Baas van non-profitorganisatie voor AI zegt dat 'gesloten aard' van meeste AI-onderzoek innovatie belemmert

Een jaar voordat Elon Musk OpenAI in San Francisco oprichtte, had Paul Allen, medeoprichter van Microsoft, al een non-profitorganisatie opgericht die onderzoek deed naar kunstmatige intelligentie in Seattle.

Het Allen Institute for Artificial Intelligence (Ai2) wilde AI bevorderen ten behoeve van de mensheid. Meer dan tien jaar later is Ai2 misschien niet zo bekend als OpenAI, de makers van ChatGPT, maar het streeft nog steeds naar "high-impact" AI, zoals voorgesteld door de heer Allen, die in 2018 overleed.

Het nieuwste AI-model van Ai2, Tulu 3 405B, kan wedijveren met die van OpenAI en China's DeepSeek in verschillende benchmarks. In tegenstelling tot OpenAI beweert Ai2 "echt open" AI-systemen te ontwikkelen waar anderen op kunnen voortbouwen. Sinds 2023 leidt de CEO van Ai2, Ali Farhadi, het instituut na een periode bij Apple.

Hij zei: "Onze missie is om AI-innovatie en doorbraken te stimuleren om enkele van de meest urgente problemen van de mensheid op te lossen. De grootste bedreiging voor AI-innovatie is de gesloten aard van de praktijk. We hebben heel sterk gestreefd naar openheid. Denk aan open-source software: het kernidee is dat ik moet kunnen begrijpen wat je hebt gedaan, het moet kunnen aanpassen, ervan moet kunnen afsplitsen, een deel ervan, de helft ervan of alles ervan moet kunnen gebruiken. En als ik eenmaal iets heb gebouwd, zet ik het op de markt en jij zou hetzelfde moeten kunnen doen."

Het debat over open-source AI is momenteel een hot topic. Voor ons betekent open-source dat je een duidelijk begrip hebt van je acties. Hoewel open weights-modellen zoals die van Meta nuttig zijn omdat mensen die weights gewoon kunnen nemen en verder kunnen gaan, kwalificeren ze niet als open source.

Open source impliceert toegang tot elk stukje van de puzzel. Als ik zou speculeren, zou een deel van de trainingsdata voor deze modellen twijfelachtig materiaal kunnen bevatten. De trainingsdata, wat het daadwerkelijke IP is, is echter waarschijnlijk het meest waardevolle deel. Velen geloven dat het een aanzienlijke waarde heeft, en ik ben het daarmee eens.

Data speelt een cruciale rol bij het verbeteren van uw model en het veranderen van het gedrag ervan. Het is een arbeidsintensief en uitdagend proces. Talrijke bedrijven investeren zwaar in dit gebied en zijn terughoudend om hun bevindingen te delen. Naarmate AI volwassener wordt, denk ik dat het zich voorbereidt om serieus te worden genomen in kritieke probleemdomeinen zoals wetenschappelijke ontdekkingen.

Een groot deel van sommige disciplines omvat een complexe zoektocht naar oplossingen - of dat nu een genstructuur, een celstructuur of specifieke configuraties van elementen is. Veel van deze problemen kunnen computationeel worden geformuleerd. Er is een limiet aan wat je kunt bereiken door simpelweg een model te downloaden dat is getraind op tekstgegevens van internet en het te verfijnen. Ons doel is om wetenschappers in staat te stellen hun eigen modellen te trainen.