Koks yra Kinijos įmonės, siekiančios automatizuoti dirbtinio intelekto kūrimą, pavyzdys?
Pagrindinis Kinijos įmonės, siekiančios automatizuoti dirbtinio intelekto kūrimą, pavyzdys yra „4Paradigm“, kuri daugiausia dėmesio skiria automatizuoto mašininio mokymosi (AutoML) platformoms, kad padėtų įmonėms kurti dirbtinį intelektą su minimaliu žmogaus įsikišimu.
Nuo 2026 m. keli Kinijos technologijų gigantai siekia šio tikslo:
• „Alibaba Cloud“: siūlo mašininio mokymosi platformą dirbtiniam intelektui (PAI), kuri apima „AutoML“, skirtą automatiškai optimizuoti algoritmus ir kurti individualius dirbtinio intelekto modelius įmonių vartotojams.
• „Baidu“: pagrindinė „AutoML“ žaidėja, naudojanti jį dirbtinio intelekto programoms kurti, nereikalaujant išsamių duomenų mokslo žinių.
• „4Paradigm“: naudoja viso steko „AutoML“ algoritmus nuobodžioms, rankinėms užduotims atlikti, siekdama, kad dirbtinio intelekto diegimas būtų greitesnis ir paprastesnis tokiuose sektoriuose kaip finansai ir gamyba.
• „Tencent“ / „Alibaba“: Šios įmonės į savo ekosistemas intensyviai integruoja „agentinį“ dirbtinį intelektą (DI) – DI, kuris gali savarankiškai kurti, testuoti ir taisyti kitus DI modelius ir kodą.
Šios įmonės siekia demokratizuoti DI kūrimą, leisdamos įmonėms „veikti kaip vadei ir nurodyti jam, ką daryti“, o ne rankiniu būdu koduoti kiekvieną elementą.
Kokios yra atvirojo kodo alternatyvos Kinijos bendrovei, vadinamai „4Paradigm“, siekiančiai automatizuoti dirbtinio intelekto kūrimą?
Remiantis „4Paradigm“, kuri orientuota į įmonių automatinį mašininį mokymąsi, sprendimų priėmimo DI ir automatizuotą mašininį mokymąsi („Sage HyperCycle“), galimybėmis, geriausios atvirojo kodo alternatyvos 2026 m. automatizuotam DI kūrimui yra „H2O.ai“, „PyCaret“ ir „Auto-Sklearn“. Šie įrankiai suteikia automatinio funkcijų inžinerijos, modelių pasirinkimo ir hiperparametrų derinimo galimybes, kurios atitinka „4Paradigm“ tikslą supaprastinti DI diegimą įmonėse.
Geriausios atvirojo kodo „AutoML“ alternatyvos (2026 m.)
• H2O.ai (atvirasis kodas): labai efektyvi automatizuotam mašininiam mokymuisi, ypač su struktūrizuotais / lenteliniais duomenų rinkiniais, užtikrinanti gerą modelio interpretuojamumą.
• PyCaret: atvirojo kodo, mažai kodo reikalaujanti mašininio mokymosi biblioteka Python kalba, kuri automatizuoja mašininio mokymosi darbo eigas, todėl tai yra stipri ir lengva alternatyva greitam prototipų kūrimui.
• „Auto-Sklearn“: sukurta remiantis „Scikit-learn“, ši sistema automatizuoja algoritmų pasirinkimo ir hiperparametrų derinimo procesą. Hiperparametrų derinimas – tai mašininio mokymosi modelio konfigūracijos nustatymų, apibrėžtų prieš mokymą, optimizavimo procesas, siekiant maksimaliai padidinti našumą ir tikslumą. Tai apima parametrų derinių, tokių kaip mokymosi greitis arba tinklo architektūra, testavimą, siekiant išvengti nepakankamo pritaikymo / per didelio pritaikymo. Įprasti metodai apima rankinį derinimą, tinklelio paiešką, atsitiktinę paiešką ir Bajeso optimizavimą. Pagrindinės sąvokos – parametrai ir hiperparametrai: parametrai (pvz., svoriai) yra išmokstami iš duomenų mokymo metu, o hiperparametrus iš anksto nustato inžinierius. Kodėl verta derinti? Tai tiesiogiai veikia modelio struktūrą ir funkciją, užtikrindama geriausią įmanomą našumą su nematomais duomenimis. Pavyzdžiai: mokymosi greitis, paketo dydis, optimizavimo tipas (optimizavimo priemonės yra matematiniai algoritmai, kurie koreguoja mašininio mokymosi modelio parametrus, pvz., svorius ir paklaidas, kad sumažintų nuostolių funkciją. Sumažindami skirtumą tarp numatytų ir faktinių verčių, jie leidžia modeliui mokytis ir pasiekti tiksliausią formą), medžių gylis, paslėptų sluoksnių skaičius ir neuronai neuroniniame tinkle.
• TPOT: automatizuotas konvejerio įrankis, optimizuojantis mašininio mokymosi konvejerius naudojant genetinį programavimą.
• MLJAR: automatizuota mašininio mokymosi sistema, teikianti švarų, suprantamą kodą duomenų valymui, funkcijų inžinerijai ir modelio mokymui.
Atvirojo kodo DI programų kūrimo priemonės (2026 m.)
Skirtos kurti ištisines DI programas, panašias į „4Paradigm“ platforminius sprendimus:
• Dify: atvirojo kodo, gamybai paruošta DI programų kūrimo priemonė.
• Langflow: patogi naudoti priemonė vizualinėms DI darbo eigoms kurti.
• n8n: galinga, savarankiškai talpinama darbo eigų automatizavimo priemonė techninėms komandoms.
Pagrindiniai atvirojo kodo pagrindų modeliai (2026 m.)
Organizacijoms, norinčioms diegti atvirojo svorio modelius, panašius į „4Paradigm“ patentuotą „SageGPT“:
• „DeepSeek-R1“ / „V3“: pirmaujantis Kinijos atvirojo svorio modelis, pripažintas dėl didelio našumo samprotaujant.
• „Qwen3“ / „Qwen3-Coder“: pažangus „Alibaba“ atvirojo svorio modelis, tinkantis agentinėms darbo eigoms.
• GLM-4: labai pajėgus atvirojo kodo modelis, sukurtas „Zhipu AI“.
Lyginamoji apžvalga
Nors „4Paradigm“ yra pirmaujantis patentuotas, įmonės lygio dirbtinio intelekto tiekėjas Kinijoje, šios atvirojo kodo alternatyvos leidžia organizacijoms išlaikyti duomenų suverenitetą ir sumažinti licencijavimą.
Amerikoje šis dalykas dar nėra subrendęs:
„Recursive Superintelligence“, įkurta buvusių „Google“, „Meta“ ir „OpenAI“ tyrėjų, yra didėjančių pastangų automatizuoti dirbtinio intelekto kūrimą dalis.
Tokios įmonės kaip „Anthropic“ ir „OpenAI“ praėjusių metų pabaigoje išleido naujas dirbtinio intelekto sistemas, kurios gana gerai rašo kompiuterinį kodą.
Pastaraisiais mėnesiais ši technologija sparčiai pakeitė Silicio slėnio inžinierių kūrimo, testavimo ir modifikavimo būdus. Jei dirbtinio intelekto sistema gali rašyti kodą, ji gali padėti paspartinti tokių įvairių dalykų kaip teksto redaktoriai ir socialinės žiniasklaidos programėlės kūrimą.
Dabar daugelis pirmaujančių pasaulio tyrėjų mano, kad DI netrukus bus pakankamai galinga, kad galėtų tobulėti be didelės žmonių kūrėjų pagalbos.
„DI yra kodas. O dabar DI gali koduoti“, – sakė patyręs tyrėjas Richardas Socheris. „Ingredientai tam yra.“
Neseniai dr. Socheris kartu su septyniais kitais tyrėjais įkūrė įmonę, siekiančią šio stulbinančio tikslo, kuris dažnai vadinamas „rekursiniu savęs tobulinimu“.
Jo įkurta įmonė „Recursive Superintelligence“ pritraukė daugiau nei 650 mln. JAV dolerių iš rizikos kapitalo įmonių, įskaitant „Google Ventures“ ir „Greycroft“, bei lustų gamybos gigantų „Nvidia“ ir „AMD“. Šešių mėnesių senumo įmonė, turinti biurus San Franciske ir Londone, turi mažiau nei 30 darbuotojų. Tačiau dabar jos vertė viršija 4 milijardus dolerių.
Bendrovės nereikėtų painioti su „Ricursive Intelligence“, kuri siekia panašaus tikslo ir kurios vertė taip pat siekia 4 milijardus dolerių. Žymūs dirbtinio intelekto startuoliai „Anthropic“ ir „OpenAI“ taip pat siekia rekursinio savęs tobulinimo, kuris jau dešimtmečius yra Silicio slėnio technologų manija.
Dr. Socheris anksčiau vadovavo verslo programinės įrangos gamintojos „Salesforce“ dirbtinio intelekto tyrimams ir buvo dirbtinio intelekto startuolio „You.com“ generalinis direktorius. Tarp septynių jo įkūrėjų yra žymūs tyrėjai iš daugelio pirmaujančių pramonės dirbtinio intelekto įmonių, įskaitant Joshą Tobiną, Jeffą Clune'ą ir Timą Shi, visi iš „OpenAI“, ir Yuandongą Tianą iš „Meta“.
Daugelis šių tyrėjų specializuojasi dirbtinio intelekto kūrimo srityje, vadinamoje „atvira pabaiga“. Tai apima programinės įrangos sistemų, kurios gali veikti dienas, mėnesius ar net metus, kūrimą, siekiant tyrėjų nustatytų tikslų.
„Recursive Superintelligence“ taip pat pasamdė Peterį Norvigą, kuris 25 metus dirbo „Google“ tyrimų direktoriumi ir kartu parašė dirbtinio intelekto vadovėlį („Dirbtinis intelektas: modernus požiūris“), kuris jau tris dešimtmečius yra universitetų standartas.
Rekursyvumas – terminas, dažnai vartojamas tarp matematikų ir kompiuterių programuotojų, reiškia matematinę funkciją, kuri pati save maitina. Rekursyviai procedūrai sugeneravus informaciją, ji panaudoja tą informaciją kažkam kitam generuoti ir taip toliau.
Nors daugelis tyrėjų optimistiškai vertina idėją, kad dirbtinis intelektas rekursyviai save tobulina, kiti pabrėžia, kad dabartinės technologijos dar toli gražu nėra tokios, kad žmones būtų galima pašalinti iš ciklo. Žmonės, kaip ir dr. Socheris, vis tiek turi generuoti naujas idėjas, kurios skatina dirbtinio intelekto plėtrą.
Tačiau tikslas – perkelti vis daugiau darbo į mašinas, įskaitant naujų idėjų generavimą.
„OpenAI“ teigė, kad dabar kuria „automatizuotą dirbtinio intelekto tyrėją“. „Iki rudens bendrovė tikisi turėti sistemą, kuri galėtų atlikti „mažiau patyrusio“ tyrėjo darbą“, – teigė „OpenAI“ generalinis direktorius Samas Altmanas. Panašios pastangos dedamos ir kitose pirmaujančiose bendrovėse.
Dr. Socheris teigė, kad jo startuoliui prireiks metų, kad sukurtų tokią technologiją, kokią jis ir jo bendraįkūrėjai įsivaizdavo. Bendrovė tikisi galiausiai pritaikyti šią technologiją kitose srityse, pavyzdžiui, vaistų kūrime ir kituose biologiniuose tyrimuose.
(„The New York Times“ padavė į teismą „OpenAI“ ir „Microsoft“, teigdami, kad pažeidžiamos su dirbtinio intelekto sistemomis susijusio naujienų turinio autorių teisės. Abi bendrovės neigė ieškinio teiginius.)“ [1]
1. Notable Researchers Join $4 Billion Effort to Build Self-Improving A.I. Metz, Cade. New York Times (Online) New York Times Company. May 13, 2026.
Komentarų nėra:
Rašyti komentarą