayaran ng mga kliyente, at kung babayaran pa ba nila ito sa susunod na taon. Nagtatagpo ka ba ng panganib, o ginagamit mo ang magagandang materyales upang takpan ang panganib.

Ang isa pang bagay ay ang pagkakasala ng investor: Kung dadalhin ko ang proyektong ito sa investment committee, kayo ba kong maipaliwanag kung ano ang kalidad ng kita, gaano karami ang pagkakadepende sa patakaran, saan matatagpuan ang panganib ng pagpapalit, at ano ang suporta sa path ng paglabas.

Hindi walang sagot sa materyal. Ngunit sa maraming pagkakataon, walang nakakaalam kung aling linya ang tunay na pangunahing tanong ng buong pagpupulong.

Nakikita na ng investor ang iyon noong una. Nais lang niyang malaman: Naisip mo ba talaga ang tanong na ito, o ginagamit mo lang ang isang magandang materyal upang iwasan ang isang sagot na hindi mo rin maunawaan nang maayos.

Hindi ito tungkol sa paghahanap ng mga kakaibang bagay sa materyales, kundi tungkol sa pag-verify kung maaari bang magtataglay ng responsibilidad ang dalawang chulinka: maaari bang magkaroon ng responsibilidad ang founder sa resulta ng operasyon, at maaari bang magkaroon ng responsibilidad ang investor sa kanilang desisyon sa pag-invest.

Ang AI ay maaaring ayusin ang lahat nang walang kapantay. Ngunit hindi ito alam na minsan, ang isang sobrang kompletong materyal ay isang signal lamang: hindi pa handa na tanungin nang totoo.

Hindi ever ang materyales ang pangunahin. Ang tunay na mahalaga ay: kaya bang i-verify ang kalidad ng kita, kaya bang i-explain ang panganib, at kaya bang magkasama ang paggawa ng mga desisyon sa pagpapatakbo at pagkakaroon ng responsibilidad sa pag-invest.

Seksyon 4: Kapag nakapinsala ang transaksyon, ang tunay na konflikto ay hindi nasa mga tuntunin, kundi sa “dalawang sistema ng responsibilidad”.

Isang beses pa, isang tech project ang nasa mesa, at lahat ng partido ay nagsasabing gustong ipagpatuloy. May barrier sa teknolohiya, mabuting kalidad ng kliyente, tapos na ang due diligence, at halos nagkakasundo na sa mga terma. Sa paningin, nasa huling hakbang na lang ang pag-sign.

Ngunit ipinagbawal ang transaksyon na ito nang walang dahilan. Walang sinasabi kung bakit.

Ang RMB fund ay sinasabi: Kailangan namin pang tingnan ang istruktura. Ang USD shareholder ay sinasabi: Kailangan namin i-verify ang mga karapatan sa susunod. Ang founder ay sinasabi: Mayroon pa bang espasyo sa valuation? Lahat ay gumagamit ng mas ligtas na mga salita upang ipahayag ang kanilang tunay na pag-aalala.

Ang renminbi fund ay may mga lokal na layunin sa industriya, mga gawain sa pagpupukaw ng pamumuhunan, mga kinakailangang mag-invest muli, at presyong pagsunod sa pampublikong kapital—kailangan nito na ang kompanya ay maglingkod sa paraan na para sa lokal. Ngunit ang mga dollar shareholder ay hindi dumarating para maglingkod sa lokal; kanilang hinahanap ay ang epekto, paglabas, at DPI.

Ito ay dalawang sistema ng pagkakasangkot, at sa isang kumpanya, ito ay natural na magdudulot ng struktural na tensyon.

Ginawa ito pagkatapos: hindi upang magbigay-daan sa anumang panig, kundi upang muli ay disenyo ang istruktura: ang mga shareholder sa dolyar ay nananatili sa pinakamataas na istruktura, na nagpapanatili ng pangkabuuang fleksibilidad at hindi pinagbabago ang mga path para sa paglabas; ang mga pondo sa RMB ay pumasok sa mga partikular na linya ng negosyo sa pamamagitan ng mga rehiyonal na subsidiary, at ang mga gawain ng pagbabalik na pag-invest at paghikayat sa pamumuhunan ng lokal na pampublikong kapital ay tinatanggapan sa antas ng subsidiary. Dalawang sistema ng lohika, na gumagana sa kanilang sariling antas nang hiwalay at walang pagkakainggit.

Para sa Chinese yuan fund, isang memo na maaaring ilahad sa investment committee—hindi isang patunay na “walang panganib,” kundi upang makatulong sa kanila sagutin: Bakit ko binayaran ito? Ano ang mga panganib na alam ko? Paano kontrolado ang mga panganib na ito?

Para sa mga shareholder sa dolyar, ang integridad ng patakarang pangkalahatan ay panatili, at ang path para lumabas ay hindi nabago.

Walang nagbigay ng pabor. Pero natanggap ng bawat isa ang kanilang tunay na kailangan.

Ang kaluluwa ng negosasyon ay hindi nagpapakumbinsi, kundi isang pagpapalit ng interes.

03 Dalawang pampublikong mensahe: Ang AI ay maaaring magbigay ng tulong, ngunit hindi ito makakatanggap ng pananagutan para sa tao

Tingnan ang apat na sandaling ito, maaaring gawin ng AI ang “tama” lahat: tama ang materyal, kumpleto ang lohika, akma ang mga kundisyon. Ngunit sa bawat pagkakataon, ang totoong hakbang na nagpapagalaw sa bagay, ay nangyari sa labas ng sagot ng AI.

Ito ang tunay na hangganan ng industriyal na AI ngayon: hindi ito sapat na matalino, kundi hindi ito nagdudulot ng mga konsekuensya.

Hindi ito kailangang ipaliwanag sa pagtatapos na pagpupulong tatlong taon mula ngayon, hindi ito kailangang sagutin sa komite ng pag-invest kung bakit ganun ang pagpapasya noon. Ang pagpapasya sa totoong mundo, hindi lamang pagpili ng isang sagot, kundi pagpili ng isang konsekwensya na handa kang tanggapin.

Ang pagpapasya na ginawa pagkatapos ng tatlong segundo ng katahimikan sa meeting room ay hindi dahil hindi kayang kalkulahin ng algorithm. Ito ay dahil hindi pa nito alam kung ano ang tinatakot ng tao sa loob ng tatlong segundo na iyon.

Ang propesyonal na pagpapahayag ay nagsisilbing murang. Ang paghuhusga ng industriya ay hindi.

Ang higit na malinaw na pagtataya sa tanong na ito ay nangyari sa judicial context. Ang pagsasalaysay ng Kataas-taasang Hukuman noong 2026 ay malinaw na binanggit na dapat aktibo at mapagbantayang pag-unlad ang sistema ng pagtutulong sa paglilitis gamit ang artificial intelligence, at panatilihin ang posisyon nito bilang “tutulong,” kung saan ang responsableng partido sa katarungan ay maaaring tanging ang hukom.

Hindi ito pagtutol sa AI, kundi pagtukoy ng lugar nito: maaaring magbigay ng tulong, ngunit hindi maaaring palitan ang taong nagdudulot ng pananagutang hukom.

Isang iba pang kaso ang nangyari sa People's Court ng Tongzhou, Beijing. Sa isang komersyal na pagkakaibigan, ang "mga kaso na ginamit bilang batayan" na isinumite ng tagapag-ugnay ay nilikha ng AI, at sinumite nito nang walang pagsusuri, at hindi tinanggap ng korte at binanggit ang pagkakamali sa desisyon.

Maliit lamang ang kaso, ngunit malinaw.

Hindi lang ang kalidad ng pagbuo ang problema, kundi ang paglilipas ng node ng pag-verify at pagkumpirma. Ang problema ay hindi kung kaya ng AI na isulat ang mga content na tila propesyonal, kundi sino ang nag-verify, sino ang nagsumite, sino ang nag-sign, at sino ang nagdudulot ng konsekwensya bago pumasok ang content na ito sa totoong programa.

04 Sino ang magiging mas mahal? Tatlong uri ng tao, at isang bagong kakayahan

Ang halaga ng mga serbisyo ng nakaraang industriya ay madalas na pinagsama-sama: mga data, mga ugnayan, karanasan, pagpapasya, at responsibilidad, na binabayaran nang isang kabuuan.

Iihiwalay ng AI ang balat na ito.

Ang mga impormasyon ay unang bumababa sa halaga, sumusunod ang mga pagpapahayag, at ang karaniwang pagsusuri ay kumikinabang din. Ang mga pagpapasya na nananatili ay ang mga nakakapasok sa chuva ng responsibilidad.

Ito rin ang aking pag-unawa sa engineering ng pagpapasya.

Hindi ang paggawa ng proyekto ay pagpapadala ng kaalaman sa modelo. Kundi ang paghihiwalay ng “ano ang maaaring ipagkaloob, ano ang hindi maaaring signahan, at ano ang mga panganib na kailangang malinaw na ipaalam sa harap” sa mga pamantayan na maaaring suriin ng sistema at maaaring gamitin ng organisasyon.

Kanina, nakatago ang mga pagpapasyang ito sa intuisyon ng mga karanasan; sa hinaharap, dapat i-decompose sila sa sistema.

Ang likod nito ay isang bagong kakayahan: ang kakayahang baguhin ang pagpapasya bilang isang workflow ng responsibilidad.

Hindi ito simpleng pag-unawa sa industriya o simpleng paggamit ng AI, kundi ang paghahati-hati ng mga hangganan, panganib, kontrabista, mga punto ng responsibilidad, at mga pamantayan sa pagpapatotoo mula sa tunay na mundo sa mga proseso na matututunan ng modelo, maiuulit ng sistema, maiiwan ng organisasyon, at maaaring ipaliwanag kung may problema.

Sa pagtingin sa pahalang na ito, ang tatlong uri ng tao na magiging mas mahal ang kinabukasan ay malamang.

Uri ng una, ang mga kakayahan na makapaghihiwalay ang karanasan sa mga pamantayan.

Hindi lang sabihin na “may karanasan ako,” kundi malinaw na ipaliwanag: ano ang maaaring i-trade, ano ang hindi; ano ang mga panganib na dapat sabihin nang maaga; ano ang plano na maganda sa pagsulat, ngunit magkakaroon ng problema kapag ipinapatupad. Ang mga tao na ito, kung makakadivide ang kanilang karanasan sa mga istandard, kontrabildo, pagsusuri at checklist, magiging mahalagang interface para sa mga modelo sa industriya.

Ikalawang klase, ang mga taong makakaintindi ng maraming sistema ng responsibilidad nang sabay-sabay.

Ang gobyerno, mga pondo sa RMB, mga pondo sa dolyar, at mga kliyente sa industriya, ay may iba’t ibang pagpapaliwanag sa parehong grupo ng katotohanan. Ang mga taong kayang mag-isalin sa pagitan ng mga sistemang ito, ay hindi nagpapadala ng mensahe, kundi nagre-relocate ng responsibilidad.

Ikatlong klase, ang mga kumpanya na makakapag-embed ng pagpapasya sa workflow.

Ang tunay na mahirap palitan ay ang mga sistema na nakapaloob sa proseso ng responsibilidad ng kliyente—ang pagkakaalam kung paano ipapasa ang isang ulat, kung paano i-record ang isang panganib, at kung paano tinatanggap ng organisasyon ang isang pagsusuri sa pagkakasunod.

Hindi ang “kung gaano kalakas ang AI sa pagsulat” ang binabayaran ng customer, kundi: kung kayang bigyan ako ng katotohanang gamitin ito.

Ang halaga ng industriyal na AI: maikling panahon sa mga modelo at kasangkapan, intermediate sa mga vertical Agent, at matagal na panahon sa mga sistema ng workflow na makakapasok sa mga proseso ng responsibilidad ng kliyente.

Ang "pagbuo ng sagot" ay magiging parang tubo at kuryente—mahalaga, ngunit hindi na kompetitibong kapakinabangan. Ang totoong maaaring magdala ng mataas na kita ay ang antas ng workflow ng industriya.

Wakas: Ang ilang segundo ng paghinto, hindi lamang may lohika, kundi may responsibilidad din

Ang totoong tanong ay hindi kung magpapalitan o hindi, kundi kung paano magkakaroon ng muli ng pagkakahati ng mga tungkulin sa pagitan ng tao at AI. Ang AI ay nagbibigay ng bilis, istraktura, at sukat; ang tao naman ay nagbibigay ng kahulugan, hangganan, at responsibilidad. Ang pagkakasama-samang ito ang magpapahintulot na maging totoo ang isang pagdedesisyon mula sa “mukhang tama.”

Hindi nagpapawalang bisa ng tunay na karanasan ang AI. Ito ay nagpupush sa lahat na i-upgrade ang kanilang karanasan.

Ang mga karanasan na nananatiling nasa isip lamang ay mabilis na mawawala; ang mga karanasan na maaaring disekta, ipahayag, patunayan, at i-iterate ay magiging tunay na pagkain para sa pagtutulungan ng tao at makina.

Ang malalaking modelo ay nagpaproseso sa isang mundo na may mga tatak na nakakatigil. Ngunit ang totoong lipunan ay buhay—ito ay bumabalik, bumabawi sa sarili, at nagpapabago sa bawat “tama” na sagot nang maipatupad.

Sa ganitong mundo, hindi sapat na lamang ang pagtrato sa impormasyon. Kailangan mong makapagpansin sa kahulugan—sino ang mahalaga sa bagay na ito, at bakit ito mahalaga. Kailangan mo ring makapagpasya sa halaga—kung worth it ba ang sagot na ito para tanggapin, para pirmaan, para ipagkatiwala.

Ang pagkakaroon ng ganitong pag-unawa ay hindi galing sa pagkalkula sa datos. Ito ay galing sa paulit-ulit na pagsubok, pagharap sa mga epekto, at pag-realign sa loob ng industriyal na kapaligiran.

Kaya, kahit pa mas lumalakas ang modelo, kailangan pa rin ito ng tao na sasabihin sa kanya: Ano ang tunay na mahalaga sa field ng industriya.

Hindi ito pagpapadala ng kaalaman, kundi pagsasalin ng kahulugan at halaga. Ang mga taong nagsagawa ng desisyon sa lugar, tinanggap ang responsibilidad, at nakaranas ng mga pagkakamali, hindi lamang pinagmumulan ng kaalaman ng AI, kundi ang kanilang interface sa tunay na mundo.

Hindi lamang para sa mga propesyonal sa AI ang artikulong ito. Kundi para sa lahat ng nagsasagawa pa rin ng pagdedesisyon sa totoong mundo, nagkakaroon ng mga pagkakamali, at nagdadasal ng responsibilidad.

Ang mga karanasan na ito, maaaring mahirap isulat sa resume, at mahirap maintindihan ng modelo nang direkta. Pero sila ang eksaktong interface na kulang sa pagpasok ng industry AI sa totoong mundo.

Lalaking mas malakas at mas mabilis ang mga malalaking modelo. Ngunit sa harapan, hindi magkakaroon ng awtomatikong paggalaw ang totoong mundo dahil isang sagot ay lohikal. Magkakaroon ito ng feedback, babalik-tanaw, at gagawin nito na bawat desisyon ay may kaukulang konsekwensya.

May mga tao pa ring huminto ng ilang segundo bago pindutin ang pagpapatunay.

Sa ilang mga segundo, hindi lang ang lohika.

Mayroon pa rin na responsibilidad.