David Silver dari DeepMind Mengumpulkan $1.1 Bilion untuk Membina AI yang Belajar Tanpa Data Manusia

David Silver — penyelidik DeepMind yang memimpin pasukan di sebalik AlphaGo — baru sahaja mengumpulkan $1.1 bilion untuk sebuah syarikat permulaan yang baru berusia beberapa bulan. Syarikat baruanya, Ineffable Intelligence, sedang membina sistem AI yang belajar melalui permainan sendiri daripada data berlabel manusia. Bagi pembangun di seluruh Asia yang bekerja dengan alat pembangunan AI, perubahan ini menandakan sesuatu yang lebih besar: era melatih model pada data internet yang dihimpun sedang berakhir, dan alat yang kami gunakan untuk membina aplikasi AI perlu berkembang mengikutinya.

Pusingan pendanaan Silver, yang dipimpin oleh Sequoia Capital dan Nvidia dengan penilaian $5.1 bilion, bukan sekadar tajuk lain dalam kitaran gembar-gembur AI. Ia mewakili pertaruhan asas bahawa generasi AI seterusnya tidak akan bergantung pada set data besar yang dimakan oleh model bahasa semasa. Sebaliknya, sistem ini akan menjana persekitaran latihan mereka sendiri — belajar dengan melakukan, bukan dengan membaca. Bagi pembangun Asia yang membina di platform seperti MonstarX, ini menimbulkan soalan mendesak: adakah alat yang kami gunakan hari ini siap untuk seni bina AI esok hari?

Apakah Alat Pembangunan AI?

Alat pembangunan AI ialah platform perisian, kerangka kerja, dan perkhidmatan yang digunakan pembangun untuk membina, melatih, menggunakan, dan mengekalkan aplikasi kecerdasan tiruan. Ini berkisar daripada perpustakaan pembelajaran mesin peringkat rendah seperti TensorFlow dan PyTorch hingga platform peringkat tinggi yang menghilangkan kerumitan infrastruktur. Kategori ini telah meledak dalam tiga tahun yang lalu apabila AI berpindah daripada makmal penyelidikan ke aplikasi pengeluaran.

Pembangunan AI tradisional memerlukan pasukan untuk menguruskan saluran data, infrastruktur latihan model, kawalan versi untuk eksperimen, dan orkestrasi penempatan secara berasingan. Alat pembangunan AI moden cuba menyatukan aliran kerja ini. Sesetengahnya memberi tumpuan pada peringkat tertentu — alat pelabelan data seperti Scale AI, platform latihan model seperti Weights & Biases, atau perkhidmatan penempatan seperti Hugging Face Inference Endpoints. Yang lain, terutamanya platform pembangunan asli AI, bertujuan mengendalikan keseluruhan kitaran hayat.

Perbezaan ini penting kerana pendekatan Silver di Ineffable Intelligence mencabar andaian bahawa pembangunan AI bermula dengan pengumpulan data. Jika model masa depan belajar melalui permainan sendiri dalam persekitaran simulasi, pembangun memerlukan alat yang boleh menjalankan persekitaran tersebut, memantau gelung pembelajaran yang diselia sendiri, dan menilai tingkah laku model tanpa set data rujukan. Kebanyakan alat pembangunan AI semasa tidak direka untuk paradigma ini. Mereka menganggap anda bermula dengan data, bukan menjanakannya.

Bagi pembangun di Asia, di mana kebimbangan kedaulatan data dan sokongan bahasa serantau menciptakan kekangan tambahan, perubahan ini boleh menyamakan kedudukan. Sistem pembelajaran sendiri tidak memerlukan korpora besar dokumen perniagaan Jepun atau rekod perubatan Thai. Mereka memerlukan sumber pengiraan dan fungsi ganjaran yang direka dengan baik — sumber yang semakin kompetitif oleh penyedia awan dan platform pembangunan Asia.

Alat Teratas untuk Pembangun Asia

Landskap alat pembangunan AI di Asia berbeza daripada Silicon Valley dalam tiga cara utama: kependaman ke API model lebih penting apabila pengguna anda berada di Jakarta atau Manila, pematuhan dengan undang-undang data serantau bukan pilihan, dan sensitiviti kos lebih tinggi di kalangan syarikat permulaan yang dibiayai sendiri. Kekangan ini telah membentuk alat mana yang benar-benar diterima pakai.

Platform AI berasaskan awan mendominasi. AWS SageMaker dan Google Cloud AI Platform menawarkan set ciri paling luas, tetapi harga Asia-Pasifik dan kependaman mereka telah mendorong pembangun ke arah alternatif serantau. Platform PAI Alibaba Cloud telah mendapat tarikan di Asia Tenggara, terutamanya untuk aplikasi e-dagang dan fintech di mana sokongan bahasa Cina adalah penting. Platform TI Tencent Cloud memainkan peranan yang sama untuk aplikasi permainan dan sosial.

Bagi pasukan yang ingin bergerak lebih cepat tanpa menguruskan infrastruktur, platform lebih baru telah muncul. Replicate menyediakan penempatan satu klik untuk model sumber terbuka, walaupun harganya boleh melonjak untuk aplikasi Asia dengan lalu lintas tinggi semasa waktu perniagaan AS. Modal menawarkan pengiraan tanpa pelayan untuk beban kerja AI dengan kependaman Asia yang lebih baik, tetapi memerlukan lebih banyak kepakaran Python daripada platform visual.

Kategori yang berkembang paling pesat ialah platform asli AI yang menganggap AI sebagai warganegara kelas pertama dan bukannya tambahan. Platform ini membenarkan pembangun menerangkan apa yang mereka ingin bina dalam bahasa semula jadi, kemudian menjana dan menggunakan kod aplikasi. Pendekatan ini — kadangkala dipanggil pengekodan vibe — mengurangkan jurang antara idea dan prototaip yang berfungsi daripada minggu hingga jam. Bagi pengasas Asia tanpa pasukan kejuruteraan yang besar, pemampatan kitaran pembangunan ini adalah transformatif.

Apa yang membezakan alat yang berkesan daripada gembar-gembur pemasaran ialah kesediaan pengeluaran. Bolehkah anda memantau prestasi model secara masa nyata? Adakah platform mengendalikan failover apabila API turun? Adakah ada penyambung pra-bina untuk perkhidmatan yang bergantung pada aplikasi anda — pintu gerbang pembayaran, pembekal pengesahan, CDN serantau? Kebimbangan operasi ini lebih penting daripada skor penanda aras setelah anda mempunyai pengguna sebenar.

Cara Memilih Alat yang Tepat

Memilih alat pembangunan AI bermula dengan penilaian jujur tentang keupayaan pasukan anda, bukan senarai ciri alat. Platform yang menawarkan keupayaan pembelajaran penguatan lanjutan tidak berguna jika pasukan anda tidak mempunyai jurutera ML yang memahami pembentukan ganjaran. Sebaliknya, pembina AI tanpa kod yang menjanjikan sesiapa sahaja boleh membina aplikasi akan mencapai dinding apabila anda memerlukan penalaan model tersuai.

Mulakan dengan memetakan aliran kerja sebenar anda. Adakah anda membina chatbot yang perlu memahami pertukaran kod Tagalog dan Inggeris? Anda memerlukan sokongan model multibahasa yang kuat dan keupayaan untuk penalaan halus pada data perbualan. Membina enjin cadangan untuk platform e-dagang? Anda memerlukan inferens pantas, infrastruktur ujian A/B, dan integrasi dengan katalog produk sedia ada anda. Membina aplikasi penglihatan komputer untuk kawalan kualiti pembuatan? Anda memerlukan keupayaan penempatan tepi dan alat untuk menangani ketidakseimbangan kelas dalam pengesanan kecacatan.

Struktur kos lebih penting daripada harga tajuk. Sesetengah platform mengenakan bayaran setiap panggilan API, yang berfungsi untuk aplikasi lalu lintas rendah tetapi menjadi mahal pada skala. Yang lain mengenakan bayaran untuk masa pengiraan, yang memihak pemprosesan kelompok berbanding inferens masa nyata. Beberapa mengenakan bayaran bulanan rata tanpa mengira penggunaan, yang memberikan kebolehramalan belanjawan tetapi boleh mahal semasa pembangunan awal apabila lalu lintas rendah. Kira kos yang dijangkakan anda pada 10 kali penggunaan semasa anda — di situlah kejutan harga biasanya muncul.

Sokongan serantau bukan hanya tentang lokasi pusat data. Adakah dokumentasi platform menyertakan contoh dalam konteks pasaran anda? Apabila anda menghadapi pepijat pada jam 2 pagi waktu Singapura, bolehkah anda mendapatkan sokongan, atau adakah anda menunggu California bangun? Adakah ada komuniti pengguna tempatan di mana pembangun berkongsi penyelesaian untuk masalah khusus wilayah? Faktor lembut ini menentukan sama ada alat berfungsi dalam pengeluaran atau hanya dalam demo.

Pusingan pendanaan Ineffable Intelligence mencadangkan kriteria lain: fleksibilitas seni bina. Jika Silver betul bahawa sistem pembelajaran sendiri akan menggantikan data latihan berlabel manusia, alat yang anda pilih harus menyokong paradigma latihan berbilang. Kunci masuk ke platform yang menganggap pembelajaran diselia pada set data statik boleh menjadi liabiliti lebih cepat daripada yang dijangka sesiapa. Cari alat yang menganggap pendekatan latihan sebagai boleh dikonfigurasi daripada dipanggang ke dalam seni bina platform.

Gambaran Keseluruhan Platform MonstarX

MonstarX mendekati pembangunan AI dari sudut yang berbeza daripada alat tradisional. Daripada memerlukan pembangun untuk menghubungkan perkhidmatan berasingan untuk pengehosan model, pengurusan pangkalan data, pengesahan, dan penempatan,