Ý tưởng rằng các kết quả huấn luyện tương tự có thể dẫn đến những kết quả rất khác nhau đã cho thấy sự mong manh của các chỉ số đơn lẻ như thế nào Một mô hình có thể trông giống nhau trong quá trình huấn luyện nhưng vẫn hành xử khác biệt trong thực tế Sự hạn chế tương tự lại xuất hiện ở cấp độ hệ thống Việc cải thiện riêng một mô hình không đảm bảo một hệ thống đáng tin cậy Inference AI hiện đại không còn là một bước đơn lẻ mà là một quy trình có cấu trúc Một mô hình nhỏ hơn tạo ra bản nháp một mô hình lớn hơn xác minh chúng và việc chấp nhận phụ thuộc vào mức độ phù hợp giữa chúng Hiệu suất được hình thành bởi sự tương tác này không chỉ bởi sức mạnh của một mô hình duy nhất Tốc độ và độ chính xác có mối liên hệ với nhau Việc tạo nhanh hơn phụ thuộc vào tần suất các bản nháp được chấp nhận và mức độ nhất quán của chúng với mô hình cuối cùng Hiệu quả đến từ sự đồng bộ giữa các thành phần Đồng thời, tính nhất quán nội bộ vẫn là một thách thức Một mô hình có thể tạo ra đầu ra chính xác nhưng vẫn không cập nhật các niềm tin của nó một cách mạch lạc Những gì nó dự đoán cách nó cập nhật và những gì nó cuối cùng thực hiện không phải lúc nào cũng trùng khớp Điều này tạo ra một dạng thất bại khác không phải những lỗi rõ ràng mà là sự không nhất quán giữa các bước Ngoài inference, còn có câu hỏi về tính toán Các tải công việc khác nhau yêu cầu các tài nguyên khác nhau và phân bổ đồng đều dẫn đến lãng phí Việc định tuyến và phân bổ bắt đầu trở nên quan trọng Các yêu cầu cần được ghép nối với loại tính toán phù hợp không chỉ được thực thi ở bất kỳ đâu Trên toàn bộ quá trình này, mô hình rõ ràng: Hiệu suất không còn được định nghĩa bởi một mô hình duy nhất Nó xuất hiện từ cách các bước tạo nháp, xác minh, suy luận và phân bổ kết hợp với nhau Câu hỏi thực sự đã thay đổi không còn là mô hình tốt đến đâu mà là liệu hệ thống có duy trì sự đồng bộ qua từng bước hay không Vì trong AI hiện đại điều quan trọng không chỉ là đầu ra mà là quy trình tạo ra nó @ritualnet