Witamy w Eye on AI. W tym numerze… Chiny blokują zakup Manusa przez Meta… OpenAI nie osiąga swoich celów w zakresie przychodów i wzrostu… Anthropic pokazuje, że modele AI mogą pomóc w postępie badań nad bezpieczeństwem sztucznej inteligencji… Decyzja senatora Berniego Sandersa o zaproszeniu chińskich ekspertów w dziedzinie sztucznej inteligencji na panel na Kapitolu wywołuje gniew chińskich jastrzębi.
W swojej walce o sprzedaż przedsiębiorstw zarówno OpenAI, jak i Anthropic obrały za cel firmy świadczące usługi finansowe. Nie jest to zaskakujące. Jak głosi stary dowcip o tym, dlaczego przestępcy okradają banki: tam są pieniądze. Według doniesień OpenAI ma batalion byłych analityków inwestycyjnych pomagających w tworzeniu jeszcze nie wypuszczonego produktu do analizy finansowej opartej na sztucznej inteligencji. Anthropic rozwija umiejętności modelowania finansowego w swoich produktach Claude Code, Cowork i Claude for Finance. Startup Samaya AI tworzy także narzędzia sztucznej inteligencji dla sektora finansowego. Istnieje również wiele nowych narzędzi doradztwa finansowego wykorzystujących sztuczną inteligencję, o czym wspomniał mój kolega Jeff John Roberts w niedawnym artykule informacyjnym.
Głównym specjalistą ds. danych finansowych i narzędzi analitycznych jest oczywiście Bloomberg. Dostęp do „terminalu”, jak nazywa swój podstawowy produkt firmy (chociaż dane nie są już dostarczane za pośrednictwem dedykowanej maszyny), nadal jest uważany za obowiązkowe narzędzie każdego tradera, bankiera inwestycyjnego i funduszu hedgingowego.
Jeszcze zanim odszedł z firmy i dołączył do Fortune w 2019 r., Bloomberg zaczął wykorzystywać uczenie maszynowe i duże modele językowe, aby dostęp do tych funkcji był znacznie bardziej intuicyjny, a także wprowadzał nowe rodzaje analizy danych. Wysiłki te tylko nabrały tempa, zwłaszcza od debiutu generatywnych chatbotów AI w 2022 r. i ostatnich postępów w dziedzinie sztucznej inteligencji agentów.
Regularnie pisałem tutaj w Fortune o postępach Bloomberga w zakresie sztucznej inteligencji. Jednak nadal byłem zaskoczony i pod wrażeniem, gdy wziąłem udział w niedawnym szczycie „AI in Finance Summit” w londyńskim biurze firmy, podczas którego prezentowano nową funkcję „AskB”, którą firma nazywa największym ponownym przemyśleniem terminala w historii Bloomberg. AskB pozwala użytkownikom używać języka naturalnego do poruszania się po funkcjach terminala, ale oferuje znacznie więcej. System pełni rolę agenta, budując ekrany inwestycyjne i na bieżąco generując kompleksowe raporty badawcze, w tym zaawansowane modele finansowe oraz przypadki byków i niedźwiedzi dla poszczególnych akcji.
AskB, który wykorzystuje pod maską różnorodne modele sztucznej inteligencji, w tym niektóre stworzone przez samego Bloomberga i inne z najnowocześniejszych firm zajmujących się modelowaniem sztucznej inteligencji, takich jak Anthropic, pokazuje, że Bloomberg poważnie podchodzi do potencjalnego zagrożenia ze strony rodzimych start-upów AI. Spotkałem się z Shawnem Edwardsem, dyrektorem ds. technologii w Bloomberg, aby zapytać go więcej o to, jak Bloomberg zbudował AskB. Wiele z tego, co powiedział, zawiera lekcje dla firm z dowolnej branży, które starają się, aby sztuczna inteligencja agentów zapewniała rzeczywistą wartość biznesową.
Dane są wyróżnikiem
Nie oznacza to, że sztuczna inteligencja nie może pomóc. Edwards powiedział mi, że agenci sztucznej inteligencji radykalnie przyspieszyli sposób, w jaki Bloomberg tworzy zbiory danych. Mówi, że pozyskiwanie danych, które wcześniej zajmowało cztery i pół miesiąca, teraz zajmuje dwa dni. Uwolniło to duże zespoły, które wcześniej zajmowały się wprowadzaniem i oczyszczaniem danych, a wiele z nich zostało przeniesionych do tworzenia wewnętrznych ocen.
Twórz mocne oceny
Co prowadzi nas do drugiej ważnej lekcji: tworzenie dobrych ocen wewnętrznych ma kluczowe znaczenie dla uzyskania zwrotu z inwestycji od agentów AI. „Oceny, nie mogę tego wystarczająco podkreślić, są decydującym czynnikiem w budowaniu użytecznego i niezawodnego systemu” – mówi Edwards, nazywając nacisk na tworzenie tych ocen jedną z największych „zmian kulturowych”, jakich Bloomberg doświadczył w ciągu ostatnich dwóch lat.
Przygotowanie ewaluacji nie jest łatwe i tanie. Wymaga ścisłej współpracy ze specjalistami w danej dziedzinie (w tym przypadku ekspertami ds. umów obligacji, analitykami akcji, ekspertami ds. struktur rynkowych, a nawet dziennikarzami Bloomberg) oraz zespołami inżynieryjnymi i produktowymi. Bloomberg był skłonny odciągnąć tych ekspertów od ich codziennej pracy, aby napisać testy porównawcze dla subagentów i pomóc w ocenie całych przepływów pracy. Edwards twierdzi, że wykorzystywanie samych modeli sztucznej inteligencji jako osób oceniających może się sprawdzić w prostych przypadkach. Ale do wszystkiego innego potrzebni są ludzcy doradcy. Jak twierdzi, opracowując te oceny, Bloomberg kodyfikuje „ukrytą wiedzę” swoich ekspertów na temat działania agentów AI.
Korzystanie z wielu modeli może pomóc w ograniczeniu kosztów
Następnie niezbędna jest dyscyplina kosztowa. A to oznacza, że przepływy pracy muszą być wielomodelowe. AskB wykorzystuje kombinację komercyjnych modeli frontierowych i otwartych, a także własne modele wewnętrzne, kierując zapytania do najtańszego modelu, który może obsłużyć dane zadanie z niezawodnością i wydajnością wymaganą przez przepływ pracy, mówi Edwards.
Wreszcie kolejna granica jest proaktywna. Kiedy zapytałem, co się wydarzy, odpowiedzią Edwardsa był przepływ pracy między agentami i ciągłe monitorowanie danych. Chce, aby Bloomberg był „oczami i uszami” jego klientów finansowych, patrzącymi na świat w oparciu o pozycje, mandaty i strategię każdego klienta i wydobywającymi na światło dzienne nie tylko rzeczy oczywiste, ale także efekty drugiego i trzeciego rzędu. Powódź niszczy fabrykę produkującą części dla dostawcy firmy, której zapasy są dostępne od dawna; W wizji Edwardsa AskB wskaże ci problem, zanim pomyślisz o zadaniu pytania.
Osiągnięcie tej wizji będzie trudne. Jednak wiele firm chce mieć tego typu proaktywnego i zawsze dostępnego agenta. Bloomberg wskazuje po drodze kilka kluczowych kroków.
FORTUNA W AI
Anthropic twierdzi, że przyczyną miesięcznego spadku wartości Claude Code po tygodniach negatywnych reakcji użytkowników były błędy inżynieryjne, autor: Beatrice Nolan
Europejskie działania Cohere podkreślają rozwój średnich potęg sztucznej inteligencji poza Stanami Zjednoczonymi i Chinami, autor: Sharon Goldman
DeepSeek prezentuje swój najnowszy model w najniższych cenach i z „pełnym wsparciem” chipów Huawei, autor: Nicholas Gordon
Wyłącznie: startup rekrutacyjny oparty na sztucznej inteligencji Dex zbiera rundę zalążkową o wartości 5,3 miliona dolarów, której autorem jest Jeremy Kahn
Korzystałem z nowej funkcji Dispatch Claude’a przez miesiąc. Oto wszystko, co mogłem zrobić, autor: Catherina Gioino
Komentarz: Mark Zuckerberg buduje swojego klona AI. Większość ludzi po prostu potrzebuje pomocy ze swoją skrzynką odbiorczą — Mukund Jha
AI W WIADOMOŚCIACH
Chiński regulator konkurencji blokuje zakup przez Meta firmy Manus zajmującej się sztuczną inteligencją. Chiny zablokowały przejęcie Manus przez Meta za około 2 miliardy dolarów, nakazując cofnięcie transakcji nawet po tym, jak pracownicy dołączyli do Meta, a pierwotni inwestorzy Manus zostali już opłaceni. Posunięcie to podkreśla, jak agresywnie Chiny wzmacniają kontrolę nad sztuczną inteligencją jako technologią strategiczną, zwłaszcza gdy krajowe start-upy próbują „wyprać” swoją tożsamość, przenosząc swoją siedzibę do kraju wyspiarskiego, aby przyciągnąć zagraniczny kapitał, chipy lub kupujących. W decyzji tej podkreślono przyspieszające oddzielenie amerykańskich i chińskich ekosystemów sztucznej inteligencji, przy czym założyciele firmy coraz częściej znajdują się pomiędzy amerykańskimi ograniczeniami inwestycyjnymi a rosnącą kontrolą Pekinu nad zagranicznymi restrukturyzacjami. Dogłębną analizę tej decyzji można znaleźć w artykule Nicholasa Gordona, redaktora azjatyckiego magazynu Fortune.
BADANIA AI NA OKO
Anthropic pokazuje postęp w wykorzystaniu sztucznej inteligencji do automatyzacji badań nad bezpieczeństwem AI. W poście na blogu i towarzyszącym mu dokumencie badawczym firma podała, że sponsorowana przez nią grupa badaczy wykazała, że Claude Opus 4.6 może pomóc w zaprojektowaniu i przeprowadzeniu badań wskazujących sposób rozwiązania trudnego problemu związanego z bezpieczeństwem sztucznej inteligencji: w jaki sposób słabsza inteligencja, czy to model sztucznej inteligencji, czy potencjalnie osoba, może nadzorować inteligentniejszy model sztucznej inteligencji? Każda z dziewięciu równoległych instancji „Badacza automatycznego dopasowania” Claude’a, wyposażonych w pewne narzędzia do przeprowadzenia badania, została popchnięta w stronę nieco innej początkowej hipotezy. Następnie Claude musieli przeprowadzić badania, stosując model otwartej wagi Qwen 3-4B Base firmy Alibaba jako silny model sztucznej inteligencji oraz Qwen 1.5-0.5B-Chat jako model nadzorczy o mniejszych możliwościach. Pozwolono im spędzić siedem dni na formułowaniu hipotez dotyczących eksperymentów, a następnie wyniki porównano z tym, co dwóch badaczy bezpieczeństwa sztucznej inteligencji było w stanie zrobić w podobnym czasie.
Klaudów przetestowano, aby sprawdzić, czy uda im się sprawić, że silniejszy model będzie działał w serii testów tak dobrze, jak to możliwe, mimo że sam słabszy model radzi sobie w tych zadaniach znacznie gorzej. Ogólnie rzecz biorąc, Claude spisali się dobrze, znajdując sposoby na przekonanie słabego modelu do silnego modelu, aby odzyskał 97% „luki w wydajności” między słabym i mocnym modelem, podczas gdy badaczom sztucznej inteligencji udało się zamknąć jedynie 23% tej luki. Co więcej, metody uogólniono na niewidziane zadania matematyczne i kodowanie, ale nie uogólniono na inny model. Ponadto badacze czasami odkrywali, że Claude próbowali oszukiwać, po prostu bezpośrednio instruując silny model, zamiast szukać sposobów na nakłonienie słabego nauczyciela do nadzorowania silnego modelu. Choć nie jest to doskonały wynik, całkowity koszt obliczeniowy eksperymentów przeprowadzonych przez Claudesa wyniósł 18 000 dolarów, co według Anthropic może oznaczać, że te zautomatyzowane techniki mogą być nadal przydatne w znajdowaniu nowych kierunków badań, w których mogą podążać ludzie.
MASZ KALENDARZ
23-27 kwietnia: Międzynarodowa konferencja na temat reprezentacji uczenia się (ICLR), Rio de Janeiro, Brazylia.
22–24 kwietnia: Google Next, Las Vegas.
8–10 czerwca: Fortune Brainstorm Tech, Aspen, Kolorado. Poproś o pomoc tutaj.
17-20 czerwca: VivaTech, Paryż.
6-11 lipca: Międzynarodowa konferencja na temat uczenia maszynowego (ICML), Seul, Korea Południowa.
7–10 lipca: Szczyt AI for Good, Genewa, Szwajcaria.
POKARM DLA MÓZGU
