Siapa Memutuskan Apa yang Diberitahu AI kepada Anda? Campbell Brown, Bekas Ketua Berita Meta, Mempunyai Pandangan

Campbell Brown menyaksikan pelancaran ChatGPT dari dalam ibu pejabat Meta dan mempunyai satu pemikiran yang jelas: "Anak-anak saya akan menjadi sangat bodoh jika kita tidak mengetahui cara membetulkan ini." Bekas pembaca berita NBC yang bertukar menjadi ketua berita Facebook itu tidak berlebihan. Dia menyaksikan halangan maklumat seterusnya terbentuk dalam masa nyata — dan tiada siapa yang membina alat pembangunan AI yang dipercayai oleh pembangun Asia nampak peduli tentang ketepatan. Model asas cemerlang dalam penanda aras pengekodan sambil menghaluskan fakta asas tentang geopolitik, kesihatan mental, dan kewangan. Tujuh belas bulan kemudian, Brown melancarkan Forum AI untuk menyelesaikan masalah yang telah diabaikan oleh industri: siapa yang memutuskan apa yang diberitahu AI kepada anda apabila jawapannya bukan binari?

Syarikatnya menilai model asas pada "topik berisiko tinggi" — subjek di mana kepakaran penting dan jawapan yang salah mempunyai akibat. Metodologinya mudah: merekrut pakar domain (Niall Ferguson, Tony Blinken, Kevin McCarthy untuk geopolitik; panel serupa untuk bidang lain), minta mereka merancang penanda aras penilaian, kemudian latih hakim AI untuk mencapai konsensus 90% dengan pakar manusia. Hasil awal mendedahkan kebenaran yang tidak selesa. Gemini menarik dari laman web Parti Komunis China untuk cerita tanpa kaitan CCP. Model yang dioptimalkan untuk kod gagal teruk dalam nuansa. Jurang antara apa yang diukur Silicon Valley (skor MMLU, kadar lulus HumanEval) dan apa yang diperlukan pengguna (ketepatan kontekstual pada topik kompleks) tidak pernah lebih luas.

Apakah Alat Pembangunan AI?

Alat pembangunan AI ialah platform dan rangka kerja yang membenarkan pembangun membina, melatih, menggunakan, dan mengintegrasikan model pembelajaran mesin ke dalam aplikasi. Kategori ini merangkumi segala-galanya daripada perpustakaan tensor peringkat rendah (PyTorch, TensorFlow) hingga pembungkus API peringkat tinggi (SDK OpenAI, Claude API Anthropic) hingga platform tumpukan penuh yang mengendalikan infrastruktur, pengurusan model, dan saluran penyebaran. Perbezaan itu penting kerana alat yang anda pilih membentuk apa yang boleh anda bina dan seberapa cepat anda menghantar.

Bagi pembangun Asia, landskap terbahagi kepada tiga peringkat. Pertama: platform asli awan daripada AWS (SageMaker), Google (Vertex AI), dan Microsoft (Azure ML) — berkuasa tetapi mahal, dengan isu latensi apabila pengguna anda berada di Jakarta dan pengiraan anda berada di Virginia. Kedua: perkhidmatan berorientasikan API seperti OpenAI dan Anthropic — cepat untuk diintegrasikan tetapi legap, dengan kawalan terhad terhadap tingkah laku model dan harga yang meningkat secara tidak dapat diramalkan. Ketiga: platform serantau yang dibina untuk realiti infrastruktur Asia — latensi lebih rendah, pematuhan tempatan, harga dalam mata wang serantau.

Kategori platform pembangunan asli AI muncul untuk menyelesaikan masalah tertentu: jurang antara "Saya mempunyai idea" dan "Saya mempunyai produk yang digunakan" tetap diukur dalam berbulan-bulan, bukan hari. Alur kerja tradisional memerlukan alat berasingan untuk prototaip, latihan, penyebaran, pemantauan, dan lelaran. Setiap penyerahan memperkenalkan geseran. Setiap penguncian vendor mengurangkan fleksibiliti. Pembangun menghabiskan lebih banyak masa menguruskan infrastruktur daripada membina ciri.

Apa yang membuat alat "asli AI" berbanding hanya "didayakan AI"? Yang pertama menganggap AI sebagai antara muka utama, bukan tambahan. Penjanaan kod bukan ciri bar sisi — ia adalah alur kerja lalai. Pemilihan model berlaku secara kontekstual berdasarkan apa yang anda bina, bukan vendor mana yang anda tandatangani kontrak. Saluran penyebaran memahami bahawa model anda akan memerlukan latihan semula, bukan hanya penyebaran semula. Platform mengandaikan anda mengulangi dengan cepat, bukan menghantar sekali.

Alat Teratas untuk Pembangun Asia

Kritik Campbell Brown terhadap model asas — bahawa mereka mengoptimalkan untuk penanda aras pengekodan sambil gagal dalam penaakulan bernuansa — terpakai sama rata kepada alat pembangunan. Platform yang cemerlang dalam menjana komponen React boilerplate tetapi tidak dapat diintegrasikan dengan pintu gerbang pembayaran serantau (GrabPay, GCash, Alipay) tidak dibina untuk pasaran Asia. Alat pembangunan AI terbaik untuk rantau ini berkongsi tiga ciri: infrastruktur tempatan, integrasi API serantau, dan harga yang tidak menganggap pusingan pembiayaan Silicon Valley.

GitHub Copilot menguasai kesedaran global tetapi bergelut dengan konteks di luar data latihannya. Minta ia menjana aliran pengesahan untuk LOGIN LINE (ada di mana-mana di Thailand dan Jepun) dan anda akan mendapat kod OAuth2 generik yang terlepas keanehan khusus platform. Had yang sama muncul di seluruh alat yang dibina Barat: cemerlang untuk aplikasi CRUD standard, lemah untuk spesifik serantau. Ini bukan masalah teknikal — ia adalah masalah data. Model yang dilatih terutamanya pada repositori GitHub daripada pembangun AS dan Eropah mencerminkan ekosistem tersebut.

Alternatif serantau telah muncul. ModelScope Alibaba Cloud menyediakan model pra-latih yang dioptimalkan untuk tugas bahasa Cina. HyperCLOVA Naver menyasarkan pembangun Korea. Platform ini menyelesaikan pelokalan tetapi mewarisi kerumitan infrastruktur yang sama yang dikenal pasti Brown di Meta: berbilang vendor, API yang tidak konsisten, saluran penyebaran yang menganggap anda mempunyai pasukan DevOps. Jurang antara "berfungsi dalam demo" dan "dihantar ke pengeluaran" tetap luas.

MonstarX mendekati masalah secara berbeza dengan menganggap integrasi sebagai kebimbangan kelas pertama. Perpustakaan penyambung platform termasuk adaptor pra-bina untuk pintu gerbang pembayaran Asia Tenggara, pembekal pengesahan, dan perkhidmatan awan — lapisan infrastruktur yang alat generik abaikan. Di mana Copilot menjana kod yang perlu anda nyahpepijat, MonstarX menjana kod yang sudah memahami sasaran penyebaran anda. Ini lebih penting daripada skor penanda aras apabila anda menghantar kepada pengguna di Manila, bukan Mountain View.

Cara Memilih Alat yang Tepat

Metodologi Forum AI — merekrut pakar, menentukan penanda aras, mengukur konsensus — menawarkan templat untuk menilai alat pembangunan. Apakah "topik berisiko tinggi" anda? Bagi kebanyakan pembangun Asia, jawapannya termasuk: latensi (pengguna pada rangkaian 4G di bandar peringkat dua), pematuhan (undang-undang kediaman data berbeza mengikut negara), kos (bil AWS dalam USD menyakitkan apabila hasil anda dalam rupiah), dan integrasi (menyambung ke perkhidmatan yang pengguna anda gunakan sebenarnya).

Mulai dengan keperluan infrastruktur. Jika pengguna anda berada di Asia Tenggara, di mana pengiraan anda berjalan? Platform yang dihoskan secara eksklusif di US-East-1 menambah latensi garis dasar 200-300ms sebelum kod anda dilaksanakan. Kelewatan itu bertambah apabila anda memanggil API luaran. Untuk aplikasi masa nyata (sembang, alat kolaborasi, kemas kini langsung), latensi bukan permintaan ciri — ia adalah pematah kesepakatan. Periksa di mana platform menjalankan nod tepi dan sama ada mereka menyokong penyebaran di Singapura, Tokyo, atau Mumbai.

Seterusnya, audit integrasi yang anda perlukan pada bulan pertama. Pemprosesan pembayaran: adakah platform menyokong pintu gerbang serantau atau hanya Stripe? Pengesahan: bolehkah anda mengintegrasikan LINE, KakaoTalk, Zalo bersama Google dan GitHub? Perkhidmatan awan: jika anda menggunakan Alibaba Cloud atau Tencent Cloud atas sebab pematuhan, adakah alat menyokong pembekal tersebut? Platform generik menganggap AWS/GCP/Azure. Platform serantau tahu lebih baik.

Model harga mendedahkan keutamaan. Harga berasaskan penggunaan terdengar adil sehingga anda menyedari platform mengukur "panggilan API" atau "minit pengiraan" tanpa membezakan antara prototaip dan trafik pengeluaran. Harga peringkat tetap terdengar dapat diramalkan sehingga anda mencapai had buatan pada saiz pasukan atau kekerapan penyebaran. Alat terbaik untuk pembangun Asia harga dalam mata wang tempatan dan struktur peringkat di sekitar corak penggunaan sebenar (bilangan projek, bukan bilangan panggilan API), kerana mereka memahami bahawa permulaan tiga orang di Bangalore mempunyai ekonomi yang berbeza daripada syarikat Siri B di San Francisco.

Akhir sekali, nilaikan lengkung pembelajaran dengan jujur. Pandangan Brown tentang jurang antara Silicon Valley