DApp Store | Hub Web3 pour les événements et les jeux

Rubriques tendance

Sam Lehman

Investisseurs @SymbolicVC & @0xbeaconcom | Co-fondateur de @0xmitharvard | @MIT Alun

TL a été tous les environnements RL ces dernières semaines. @willccbb et @PrimeIntellect font un travail incroyable en construisant une plateforme pour des environnements ouverts (en accès bêta en ce moment). J'ai écrit et parlé un peu de cela auparavant, mais je réitère que la collaboration open source sur les environnements va être un énorme déblocage pour générer des modèles de raisonnement open-source SOTA. Bonne chance à l'équipe PI🫡

Je vais avouer que j'ai une mission très spécifique en tête avec ce projet. Le déploiement semi-vague de la version bêta privée en fait partie. L'ensemble des tâches que nous sourçons en fait partie. Les primes GPU en font partie. Les shitposts en font partie. Les podcasts en font partie. L'impact mental est crucial ici. Laissez-moi expliquer. Actuellement, beaucoup de discussions autour des environnements RL se concentrent sur cette nouvelle vague de startups dont le modèle commercial consiste à construire et vendre des environnements à un très petit nombre de grands laboratoires sur une base exclusive. Mechanize est le plus bruyant, mais il y en a plusieurs. Au lieu de dépenser pour des échantillons d'instruction et des annotations, les laboratoires sont désireux d'acheter des environnements privés comme leur prochaine grande ressource consommable pour l'entraînement des modèles. Ce phénomène représente à la fois un risque sérieux pour la perspective que les modèles open-source restent compétitifs, ainsi qu'une grande opportunité de faire pencher la balance si nous pouvons déplacer le centre de gravité. Si de bons environnements sont tous chers et cachés, les modèles open-source seront encore plus à la traîne. C'est essentiellement ce qui s'est passé avec les données de pré-entraînement. Mais si un écosystème suffisamment robuste d'outils open-source pour les environnements et l'entraînement peut émerger, alors l'option open-source peut également être à la pointe de la technologie. C'est plus ou moins ce qui s'est passé avec Pytorch. Faire pencher la balance ici est mon objectif. Notre objectif. J'ai rejoint Prime Intellect parce que tout le monde était incroyablement talentueux, était sérieusement engagé dans la mission de l'AGI open-source pour tous et n'avait pas peur de le dire, et parce que l'équipe avait un avantage structurel unique qui signifiait que nous pouvions réellement prendre de vrais risques. Nous vendons de la puissance de calcul. Nous construisons des infrastructures pour améliorer ce que vous pouvez faire avec cette puissance de calcul. Nous faisons des recherches sur la manière de faire interopérer cette puissance de calcul de nouvelles manières. Nous formons des modèles plus grands et meilleurs. Nous avons les bons incitatifs pour faire le travail difficile et nécessaire. Ces éléments sont tous connectés. Nous ne pouvons pas le faire seuls. Personne ne le peut. Cela nécessitera des startups, des entreprises, des étudiants et des professeurs du monde entier. La recherche ouverte n'a actuellement pas les outils pour étudier les questions que les grands laboratoires ont jugées les plus cruciales pour le progrès futur. Nous devons trouver un moyen de construire ces outils. Nous essayons de rendre cela plus facile. Nous devons tous nous améliorer dans notre capacité à travailler ensemble, à ne pas réinventer la roue, à assembler des pièces individuelles en plus grands puzzles. Prenons ce que nous avons collectivement fait jusqu'à présent, nettoyons-le, faisons-le fonctionner ensemble, faisons entrer plus de gens sous la tente, et commençons à jouer à des jeux à somme positive. Si nous ne trouvons pas de meilleures façons de travailler ensemble, nous nous dirigeons vers un avenir de l'IA où nous ne saurons collectivement *même pas ce que sont ces modèles*, parce que le rideau n'est jamais levé, et tout ce que nous pouvons réellement voir n'est qu'un jouet. Il existe un autre type d'entreprise que vous pourriez construire dans cet espace ; une qui vous permettrait toujours de vendre aux grands laboratoires, mais pas exclusivement ; une qui vous permettrait toujours d'avoir vos secrets commerciaux et d'imprimer un ARR intéressant, mais qui ne nous rend pas collectivement moins informés sur l'avenir que nous construisons. Browserbase. Cursor. Exa. Modal. Morph. Et d'innombrables autres. Faisons plus de ces choses. Vous pouvez construire une grande entreprise en créant des outils puissants et des harnais pour des agents qui reflètent les tâches à haute valeur ajoutée que les gens veulent que les modèles accomplissent réellement. Ayez des éléments qui sont ouverts à essayer librement, et des éléments qui sont hébergés derrière une API. Facturez par utilisation avec certaines fonctionnalités premium pour les entreprises. Construisez le meilleur clone d'Excel en forme de LLM, ou clone de Figma, ou clone de TurboTax. Modifiez-le juste assez pour éviter un procès, puis laissez les clients privés voir la version plus robuste face aux poursuites. Profitez d'une saine concurrence dans l'arène, et trouvez des moyens de vous associer là où cela compte. Trouvez votre angle et soyez si bon que vous puissiez vendre à tout le monde, que ce soit pour RL ou pour une utilisation réelle. Atteignez une masse critique et soyez si abordable qu'il ne vaut pas la peine pour quiconque d'essayer de reconstruire ce que vous avez déjà fait. C'est la chronologie dans laquelle j'espère que nous finirons. C'est un monde où les grands laboratoires peuvent tous encore bien fonctionner, et offriront probablement les moyens les plus simples de dépenser un peu plus pour obtenir de meilleures performances générales. Mais c'est aussi un monde où les modèles open-source ne sont pas loin derrière, et tout le monde qui se soucie suffisamment peut essentiellement voir ce qui se passe et comprendre comment les modèles que nous utilisons sont réellement entraînés. Si vous envisagez de créer ou de rejoindre une entreprise axée sur les environnements RL, je vous encourage à réfléchir à la chronologie sur laquelle vous pariez implicitement, et à réfléchir à ce que vous en pensez.

Sam Lehman a reposté

Je suis reconnaissant de partager que je me joins à @psdnai en tant que membre fondateur et vice-président de la stratégie et des opérations. Nous annonçons un tour de table de 15 millions de dollars mené par @a16zcrypto et une incubation par @StoryProtocol pour construire la couche de données pour l’IA, conçue pour le monde réel. Il y a 3 courses compétitives dans l’IA : les modèles, le calcul et les données. La plupart des architectures de modèles sont open source et rapidement répliquées, ce qui réduit leur avantage concurrentiel. La demi-vie de l’innovation au niveau du modèle est de plus en plus courte. Le calcul est un monopole : l’accès au GPU est contrôlé par quelques opérateurs historiques comme Nvidia, ce qui fait de l’échelle une fonction du capital. La couche de données est grande ouverte, et c’est l’élément le plus précieux de la pile d’IA qui n’a pas encore été résolu. Mon parcours ici a suivi une ligne directrice cohérente : comment les technologies émergentes comme la blockchain et l’IA remodèlent la coordination et la création de valeur. À Harvard, j’ai participé au lancement et co-dirigé le Crypto Lab avec @skominers, où j’ai étudié comment les blockchains et les places de marché peuvent remodeler les industries. Chez @StoryProtocol, j’ai travaillé en tant que responsable des projets spéciaux, principalement axés sur l’intersection de l’IA et de la propriété intellectuelle. Il s’agissait notamment d’organiser des conversations avec des leaders de l’IA, de rédiger des recherches approfondies sur l’IA x Crypto (H/T à @svenwelly pour la collaboration) et d’incubations d’IA. Parallèlement, j’ai passé les dernières années à écrire, conseiller et aider à lancer des entreprises à la frontière de l’IA, de la crypto et de la propriété intellectuelle numérique. Au cours des derniers mois, j’ai eu le plaisir de travailler avec @SPChinchali et @sarickshah pour explorer des idées en IA. Nous avons suivi une approche très 0 à 1, en discutant avec quelques dizaines d’entreprises d’IA de premier plan pour comprendre où elles se trouvaient en situation de goulot d’étranglement. À maintes reprises, nous avons entendu dire qu’ils n’étaient pas bloqués au niveau de l’architecture du modèle ou de la couche de calcul, mais que les données s’épuisaient dans le puits d’Internet. Ce qui reste n’offre plus d’avantage concurrentiel car tout le monde y a accès. Ce dont ils avaient besoin à la place, c’était de données de longue traîne / difficiles à obtenir qui étaient idéalement créées pour leur cas d’utilisation. Des données telles que des personnes effectuant des tâches courantes à la première personne, ou des personnes lisant des transcriptions dans des dialectes qui n’étaient pas facilement disponibles. Plus important encore, ils veulent que les données soient approuvées par la propriété intellectuelle afin de pouvoir commercialiser légitimement tout ce qu’ils construisent en aval. La couche de données de l’IA est un jeu de coordination : comment faire correspondre l’offre et la demande pour que tout le monde soit satisfait ? Poséidon est la réalisation la plus concrète de ces besoins qui relie les points : → données sont de l’IP → IP a besoin d’une infrastructure (indice @StoryProtocol) → L’infrastructure doit travailler pour, et non contre, l’IA (indice @psdnai) Poséidon vise à : (1) créer une couche de données qui coordonne l’offre et la demande de données (2) enchâsser les droits sur ces données sur Story L1 en tant qu’IP programmable afin que les systèmes d’IA puissent légitimement les utiliser Poseidon n’est possible que sur la blockchain IP de Story. Nous sommes ravis de poursuivre cette aventure et de construire à l’intersection de deux des technologies les plus importantes de notre vie. Merci à tous ceux qui ont soutenu, d’autres à venir bientôt !

Meilleurs

Classement

Favoris