download-circle

🔮 Vem vinner AI-rejset? Det stängda eller det öppna? 4 Mar 2024 10:47 AM (last year)

🔮 Vem vinner AI-rejset? Det stängda eller det öppna?

Hur ser framtiden för AI ut? Och vilka kommer att komma ut som AI-vinnare? Ja, det är 10.000-kronorsfrågan (fast i nutid ^jättemycket mer stålar) som rekordmånga tech-människor, investerare, beslutsfattare, politiker och vanliga dödliga klurar kring just nu.

Frågan om AI-vinnare är långt ifrån en enkel 🥜 att ge sig på. Snarare komplex, motsägelsefull, proppad av gråzoner och frågetecken. Dessutom är jag inte själv någon programmerare som kan granska kod, utan en simpel teknikbesatt ekonom. Ändå tänkte jag försöka attackera denna ganska tekniska fråga (dock så icke-tekniskt beskrivet som jag bara kan).

Om jag irrar bort mej bland resonemangen. Om jag tappar dig på vägen. Och/eller om jag har missuppfattat vissa saker. SORRY! Jag har gjort mitt bästa för att sätta på mig den pedagogiska hatten och hålla tungan rätt i munnen. Och samtidigt krama om ansiktet 🤗#HuggingFace. Vad sjutton det sista betyder, ja det kommer du att veta snart.

När det kommer vem-vinner-AI-rejset finns det dessutom massvis av både möjligheter och risker som inte fick plats i just den här texten – däremot i en massa annat som jag har skrivit tidigare (bland annat här, här och här).

Nu till temat och vem som kan tänkas vinna; AI-världens David:s eller Goliat:s. Och i slutet av denna långa post kommer argument för när man som företag / organisation bör välja 📪 stänga vs mer 📭 öppna AI-modeller som grund när man utvecklar egna AI-lösningar.

Då kör vi!

/ Judith

Hur ser då framtiden för AI ut?

Tja, det finns framför allt två olika vägar som utvecklingen skulle kunna ta; det stängda och/eller det öppna spåret.

🔮 Vem vinner AI-rejset? Det stängda eller det öppna?

Spår 1: Giganterna vinner🥇🥈🥉

🔮 En framtid av ett fåtal stora tech-bolag som med stängda modeller kammar hem det mesta

Det vi har sett så här långt i AI-utvecklingen är att ett fåtal redan ledande techbolag – så kallad Big Tech – varit de som imponerat och dominerat. Förutom Alphabet (Google), Meta, Amazon och Microsoft hittar vi också OpenAI såklart (backade av Microsoft), men också spelare som Anthropic (backade av Amazon & Google). Och ytterligare några till. Fram till nu har modeller från den här typen av bolag legat sådär 6-18 månader före i utvecklingen.

Anledningen att dessa giganter har haft ett försprång när det kommer till AI beror på att det har krävts ett gäng kritiska pusselbitar för att kunna träna upp stora imponerande AI-modeller. Pusselbitar som består av enorma mängder data (läs hela internet + lite till), massvis av pengar (sådär över 100 miljoner dollar) och teknisk kompetens för att utveckla de absolut bästa grundmodellerna; Foundation Models och LLMs.

Antingen går vi mot en framtid där dessa vinnare utvecklar en ännu större AI-överlägsenhet och kammar hem hela vinsten. Ett fåtal tech-giganter som tillsammans skapar en form av oligopol som stänger ute alla andra (hey, för om ett fåtal modeller är mycket bättre, varför skulle vi välja något annat?). Något som skulle kunna leda till en koncentration av makt och ekonomisk vinning som vi aldrig tidigare har skådat. Speciellt om AI visar sig ha den transformerande effekten på ekonomin och samhället som många förutspår.

Och deras modeller, ja de har fram tills nu framför allt varit stängda (inte open source). Sannolikt för att kunna behålla hemligheten till alla imponerande framsteg för sig själva. Och för att kunna ta bra betalt. I artikeln här under har jag tidigare dykt ner i vad just ett sådant utfall skulle kunna betyda.

Men att vinnarna tar allt är långt ifrån säkert. Låt oss tittat på det andra spåret.

Spår 2: En mer öppen AI-utveckling

🔮 En framtid där många fler vinnare får plats

Eller så går vi mot en framtid där en massa mer öppna modeller börjar ta fart och bli tillräckligt vassa för att kunna konkurrera. Där både du och jag använder olika mer öppna modeller i vår vardag. Men också där företag och organisationer väljer dessa modeller som grund när de utvecklar egna AI-tjänster. Och öppen innebär till stor del open source. Vad det betyder i AI-sammanhang kommer jag snart att komma in på, låt oss först reda ut begreppet open source.

Open source, eller öppen källkod på svenska, är inget nytt under solen. När jag själv började jobba med internet 2006 var det mestadels open-source-grejer som vi sysslade med. Vi byggde våra sajter i programmeringsspråket PHP, använde publiceringssystemet Wordpress och databasen MySQL för datalagring. Allt open source, men inte bara när det kommer till tekniken. Vi gillade också att prata om internet som en öppen och fri plats. Tilläggas bör nämligen att öppen källkod inte bara är en teknisk fråga utan för många också ett sätt att se på teknik – där dess förespråkare ofta lyfter aspekter som transparens, samarbete och gemenskap. Läs mer här.

Men open source var också ganska rörigt (liksom stora delar av internet på den tiden). Och det var jättemycket krångligare att skapa saker om man inte kunde koda jämfört med idag.

På samma sätt som det sedan länge har funnits öppen källkod på internet så finns den öppna modellen även när det kommer till AI.

AI-modeller med öppen källkod innebär att alla inte bara kan använda dessa modeller, utan också att utvecklare från hela världen kan vara med och göra dem ännu bättre. Förutom att källkoden finns öppen är även datan som har använts för att träna modellen tillgänglig för alla (åtminstone i skolboksexemplet). Om man vill använda en öppen AI-modell, ja då kan man ganska fritt bestämma hur man vill använda både modellen och datan vilket ger stor flexibilitet. Man kan alltså knåda om dessa modeller genom så kallad fine tuning, så att de passar för det som man vill göra.

🚨 Just detta “knåda om” betyder också att open source-AI kommer med en hel del utmaningar och risker. Inte minst när det kommer till missbruk av tekniken. Det är framför allt öppna AI-modeller som idag används för att skapa deep fakes i syftet att luras och vilseleda – oavsett om det gäller kriminell aktivitet eller att manipulera politiska val. Men också för att skapa riktigt kassa saker som det här ➡️ It’s Not Just Taylor Swift: AI-Generated Porn Is Targeting Women And Kids All Over The World.

Låt oss nu addera lite tekniska termer. Samt för- och nackdelar med de två alternativen

Jag brukar försöka undvika buzzwords i den mån det är möjligt. Men i det här fallet behöver vi addera lite begrepp. Säg först hej till termen “proprietära modeller”.

➡️ Proprietära AI-modeller (de stängda)

🙄 Vad sjutton betyder ordet “proprietär”? Jo, det är ett adjektiv som betyder en persons eller ett företags egendom.

Proprietära AI-modeller är modeller där man inte delar med sig av själva grundtekniken utan “bara” åtgång till tillämpningen (ofta via API:er). Källkoden är stängd vilket betyder att ingen utanför exempelvis OpenAI kan se hur deras algoritmer, datamängder och teknik bakom ser ut. För proprietär modeller finns restriktioner kring hur de kan användas. Som individ eller företag kan man inte fritt justera modellerna på de sätt man önskar utan är ofta mer begränsad när det kommer till anpassning.

Exempel på proprietär modell är:

GPT4 från OpenAI (den som ligger till grund för ChatGPT) + andra modeller från OpenAI.
Modellen Gemini som är Google Deepminds flaggskeppsmodell (som just nu dock befinner sig lite i blåsväder). Modellen är “multimodal” vilket betyder att den kan lösa olika typer av uppgifter (läs mer här).
AI-bolaget Athropic har ett par stängda AI-modeller som går under namnet Claude.

Några av fördelarna med proprietära AI-modeller kommer här:

I dagsläget är det de stängda modellerna som fortfarande levererar bäst resultat rent tekniskt.

🏆 LMSYS Leaderboard är en plattform där utvecklare rankar olika LLM:s (språkmodeller) utifrån hur de presterar. I skrivande stund är de högst 11 rankade modellerna proprietära (med undantag av en modell från Alibaba som jag inte vet något om). På plats 12 hittar vi den första öppna modellen från Mistral. Och på plats 17 Llama 2 från Meta + Microsoft. Gå in och kolla själv här: huggingface.co/leaderboard

Ur ett användarperspektiv är proprietära modeller ofta enkla att använda (via snygga gränssnitt) och det går snabbt även för företag att komma upp på AI-banan med hjälp av API:er.
Ur AI-bolagets (giganternas) perspektiv innebär “hålla koden hemlig” att det blir svårare för andra att kopiera hemligheten. (Samtidigt går man miste av den kraften som finns i en open-source-community som hjälper till att utveckla modellen vidare).
Proprietära AI-modeller kommer ofta med licensavgifter / prenumerationskostnader vilket är toppen för AI-bolaget som givetvis vill tjäna pengar. Och man kan ta duktigt betalt för åtkomst om modellen är tillräckligt imponerande. (En hög prislapp inte lika toppen för slutanvändare och företag som vill använda AI-modellen för egna tillämpningar).
En fördel för samhället och världen är att dessa modeller är lättare att begränsa när det kommer till missbruk. Ber du ChatGPT hjälpa dig med kriminell aktivitet så får du högst sannolikt ett nej. Eller om du ber en annan stängd modell att generera tvivelaktiga bilder på kända politiker, ja då får du förhoppningsvis också ett nix-pix.

**➡️ De mer öppna AI-modellerna (olika grader av open source)**

Vi har redan gått igenom att öppna modeller i kontexten av AI betyder att källkod, data och community är i centrum av utvecklingen. Och att utvecklare från världens alla hörn kan vara med och förbättra modellerna. När det kommer till öppna modeller är även licensavgifter antingen slopade eller lägre än för proprietära modeller.

Låt oss lista några exempel på mer öppna AI-modeller.

Franska Mistral är just nu Europas största AI-löfte och har tagit in nästan 500 miljoner Euro i riskkapital. Här kan du läsa mer.
Stability AI är ett spännande bolag som bland annat skapat text-till-bild-modellen Stable Diffusion.
BLOOM är en öppen AI-modell som har utvecklats i samarbete mellan över 1000 forskare. Läs mer här.

Några av fördelarna med öppna AI-modeller är:

Med öppen källkod kan forskare, utvecklare och andra intressenter granska hur AI-modellerna funkar. Något som ger en större transparens när det kommer till sådant som bias, fel och säkerhetsbrister.
De öppna modellerna kan innebära att innovation och förbättringar går snabbare (om de blir poppis dvs).
Eftersom kostnaden är lägre kan fler få tillgång till avancerade AI-funktioner utan att det behöver kosta skjortan. Förutsatt att man kan lösa den tekniska biten med att använda och justera modellen det vill säga.
Ofta är open source-modeller mer flexibla och går att anpassa bättre för olika tillämpningsområden.
Och! Det som är intressant med öppna AI-modeller för många företag, ja det är det faktum att man inte bara kan kontrollera modellerna utan också datan. När data privacy är extra viktigt, ja då kan open source kännas som ett bra alternativ.

Även om de öppna modellerna (ännu) inte kan matcha OpenAI eller Google när det kommer till teknisk nivå är det inte alltid som bäst-i-klassen behövs. Det finns en massa tillämpningar där good enough is perfect. I många fall är det andra aspekter som är viktigare. Som att modellerna går att justera eller att man kan styra över hur datan används och lagras.

Utmaningen med att välja AI-lösningar med öppen källkod är dock att det ofta är krångligare – då det både kräver teknisk kompetens och egen infrastruktur (på samma sätt som det år 2006 var krångligt att sätta upp en Wordpress-sajt). Dock håller detta på att förenklas i och med att olika verktyg och ramverk utvecklas för att förenkla fine-tuning, hantering av data och tillämpning. Den största plattformen där allt samlas har det något märkliga namnet 🤗 Hugging Face.

🤗 Hugging Face är en plattform och community för utveckling och forskning inom AI. Här publiceras information om olika modeller, API:er med mera. På sajten finns över 500,000 modeller publicerade och över 100,000 olika datasets. Länk: huggingface.co

Innan vi avslutar det där med öppna modeller bör tilläggas att en del av dem kommer med restriktioner gällande användning, exempelvis att de inte kan användas för kommersiellt bruk utan bara för “non-commercial research purposes”.

➡️ I verkligheten är många modeller en mix av stängt & öppet

I realiteten är det dock inte så enkelt som att AI-modeller antingen är stängda eller öppna. Snarare är många en mix av det slutna och det öppna. Där det dessutom inte bara finns olika nivåer av öppenhet utan också delade meningar kring vad som kan kallas för open source (en strikt definitionen finns dock här). Vissa modeller som hävdar att de är öppna kan vara det utifrån vissa aspekter, men inte hela vägen open source. Snurrigt, jag vet. Vill du nörda ner dig mer i detta kan jag tipsa om den här artikeln.

Ett exempel på mix är franska Mistral vars affär består av två delar; en modell som är öppen och gratis för alla. Och en annan del som är stängd och påminner om OpenAI:s affärsmodell (att ta betalt av företag för att komma åt modellen via API).

“The Mistral AI strategy here clearly aims to be a hybrid, ‘best of both worlds’ approach” - AI Business

Börjar du AI-tröttna? Låt oss först slänga in en GIF för att lätta upp. Och sedan prata lite om trender vilket kanske kan få dig att piggna till.

Giganterna / Big Tech har nämligen allt mer börjat lansera mer öppna modeller. Varför då?, tänker du kanske. Låt oss kika på det.

En ny trend? Big Tech satsar mer på öppna modeller

Först ut bland Big Tech (såvitt jag och ChatGPT vet) att släppa öppna och hyfsat imponerande AI-modeller var Google som 2018 släppte BERT. Ett mer aktuellt exempel är Meta vars modeller i familjen Llama är “open source” (även om vissa menar att de inte är speciellt öppna). Den senaste modellen är i skrivande stund Llama 2 som du kan läsa mer om här.

Yann LeCun, Chief AI Scientist på Meta, har i en intervju med TIME sagt så här ⬇️ (läs hela intervjun här).

“The future has to be open source, if nothing else, for reasons of cultural diversity, democracy, diversity.” - Yann LeCun, Chief AI Scientist, Meta

Även Google börjar få fart när det kommer till öppenhet. Sedan en tid har man bland annat modellerna PaLM 2 och AlphaFold. Och för två veckor sedan släppte man sin “öppna” modell Gemma som är en light-version av den större modellen Gemini. Men där även Gemma har kritiserats för att kalla sig för “öppen” ➡️ Google's Latest AI Language Models Are Open Weight, Not Open Source (Forbes).

Vilket spår kommer att vinna?

🔮 Låt oss nu prata framtid. Som vanligt med framtiden så vet vi inte vem som kommer att dominera; de stängda eller öppna AI-modellerna. Observera att jag skriver dominera den här gången istället för vinna. Sannolikt är nämligen att vi kommer att få se dem båda. Antingen existera sida vid sida, eller till och med samarbeta med varandra och/eller komplettera varandra.

🦓 Jag tror alltså inte på en ett antingen eller, utan ett zebrarandigt mellanting där vi använder olika modeller för olika tillämpningar.

I vissa fall kommer i-absoluta-framkant-teknik sannolikt att vara viktigt för oss. Och då kanske vi väljer proprietära modeller. Detta kan tänkas att gälla både för oss som individer (att vi exempelvis betalar för ChatGPT), men också för utvecklare och företag som betalar för att komma åt modellen via API. Detta gäller framför allt när vi vill lösa uppgifter av stilen general-purpose.
I en massa andra sammanhang kommer i-absoluta-framkant-teknik inte att vara nödvändigt. Där good enough räcker för massvis av tillämningar. Framför allt när vi behöver anpassa våra lösningar till specifika och smala uppgifter.
Stora proprietära modeller som GPT4 (OpenAI) och Gemini (Google) kommer sannolikt också att vara för dyra för många affärscase. Något som gör att organisationer kommer att välja billigare öppna lösningar. Eller mindre proprietära modeller som inte är lika dyra.

Vill du läsa mer om ett liknande resonemang kan du göra det i den här superbra artikeln ➡️ Will Enterprise AI Models be “Winner Take All? (bilden nedan kommer från artikeln).

Nu behöver vi runda av 😅

Jisses vad mycket begrepp och tekniskt snack. Snyggt jobbat till alla er som tog er hela vägen hit!

Avslutningsvis kommer här 16 exempel på företag som har utvecklat egna AI-lösningar med hjälp av open source-modeller ➡️ How enterprises are using open source LLMs: 16 examples. Och du har garanterat läst om Klarnas AI-assistent för kundservice som har utvecklats med OpenAI:s proprietära modell som grund.

/ Judith

➡️ Missa inte att prenumerera på mitt nyhetsbrev Plötsligt i Framtiden på Substack! Där får du veckovisa trendspaningar på temat teknik och hållbarhet.

Prenumerera här

24 trender för 2024 - hela listan 19 Jan 2024 12:51 AM (last year)

24 trender för 2024 - hela listan

Vid årskiftet 2023/24 har jag portionerat ut 24 trender för 2024 i mitt nyhetsbrev. Här under sammanställer jag dem alla och länkar till vidare läsning för varje respektive trend.

#1: Paradigmskift för innovation och vetenskapliga genombrott

Under 2024 kommer AI att ge fortsatt hävstång till vetenskapliga innovationer. Sannolikt kommer vi att få se en mängd nya genombrott som på olika sätt hjälper oss framåt – framför allt när det kommer till hälsa/medicin och grön omställning.

➡️ Läs mer om trend #1 här

#2: Vi ställer oss frågan om mobilen är överflödig

Den senate tiden har det lanserats olika försök att utmana mobilen inom det som kallas för ambient computing. Men mobilen lär stå sig lika stark under 2024 och (ännu) inte att ersättas av nya lösningar . Däremot kommer vi sannolikt att testa ny teknik som på olika sätt kompletterar mobilen i vissa situationer.

➡️ Läs mer om trend #2 här

#3: AI för klimatanpassning

Under 2024 kommer AI allt mer användas för att mer effektivt rusta våra samhällen för en mer extrem framtid.

➡️ Läs mer om trend #3 här

#4: Du börjar prenumerera på en massa spännande nyhetsbrev

Den senaste tiden har formatet nyhetsbrev verkligen fått ett uppsving och 2024 kan bli året då du lär dej en massa nya saker just med hjälp av spännande och lärorika nyhetsbrev. ➡️ Här listar jag ett gäng nyhetsbrev som jag själv själv har stor behållning av.

#5: Supersmå prickar blir poppis och ger oss hopp

Under 2023 belönades upptäckten och syntesen av så kallade kvantprickar (quantum dots på engelska) med Nobelpriset i kemi. Framsteg som varit centrala för utvecklingen av det bredare fältet nanoteknik, där det “periodiska systemet plötsligt fått en tredje dimension.” Genombrott som kan få stor betydelse för områden som grön energiomställning, medicin och utvecklingen av kvantdatorer.

2024 kommer fler av oss inte bara att lära känna kvantprickarna, utan också imponeras av kommande genombrott som de lär bana vägen för.

➡️ Läs mer om trend #5 här

#6: Radikal transparens tar ytterligare kliv framåt

Radikal transparens innebär att vi tack vare modern teknik kan mäta sådant som tidigare varit både osynligt för det mänskliga ögat och oerhört svårt att mäta; utsläpp av växthusgaser. Med hjälp av satellitdata, markbaserade sensor och AI kartlägger aktörer som Climate Trace, NASA och FN idag utsläpp av både koldioxid och metangas.

2024 kommer pressen att ökar på de som släpper ut och samtidigt belöna organisationer och länder som minskar sina utsläpp. I detta blir radikal transparens en viktig pusselbit, möjliggjord tack vare de senaste årens tekniska framsteg.

➡️ Läs mer om trend #6 här

#7: Sverige satsar på AI. Och konstaterar att AI + klimatomställning går hand i hand. Eller?

I december 2023 gick regeringen ut med att man tillsätter en AI-kommission i syfte att stärka svensk konkurrenskraft och offentlig förvaltning. Detta är på många sätt positivt, men vi får inte vänta på att analyserna och förslagen ska bli klara. En mängd länder runtomkring oss har på allvar börjat trycka gasen i botten på AI-pedalen och för att inte ytterligare hamna efter behövs nu ACTION.

2024 kommer det att bli än viktigare för nationer att på allvar satsa på AI. Både för att få ihop den ekonomiska ekvationen i samhället, bana vägen för företags konkurrenskraft och uppnå en mer effektiv klimatomställning. Den stora frågan är nu om Sverige faktiskt kommer att steppa upp…

➡️ Läs mer om trend #7 här

#8: Du gör riktigt snygga AI-genererade filmer

2024 är det troligt att AI-genererat videoinnehåll får sitt verkliga genombrott, där det på allvar börjar bli svårt att skilja det verkliga från det datorgenerarade. På gott och ont.

➡️ Läs mer om trend #8 här

#9: Video-poddar växer

2024 kommer video-poddar ytterligare att ta fart – både i lutbud och lyssning. Där vi på inspirerande sätt kan lära oss nya saker och få nya perspektiv.

Lyssna gärna på vår video-podd Cow on the Ice som du hittar här (Spotify).

➡️ Läs mer om trend #9 här

#10: AI-modellerna blir större. Vad det innebär vet vi först då…

Det senaste året har stora AI-modeller (så kallade LLM:s) imponerat på oss alla. Och det har visat sig att en AI-modell tenderar att bli mycket mer kapabel ju större den blir – något som kallas för “The Scaling Law”. En lag som mer tekniskt uttryckt säger att en AI-grundmodell blir vassare ju fler parametrar och tokens som den tränas på.

2024 kommer sannolikt större modeller att utvecklas än vad vi har sett 2023. Vad det innebär när det kommer till dess förmågor lär vi få veta. Tids nog.

➡️ Läs mer om trend #10 här

#11: Cyberattacker och bedrägerier på nätet ökar

2024 lär bedrägerier på nätet dessvärre öka. Där AI inte bara skapar innehållet som lurar oss, utan allt mer genomför de brottsliga handlingarna utifrån bedragarnas instruktioner.

➡️ Läs mer om trend #11 här

#12: Web3 kommer delvis ur sin identitetskris och börjar bidra med verkligt värde

Om generativ AI allt mer kommer att spotta ur sig en massa falsk och missledande information så kommer det bli allt svårare för oss att veta vad vi faktiskt kan lita på. Kanske är tiden kommen för en annan teknologi att (äntligen) hitta sin roll i det uppkopplade landskapet? En teknologi som skulle kunna kliva in där AI på vissa håll börjar skapa kaos.

”Marrying the power of AI with the transparency and immutability of blockchain could provide a robust solution to the issue of content authenticity.” - citat.

2024 kommer vi åter igen vända blicken mot blockkedjorna för att se hur de kan hjälpa oss med spårbarnet och verifiering av digitalt innehåll.

➡️ Läs mer om trend #12 här

#13: Nästa steg för Generativ AI ➡️ Multimodala modeller

I december 2023 lanserade Google DeepMind sin nya AI-modell Gemini. En lansering som ger oss ledtrådar till vart utvecklingen för Generativ AI är påväg; från isolerade tjänster som gör en sak, till så kallade multimodala modeller som löser flera olika typer av uppgifter.

Under 2024 kommer sannolikt en massa fler AI-modeller bli multimodala och arbeta över traditionella gränser – där en och samma modell kan förstå texter, sammanfatta vetenskapliga artiklar, generera bilder, räkna matte, skriva programmerad kod, skapa filmer och så vidare. När modeller kan bearbeta olika typer av information samtidigt innebär det att de kommer att kunna lösa mer komplexa problem.

➡️ Läs mer om trend #13 här

#14: MASSOR av nya material

Generativ AI kan inte ”bara” hjälpa oss med att producera innehåll, utan också kläcka ur sig vetenskapliga genombrott. Beroende på vad vi tränar AI-modellerna på så kan de lära sig olika saker. Som att prata naturvetenskap och ge oss massvis med förslag på nya typer av material. Något som verkligen har hänt under just 2023.

Under 2024 kommer många AI-kläckta nya material att testas för att sedan användas skarpt. Något som bland annat kommer att ge hävstång i den gröna omställningen.

➡️ Läs mer om trend #14 här

#15: 🧠 Din hjärna behövs! Och den ger sig in i loopen “learn, unlearn & relearn”

I en tid av AI kommer vi människor givetvis att behövas för en massa saker. Och ju snabbare den tekniska utvecklingen går, desto viktigare blir det för oss att hela tiden försöka lära oss nya saker. Där vi behöver plocka fram våra hjärnors mer dynamiska förmågor eller vårt "growth mindset".

2024 blir det ännu viktigare för oss alla att försöka lära oss nya saker. Och inte låta den statiska sidan av hjärnan övertyga oss om att vi inte kan. Det kan vi visst, bara vi försöker!

➡️ Läs mer om trend #15 här

#16: Du läser lärorika böcker – både med ögonen och öronen

Att läsa böcker är ett av många sätt att lära sig nya saker och få de nya perspektiven som vi ju behöver. Läsning gör oss smartare, boostar våra hjärnor, hjälper oss att slappna av och ger ökad empati. Och en massa andra fördelar som listas här och här. Därför har jag sammanställt några av mina favoriter som jag läst under 2023. Kanske känns några av dem spännande för dig att dyka ner i.

➡️ Här hittar du mina tips på böcker

#17: Tekniken hjälper oss att blicka mot framtiden

Vi har har aldrig kunnat förutse framtiden. Trots att vetenskapen aldrig har gett oss så många svar som idag är framtiden snarare mer oviss än någonsin. Men några saker vet vi. Som att den tekniska utvecklingen kommer att fortsätta sin rasande snabba förändringstakt – och i sin framfart riva upp tidigare spelregler genom så kallad disruption. Och att klimatkrisen snabbt kommer att bli allt mer påtaglig i vår vardag, oavsett var på planeten vi bor. Något som betyder att ALLT runt omkring oss behöver ställas om till att bli fossilfritt, hållbart och verka inom planetens gränser.

För att kartlägga krafter och trender som kan komma att påverka framtiden kan vi ta hjälp av tekniken. Med hjälp av AI kan vi koppla ihop stora mängder data, identifiera samband och relationer och utifrån detta ta fram relevanta och specifika framtidsscenarier. Vi kan också löpande hålla koll på vad ny forskning säger för att uppdatera våra scenarier över tid. Just detta skrev ⭐️ Charlotte Sundåker om för ett tag sedan i vår gemensamma framtidsspaning Mot 2030. Läs Charlottes viktiga spaning här. Och nyligen gav Gemini från Google Deepmind oss möjlighet att analyserat hundratusentals vetenskapliga artiklar och fått de viktigaste delarna sammanfattade. Över en lunchrast.

2024 kommer det att bli lättare att hålla koll på alla nya framsteg som görs när det kommer till F&U. Något som både hjälper oss att bättre greppa nutiden och att blicka mot framtiden.

➡️ Läs mer om trend #17 här

#18: Kampen om AI intensifieras – där vinnaren tar ännu mer

Den senaste tiden har vi sett en allt tydligare kamp mellan techbolagen om att vinna AI-rejset. Utifrån det faktum att de vassaste grundmodellerna för Generativ AI kan komma att utgöra ryggraden för framtida utveckling. Grundmodeller som inte stannar inom ett smalt segment eller inom en enskild industri utan kan röra sig tvärs över traditonella gränser.

Under 2024 kommer sannolikt de amerikanska tech-jättarna ytterligare att ta täten i kampen om AI. Utifrån det faktum att de redan ligger först, har gjort enorma finansiella investeringar under 2023, sitter på massvis med data, har (och kan) attrahera de vassaste AI-talangerna, knutit till sig nödvändig processorkraft och sitter på geopolitiska fördelar.

➡️ Läs mer om trend #18 här

#19: FoodTech tar sig framåt på Hype-kurvan

Under 2024 kommer resan mot mer hållbar och hälsosam mat att fortsätta, där tekniken tuffar fram på hype-kurvan och kostnader sjunker. Bland annat beskrivet och visualiserat av DigitalFoodLab i rapporten FoodTech Trends in 2024.

Men en massa andra åtgärder än rent tekniska behöver såklart också komma till för att käket ska gynna både våra kroppar och planeten.

➡️ Läs mer om trend #19 här

#20: Good is the new cool 😎

Vi människor spelar en viktig roll såklart när det kommer till klimatomställning. Inklusive hur vi kollektivt ser på hållbarhet, där omedvetenhet håller på att bli allt mer passé. I boken Good is the New Cool skriver man om en allt mer medveten konsument som “want to buy from brands that give a damn”. Där vi – både som konsumenter och anställda – söker oss till varumärken som delar våra värderingar och vår syn på världen. Och i den väldigt läsvärda PDF:en This is the #Citizenshift pratar man om betydelsen av att “Think Citizen not Consumers”.

2024 behöver bli samarbetets år där vi tillsammans jobbar åt samma gröna håll. Och där vi kollektivt landar i att det icke-hållbara också är det oerhört o-coola.

➡️ Läs mer här

#21: 🪐 Rymden flyttar in

Det är många som fascineras av det tyngdlöst okända, svarta hål och oupptäckta galaxer. Och som drömmer om att en dag få sätta sin fot på månen, Mars eller annat otillgängligt klot långt långt borta. Nu var det ju ett bra tag sedan mänskligheten senast var ute på inspirerande rymdfärder – inte sedan Apolloprogrammet avslutades 1972 har någon människa varit på månen. Men! Under 2024 kan det åter igen bli dags för 👩🏻‍🚀 att 🚀 till rymden.

Under 2024 kommer rymden att aktualiseras och flytta mentalt närmare in i våra liv. I och med alla rymdsatsningar kommer också en massa hoppfulla innovationer som vi kan använda på planeten jorden också att följa med på köpet.

➡️ Läs mer om trend #21 här

#22: Vi rustar för en radikalt annorlunda framtid

Den framtid vi blickar mot kommer sannolikt att vara dramatiskt annorlunda mot idag. Av flera anledningar. Dels har vi såklart all teknisk innovation som utvecklas med PLÖTSLIGHET och i sin framfart river upp tidigare spelregler. Den här gången av historiska mått. Och dels har vi klimatkrisen som snabbt kommer att bli allt mer påtaglig, oavsett var på planeten vi bor. Och en massa andra krafter som på olika sätt skapar förändring. Där summan just blir en radikalt annorlunda framtid.

Mitt i all förändring behöver vi vässa våra mänskliga förmågor så att vi mentalt pallar att hänga med i svängarna. Just detta dök jag och Aurore ner i när Cow on the Ice gästades av ⭐️ Joakim Skog som leder arbetet med framväxande innovationsområden på Vinnova. Lyssna på vårt samtal här.

2024 kommer det att bli ännu viktigare att utveckla våra mänskliga förmågor att hantera förändring – för att bättre kunna möta framtiden. Den sannolikt radikalt annorlunda framtiden.

➡️ Läs mer om trend #22 här

#23: Rekordmånga politiska val + risk för AI-stök

2024 kommer att gå till historien som året med rekordmånga politiska val – dessutom i många av de mest folkrika och inflytelserika länderna. Totalt är val i 76 länder inplanerade där över hälften av världens befolkning – drygt 4 miljarder människor – bor.

Samtidigt som rekordmånga kritiska val ska hållas har tekniken den senaste tiden utvecklats rekordmycket. Framför allt när det kommer till artificiell intelligens. Och där det jag kallar för AI-paradoxen har blivit allt tydligare; att utvecklingen inom artificiell intelligens gynnar oss på massor av sätt. Samtidigt som den skapar en mängd problem och utmaningar. Där en av baksidorna med AI dessvärre lär bli tydligare under supervalåret 2024 med AI-"maskiner" som används för att skapa och sprida desinformation, manipulera val och spä på konflikter.

➡️ Läs mer om trend #23 här

#24: 🔮 Du läser en massa fler framtidsspaningar

Förutom att du har läst mina spaningar kommer du (givetvis) att läsa en massa fler framtidsspaningar. För hela poängen med framtiden är att den alltid ligger framför oss – och att alla kontinuerliga förändringar ständigt skriver om berättelsen om framtiden.

➡️ Här tipsar jag om en massa spännande spaningar mot 2024

📩 Varje vecka publicerar jag nya spaningar, artiklar och resonemang kopplat till teknik och hållbarhet i nyhetsbrevet Plötsligt i Framtiden!

Prenumerera på nyhetsbrevet här

/ Judith

Makten över AI 29 Nov 2023 3:28 AM (last year)

Makten över AI

"Vem har makten över AI-utvecklingen? AI var en av huvudpunkterna när Xi Jinping och Joe Biden möttes nyligen och Vladimir Putin har tidigare sagt att den som leder AI-utvecklingen kommer ha makt över världen. Samtidigt gör sig Europa i AI-sammanhang känt för sina diskussioner om restriktioner."

Dessa frågor diskuterade jag tidigare i veckan tillsammans med Carl Bildt och Jacob Lovén i SVT:s Utrikesbyrån. Som vi vet finns det sällan utrymme för längre resonemang i tidsbegränsade tv-diskussioner. Därför kommer här en djupare redogörelse kring sådant som inte fick plats i rutan. Vi ska dyka ner i:

Varför kampen om AI är så rackarns intressant och viktig även för länder
Vilka länder som just nu leder AI-utvecklingen
Sverige position

I den sistnämnda punkten håller jag inte med Carl Bildt när han säger att “vi är små, men vi ligger på toppen av de små länderna i värden”. Hade jag fått kommentera Sveriges position i programmet hade mitt svar blivit att vi ligger efter när det kommer till AI, framför allt inom offentlig sektor. Ja, Sverige har varit ledande i den förra digitala vågen (den som hade med internet att göra). Men AI är en helt annan typ av teknologi som kräver andra typer av satsningar. Här kan vi inte leva på gamla meriter utan behöver inse att AI är ett nytt berg att bestiga. Och att det som står på spel är vår framtida konkurrenskraft och huruvida vi får den ekonomiska ekvationen i samhället att gå ihop.

Mer om detta och vad olika rapporter säger om Sveriges position längre ner.

Låt oss först ta det från början.

En ny industriell revolution

Vi befinner oss just nu i början av en ny teknisk era som både sannolikt och dramatisk kommer att förändra allt från transport, jordbruk och tillverkningsindustri, till infrastruktur, hälsa och utbildning. Och hur vi lever våra liv. Denna nya våg har kallats för en “Fjärde Industriell Revolution”, något som indikerar att det inte handlar om några små förändringar utan genomgripande sådana.

Visualiserat såhär:

2022 tog jag tillsammans med teamet på SusTechable fram rapporten Vilket Sverige vill vi ha? Viktiga vägval i den nya digitaliseringsvågen. Såhär lät vårt inledande resonemang:

Varför är teknik och digitalisering så centrala samhällsfrågor? Det korta svaret är att det handlar om vilket Sverige vi vill ha framåt. Den tekniska utvecklingen kommer att påverka vårt lands konkurrenskraft och hur vi löser de stora samhällsutmaningarna. Satsningar på nya teknologier kommer att avgöra ifall vi lyckas med att garantera säker vård, omsorg och utbildning till alla. Hur väl vi lyckas upprätthålla vår nationella säkerhet och försvaret. Nya teknologier är nödvändiga verktyg i transformationen mot ett fossilfritt samhälle. Och så vidare.

European Center for Digital Competitiveness uttrycker sig såhär:

”New technologies such as 3D printing, augmented and virtual reality, sensors, artificial intelligence, quantum computing and robotics have the potential to disrupt nearly any industry. The competitiveness of nations in these technologies will determine how prosperous their countries will be in the decades ahead.”

I denna nya era är AI en nyckelteknologi.

Kraften i AI

Ska vi prata tekniska begrepp är AI en så kallad General Purpose Technology (GPT) med potential att förändra samhällen, ekonomier och sociala strukturer världen över. Exempel på andra historiska GPT:er är elektriciteten och internet. Skillnaden är att den potentiella kraften som finns i AI är större än för tidigare historiska teknikskiften.

En av drivkrafterna bakom den intensiva kampen om AI är att det sannolikt finns större priser att kamma hem än någonsin tidigare – både i form av pengar och makt. Den som lyckas utveckla de ledande AI-lösningarna kan nämligen i nästa steg anpassa dessa för tillämpningar som går över traditionella gränser. Låt säga att Google/Alphabet utvecklar en suverän AI-grundmodell. I nästa steg kan denna knådas om för att användas inom alla möjliga typer av branscher. Exempelvis:

Hälsa & medicin (vilket man delvis redan gör med DeepMind)
Självkörande bilar (vilket man redan gör med Waymo)
Energioptimering (Google har redan använt sina egna algoritmer för att få ner energiförbrukningen i byggnader).
Och så vidare

Samma sak gäller för länder. De länder som blir ledande inom AI kommer kunna tillämpa tekniken inom en mängd olika områden i samhället. Både för att optimera sådant som redan görs och därmed få ner kostnader. Men också för att göra helt nya typer av saker möjliga i samhället.

Ja, du fattar.

Men vem är det då som leder det globala AI-rejset?

De båda ledarna

Idag är det tydligt två nationer som leder tävlingen om AI: 🇺🇸 och 🇨🇳.

USA 🇺🇸

I USA ser vi enorma satsningar på AI, framför allt inom näringslivet. Vita Huset har nyligen sagt att AI-bolag i USA har tagit in mer kapital det senaste året än de sju efterföljande länderna tillsammans. Andra siffror pekar åt samma håll. Enligt State of AI Report 2023 har bolag baserade i USA fått upp mot 70% av AI-investeringarna under 2023. Grafen under visar på siffror för 2022 och kommer från Artificial Intelligence Index Report 2023, Stanford University

Även USA:s regering satsar nu stort på AI, något du kan läsa mer om här, här och här.

Kina 🇨🇳

Om USA just nu är ledaren hittar vi Kina på en tydlig andraplats. Och landet satsar stora resurser på att komma ikapp.

2015 lanserade Kina satsningen Made in China 2025 som syftar till att ge Kina den globala ledartröjan inom tio olika industrier och där satsningar på AI och andra teknologier är centralt.

2017 lanserade Kina en oerhört ambitiös AI-plan, Next Generation Artificial Intelligence Development Plan, med siktet att bli det ledande landet inom AI till år 2030.

Förutom ekonomiska muskler har Kina även andra styrkor. Bland annat en stor befolkning (därmed stora mängder data) och hungriga entreprenörer som kavlar upp ärmarna. Läs mer här, här och här.

Bipolär världsordning

Mycket pekar på att USA och Kina kommer att uppnå en ny nivå av försprång. Där de med hjälp av AI blir allt mer överlägsna när det kommer till ekonomisk konkurrenskraft, geopolitisk makt och militär styrka. Entreprenören och AI-tungviktaren Kai-Fu Lee kallar detta för en "bipolär världsordning" (bipolar world order).

Samtidigt ser vi att avsaknad av AI-investeringar kan leda till oproportionerligt stora nackdelar. De länder som riskerar att helt hamna efter är sådana som saknar ekonomiska resurser och kompetens att kunna hänga med. Något som riskerar att leda till dubbla smällar.

Den första smällen handlar om att produktion av fysiska produkter fram tills nu har lagts i länder med låga lönekostnader. AI, i kombination med andra teknologier såsom robotar och 3D-skrivare, kommer med stor sannolikhet möjliggöra för produktion att flyttas tillbaka till dess hemmamarknader. Resultatet blir en enorm arbetslöshet.
Den andra smällen är att brist på kompetens, kapital och data gör att dessa länder samtidigt missar att dra nytta av de ekonomiska fördelar som AI allt mer ger.

När AI ger nya muskler till dem som har möjlighet investera riskerar vi ett ökat gap mellan ett A- och ett B-lag när det kommer till länder.

Där vinnarna tar mer.

Och förlorarna riskerar att förlora allt.

➡️ Förra veckan skrev jag om vad denna vinnaren-tar-allt-logiken innebär för tech-företagen: Kampen om AI intensifieras – där vinnaren tar allt🥇och ännu mer 🥊

Andra länder som satsar

Hur ligger då andra länder till? 2022 gjorde jag och SusTechable en rejäl djupdykning i vilka länder runt om i världen som ligger i framkant när det kommer till den nya vågen av teknologier. Det vi kom fram till är att USA och Kina är de tydliga ledarna. Men även att länder som Storbritannien, Singapore, Kanada, Sydkorea, Israel, Japan, Förenade Arabemiraten och Tyskland gasar på för att hänga med. EU vill givetvis vara med i leken, men fokuserar i skrivande stund mer på AI-reglering (superviktigt också såklart) än att på allvar försöka komma ikapp när det kommer till ekonomiska investeringar och innovation. Och slutligen har vi vårt grannland Finland som satsat väsentligt mer resurser på AI än vad Sverige har gjort. Snarare är det Finland som “ligger på toppen av de små i värden.”

Läs mer de olika ländernas satsningar i vår rapport som finns gratis att ladda ner här.

Vår kartläggning är som sagt från 2022, men spolar vi fram bandet till nutid är det fortfarande dessa länder som Sverige kan inspireras av. För. Sverige ligger inte i AI-toppen. I alla fall inte när det kommer till offentlig sektor.

Sverige

De fyra svenska myndigheterna Vinnova, DIGG, Post- och telestyrelsen (PTS) och Vetenskapsrådet skrev i början av 2021 i en samlad rapport att “de extraordinära statliga satsningar på forskning, innovation och demonstration med syfte att underbygga digital omställning som genomförs i flera länder har ännu ingen verklig motsvarighet i Sverige.” En digital omställning där AI är centralt.

I oktober 2020 presenterades OECD-rapporten Digital Government Index 2019, där Sveriges offentliga sektor hamnar på bottenplaceringar jämfört med andra medlemsländer. I mätningarna var AI en viktig komponent med aspekter som digital by design, government as a platform, data-driven public sector och proactiveness.

När Vinnova, DIGG, Post- och telestyrelsen och Vetenskapsrådet kommenterar OECD:s rapport låtet det såhär: “Bristen på tydligt policyledarskap i den digitala transformationen är mycket problematisk. OECD konstaterar att det saknas mandat och resurser för långsiktiga systematiska processer för att förutse, värdera, prioritera och kraftsamla.” Man konstaterar att detta begränsar Sveriges möjlighet att inta en stark och framträdande position internationellt i den digitala transformationen.

Tittar vi på mer uppdaterade analyser kring AI konstaterar Digg, Bolagsverket, Arbetsförmedlingen och Skatteverket i en gemensam rapport från 2023 att “vi behöver göra mer”. Några citat från rapporten:

“I Sverige sker stora satsningar på forskning på AI inom näringslivet men liknande initiativ saknas inom offentlig förvaltning.”

“Det finns stor potential att använda AI, den stora risken är att satsningarna uteblir och att svensk offentlig förvaltning hamnar längre efter vilket riskerar svensk välfärd och säkerhet”

Rapporter från TechSverige är ofta väldigt läsvärda. I den färska rapporten Svenska techbranschen 2023 skriver man bland annat att Sverige har tappat fart i relation till omvärlden där ”andra länder springer mycket fortare än Sverige”. Här kan du läsa rapporten från TechSverige.

Jag hade kunnat hålla på ett bra tag till med att lista rapporter och citat kopplat till Sveriges position, men min mjukvara berättar för mig att jag börjar närma mig gränsen för antalet tecken. Och du börjar förmodligen också att tröttna. Dags att börja runda av med andra ord.

Potential. Men det krävs också ACTION!

Sverige som land har å ena sidan stor potential att dra nytta av AI:s möjligheter baserat på att vi har en viktig kombination av tillgång till kapital och duktiga tech-entreprenörer.

Det som dock krävs för att Sverige som helhet – och vår offentliga sektor i synnerhet – ska kunna komma ikapp är att vi också agerar. Genom ekonomiska satsningar, ett stödjande politiskt system som möjliggör att data kan användas, ökade satsningar på utbildningar som förser Sverige med nödvändig AI-kompetens. Och en massa andra saker som vi behandlade i vår rapport.

Sverige har sedan 2017 en vision att bli “bäst i världen på att använda digitaliseringens möjligheter.” Och den nuvarande regeringen har sagt att de ska tillsätta en AI-kommission. Dock krävs det nu betydligt mer än visioner, utredningar och rapporter. Det krävs också verklig ACTION!

📚 Vill du läsa mer om länders tävlan om att vinna kampen om AI kan jag rekommendera böckerna AI Superpowers - China, Silicon Valley and the New World Order av Kai-Fu Lee och The Big Nine av Amy Webb. Båda böckerna har några år på nacken och mycket har hänt när det kommer till den tekniska utvecklingen. Dock består böckernas grundläggande resonemang kring den globala tävlingen om AI och vad som står på spel.

Och här kommer länken till vårt samtalet i Utrikesbyrån.

/ Judith

Glassmodellen för Generativ AI – del 2 12 Sep 2023 7:59 AM (last year)

Glassmodellen för Generativ AI – del 2

Generativ AI är bland det hetaste inom tech just nu, men också bland det svåraste att greppa rent tekniskt. För ett par veckor sedan gav jag mig på att försöka förklara hur sjutton Generativ AI egentligen funkar och vad olika buzzwords betyder. Tusen tack för alla fina kommentarer och alla delningar som artikeln gav 💖! Betyder mycket.

Du hittar den första artikeln i serien här ➡️ Generativ AI – från ööh? till AHA!

Nu har vi kommit till del 2 av glassmodellen för Generativ AI där vi ska vi prata om de mer kreativa delarna; allt spännande vi kan göra med glasstruten som grund. Lite färre tekniska begrepp i den här alltså, HURRA.

Först behöver vi dock köra en kort repis av glasstruten och göra några centrala tillägg.

Snabbrepris

Grunden för att Generativ AI funkar ligger bland annat i de tekniska komponenterna Foundation Models, LLMs, Transformers och Diffusion Models som vi benade ut i förra artikeln. Struten i modellen.

Idag finns det hundratals varianter av glasstrutar – alltså grundmodeller för Generativ AI – ute på marknaden som har tränats upp på MASSOR med data. Några exempel på stora grundmodeller är GPT-4 från Open AI, PaLM2 från Google, LLaMA2 från Meta + Microsoft, Claude 2 från Antropic och Falcon 180B från Technology Innovation Institute (TII).

Här hittar du en rapport som listar 77 stycken grundmodeller och här finns en sökbar databas.

Vad betyder då det här?

Tack vare Foundation Models behöver företag, organisationer och individer – alltså du och jag – som är sugna på att utveckla AI-lösningar inte göra det oerhört svåra grundjobbet själva. (Vilket är tur då det bland annat kräver djup kompetens inom maskininlärning, mattematik och statistik. Det behövs en massa kraftiga datorer, oerhörda mängder data och jättemycket pengar).

Vi kan istället alltså koppla in oss på strutar (intelligenser) som någon annan har utvecklat och använda dessa för att bygga egna smarta appar och digitala lösningar. Jag tänkte hoppa över hur det funkar rent tekniskt, men API:er är ett vanligt sätt att få ditt system att prata med en Foundation Model. Läs mer här, här, här och här.

Tillägg: Ok, det är inte superenkelt att koppla in och justera en grundmodell för att funka på de sätt som man vill – men det är oerhört mycket enklare att utveckla AI-tjänster i framkant idag än tidigare. Och tröskeln för att kunna bygga Generativa AI-grejer har sänkts REJÄLT.

Vad är det då som byggs?

Vad är det då för generativa lösningar som utvecklas med hjälp av grundmodeller? Och vad ska dessa tusentals nya AI-tjänster hjälpa oss med?

Ett vanligt sätt att kategorisera tillämpningsområden är som i bilden här under; text, images, video, audio, code och så vidare. Inom varje kategori finns det idag oändligt många startups som tävlar om att bli vinnaren i varje respektive område.

I min modell har jag gjort om detta lite inboxade sätt att presentera tillämpningarna till glasskulor – där varje kula representerar ett område där Generativ AI ger oss nya möjligheter ⬇️.

Varje dag, timme och minut lanseras nya Generativa AI-tjänster inom en mängd olika glasskulor. Att som människa hålla koll på allt som händer är därmed en omöjlighet. I mitt huvud brukar jag mentalt se utvecklingen av nya AI-baserade lösningar som ett vattenfall som jag då och då kan besöka för att utforska, testa och lära.

Om du själv vill testa AI-tjänster inom olika typer av områden kommer här några länkar som kan hjälpa dig på vägen.

Generative AI startups, Dealroom.co – lista över startups utifrån kategorier
GenAI – plattform som hjälper dig att hitta nya generativa AI-produkter & tjänster
Antler GenAI Landscape – Antler listar massa AI-baserade tjänster
AI Library – 1500+ AI tools and colabs
Generativ AI – konto på LinkedIn med + 1 miljon följare som varje dag postar tips & information om vad som händer inom området

De tjänster som jag själv använder mest i min vardag är följande:

ChatGPT (version GPT-4) – Min personliga textbaserade assistent som hjälper mig att besvara frågor, få nya perspektiv och bli mer kreativ.
Midjourney – Bildgenereraren som jag tycker ger det bästa visuella resultatet (och som jag använt för att skapa glassarna i den här artikeln).
Runway ML – Förvandlar bilder till film, eller skapar rörligt innehåll utifrån din textbaserade prompt.
ChatPDF – Japp, det är vad det låter. Ladda upp en pdf och chatta med den. Exempelvis kan du be den att sammanfatta sig själv eller förklara sitt innehåll på olika sätt.
Compose AI - Eftersom jag skriver mycket håller jag just nu på att testa och utvärdera Compose AI (som bland annat är backade av Y Combinator). ”Write faster with AI, save time⚡”.

💬 Kommentera gärna och tipsa om generativa AI-tjänster som du själv har svårt att leva utan. När jag ställde frågan på LinkedIn fick jag bland annat svar från Niclas Deeped Strand som skrev "Jag skulle vilja ha en everything-app för att hålla koll på alla olika AI-applikationer som finns... Det är stört omöjligt att hålla ordning på dem." Och Jesper Åström tipsade om Opus Clip ("repurposes long talking videos into short viral clips") och Clay (”scale your creative outbound ideas).

Fint. Låt oss nu byta fokus en aning.

Generativ AI bortom det förväntade

Det jag har skrivit om så här långt är typiska saker som Generativ AI används till. Men! Med hjälp av struten (Foundation Models & LLM:s) har AI lärt sig att generera en massa andra saker än "bara" innehåll som smarta texter, imponerande bilder och programmerad kod.

Låt oss nu kika på några andra tillämpningar som än så länge levt mer i det dolda.

I glasstruten döljer sig datorers imponerande förståelse för en väldans massa saker, beroende på vilken information som modellerna har tränats på. Förutom att skapa innehåll för internet och hjälpa oss att jobba smartare i vardagen, kan Generativ AI också generera massvis med andra saker. Bland annat det som är markerat med uppiggande skrik-grön färg i bilden här under ⬇️.

Generativ AI lär sig prata naturvetenskap

Förutom att lära sig engelska eller svenska kan glasstrutarna (Foundation Models & LLM:s) lära sig att prata biologi, kemi och andra naturvetenskapliga språk. Låt oss titta på två exempel:

🧪 Fatta molekyler → MoLFormer-XL är en Foundation Model från IBM som har tränats på 1,1 miljarder molekyler och som har lärt sig "the grammar of molecules". Kunskap som kan användas för att påskynda vetenskapliga genombrott. Läs mer här.

"Generative AI could provide an answer, with its ability to create molecules entirely new to nature." - Citat

👩🏻‍🔬 Greppa hur proteiner är uppbyggda → 2022 lyckats AlphaFold från DeepMind kartlägga alla proteiner i universum som vi människor känner till – närmare bestämt över 200 miljoner stycken. Informationen finns tillgänglig i en databas och är öppen både för forskarvärlden och för kommersiellt bruk på.

När vi tar hjälp av AI för att analysera sådant som vi vet – naturvetenskaplig data kring hur världen runt omkring oss funkar – kan Generativ AI sedan hjälpa oss med sådant som vi inte vet. Genera nya innovationer som kan vara oerhört värdefulla för oss. Redan idag sker det massvis av utveckling inom området. Några konkreta exempel är:

💊 Utveckla nya mediciner → 2019 tog forskare på Massachusetts Institute of Technology (MIT) med hjälp av AI fram en ny typ av antibiotika som kan slå ut resistenta bakterier. Läs mer här och här. Även den här videon från AlphaFold berättar mer om hur man har gett sig på utmaningen med hjälp av AI.

🦠 Accelerera framtagning av vaccin → I flera fall har AI varit involverad vid framtagning av Covid-vaccin. Ett färskt exempel kommer från Oxford University och IBM som med hjälp av AI designat "never-before seen" molekyler som kan blockera SARS-CoV-2, viruset som orsakar Covid-19. Läs mer här.

Innan vi går in på fler konkreta exempel vill jag först prata lite nödvändigt allvar.

Sommaren 2023 har globalt varit den varmaste någonsin. Det blir allt tydligare att planeten snart inte klarar av att upprätthålla den balans som vi människor fram till nu har tagit för given. Läget kring klimatet är akut. Nyligen belyste FN:s generalsekreterare Antonio Guterres, åter igen, att det är av yttersta vikt att ledare runt om i världen tar klimatkrisen på allra högsta allvar. En kris som ‘is spiralling out of control’ där ‘the climate breakdown has begun’.

Det ÄR fu**ing allvar!

Det borde vara en självklarhet att vår samlade innovationskraft, handlingsförmåga och resursallokering läggs på lösningar som drastiskt hjälper oss att minska utsläppen och skydda naturen. Detta borde vara vår allra största prioritet.

Tillbaks till Generativ AI.

På den positiva sidan kommer smart teknik allt mer att kunna hjälpa oss framåt – bland annat när det kommer till att öka innovationstakten rejält när det kommer till fossilfria och mer hållbara lösningar. Givetvis är teknik aldrig den enda lösningen på våra stora utmaningar. Dock behöver den vara en viktig pusselbit. Det behövs också politisk vilja, ett näringsliv som visar verklig handlingskraft och så vidare.

Vad innebär det här när det kommer till tekniken och AI specifikt?

På samma sätt som Generativ AI kan kläcka fram nya lösningar inom medicinska områden kan vi använda generativ teknik för att utveckla sådant som nya typer av material, livsmedel och gröna innovationer. Låt oss även här titta på några konkreta exempel.

🔋 Utveckla nya typer av batterier → Batterier är idag en viktig komponent för att ställa om 🚗-industrin. Dagens batterier är fortfarande relativt dyra (priset sjunker dock hela tiden) och de kan vara problematiska kopplat till kritiska metaller, ibland konfliktmineraler. Tursamt nog innoverads det just nu rejält inom området, där AI spelar en viktig roll. Chemix är ett USA-baserat bolag som använder Generativ AI för att ta fram nya och bättre batterier som inte innehåller kobolt. Läs mer om just Chemix här. En massa andra liknande exempel finns också.

🔬 Generera nya typer av material → A-Lab är ett initiativ från Lawrence Berkeley National Laboratory (LBNL) som med hjälp av AI har identifierat 150 000 kandidater till nya icke-organiska material. Nya material som exempelvis kan hjälpa oss att utveckla nya sätt att lagra energi, mer effektiva solceller, nya typer av bränsleceller och termoelektriska material (material som genererar energi från temperaturskillnader). Oerhört spännande! Du kan läsa mer i den här artikeln där jag dyker djupare ner i exemplet från A-Lab. På sajten materialsproject.org ligger information om alla nya materialkanidater från labbet samlade.

🍔 Ge hävstång för plantbaserad mat → Kossor är en stor utsläppsbov när det kommer till metangas. Att dra ner på 🐮-baserade produkter – och öka utbudet av växtbaserade alternativ – är en av komponenterna för att få ner utsläppen. Bolaget Climax, en startup som tillverkar vegansk ost, har använt Generativ AI för att hitta den bästa kombinationen av ingredienser för att få till den absolut smaskigaste osten. "The discovery was made possible through precision formulation – a process that uses data science and AI to dramatically increase the speed of discovering optimal ingredient and process combinations with plants." Läs mer här.

🌿 Vill du läsa mer om hoppfulla exempel med AI i centrum har jag skrivit mer om det i den här artikeln.

Σ Summa summarum.

Generativ AI "tänker" och innoverar väldigt annorlunda än våra mänskliga 🧠or. Tillsammans kan människa och maskin – tack vare Generativ AI – nu uppnå rejäl hävstång när det kommer till innovation. Videon här under förklarar mer.

"Did you know that on average, it takes 10 years of research and between $10 million and $100 million to discover and develop a new material? In this video, John R. Smith, IBM Fellow and Discovery Technology Foundations Leader at IBM Research, explores how generative models can reduce these constraints and fuel newer and faster discoveries."

Förutom att öka innovationstakten kan andra typer av AI – alltså inte de generativa varianterna (utan så kallad discriminative AI) – hjälpa oss att optimera och effektivisera sådant som vi redan gör. Som att minska energiförbrukningen i byggnader, skapa en mer pålitlig förnybar energiproduktion, upptäcka och eliminera energiläckage, få till mer intelligent återvinning, minska matsvinn, optimera kollektivtrafiken och så vidare. Allt detta skrev vi på SusTechable om i en AI-rapport som vi släppte i början av 2021. Du kan ladda ner den gratis här (engelsk version finns här).

Avslutningsvis, några rader om satelliter 🛰️

För er som blir extra kittlade av projekt som har med rymden att göra kommer en glädjande avslutande nyhet.

IBM har nämligen i samarbete med NASA släppt en Foundation Model som har tränats på en massa satellitdata. Modellen har lagts upp öppen att använda på AI-plattformen 🤗 Hugging Face. Detta är den största geospatiala grundmodellen på Hugging Face och den allra första grundmodellen som byggts i samarbete med NASA.

"By embracing the principles of open AI and open science, both organizations are actively contributing to the global mission of promoting knowledge sharing and accelerating innovations in addressing critical environmental challenges."

Detta kommer att göra analys av satellitdata mycket enklare och dessutom tillgänglig för alla. Med ytterligare finjusteringar (fine-tuning) kan grundmodellen användas för saker som att hålla koll på avskogning eller mäta utsläpp av växthusgaser. Det ska bli spännande att se allt som kommer att byggas ovanpå denna IBM/NASA-strut! Läs mer här (NASA) och här (IBM).

– 💚 💚 💚 –

Det var allt för den här veckan. & för dig som tagit dig hela vägen hit = TACK! Vi har bara en planet & den håller på att smälta bort. Låt oss tillsammans, på de sätt vi kan, kämpa för att omställningen ska gå betydligt snabbare än idag. Både med och utan smart teknik.

Ta hand om er! & för dig som prenumererar på mina utskick via SubStack så hörs vi igen nästa vecka.

/ Judith

Prenumerera gärna på mitt nyhetsbrev Plötsligt i Framtiden på SubStack där jag en gång i veckan skriver artiklar och sammanställer nyheter inom teknik, hållbarhet och framtid. Det är gratis och kommer utan krav.

Generative AI - explained like an ice cream 7 Sep 2023 2:04 AM (last year)

Generative AI - explained like an ice cream

No one has likely missed the new cool kid in town—Generative AI—which has recently swept in like a storm. But how does it work and what do all the terms mean? It's easy to not only feel confused by all the buzzwords but also to give up on trying to understand...

But we won't do that! No, instead we'll try to talk in a way where the technology doesn't get in the way of overall understanding and curiosity. Whether I succeed remains to be seen, but for those who manage to get through all the theory, a reward awaits at the end 🍿.

Before we delve into the generative AI hype, let's first sort out some basic things.

Basic stuff

AI is far from something new. The idea of machine intelligence is considered to have existed since at least the 1940s, and the term 'artificial intelligence' was coined at a conference in 1956. But it's only in the most recent years that the technology has seriously begun to achieve great heights—both in terms of innovation and how high our eyebrows are raised in astonishment.

The term AI is today an umbrella term for various ways in which machines can perform tasks that normally require human intelligence.

However! When we in 2023 are amazed by AI's increasingly astonishing abilities, it is the more advanced subcategories of Deep Learning (DL) and Artificial Neural Networks that are behind it.

What then is Generative AI?

What's new for the past few years is that AI (with the help of deep learning & neural networks) has started to create truly impressive content. But not only that, it can also generate entirely unique content that hasn't existed before.

Before Generative AI, smart algorithms were mainly used for things like analysis, optimization, automation, and filtering. Now, the technology can also rapidly create things like:

Text: Write texts, summarize books, and answer our questions. You've undoubtedly tried services like ChatGPT or Google Bard.
Image: Generate creative and high-quality images. Midjourney, DALL·E and Stable Diffusion are some examples.
Code: Generate programmed code using solutions like GitHub Copilot or Amazon CodeWhisperer.

Generative AI can also produce sound, compose music, transform 2D into 3D, produce films, and much more.

In all likelihood, the years 2022 and 2023 will go down in AI history as turning points where Generative AI changed the rules of the game when it comes to content creation. And in the long run, a lot of other things as well.

Great. Now we know what Generative AI is. Let's now indulge in some nerdy fun.

The Building Blocks of Generative AI

While preparing to write this article, I've tried to find an educational overview that puts the building blocks of Generative AI into some graspable perspective. That hasn't gone so well. For one, most are far too focused on tech details (and look like this or this). And secondly, they are often incredibly boring.

So, with the help of Midjourney and a simple design program, I created my own, slightly more creative explanation model based on ice cream (hey, who doesn't like dessert!). The rest of this text will now focus on the cone in the model. A cone that is the foundation for why all Generative AI is both functioning and completely exploding right now.

👋🏼 Say hello to Foundation Models, LLMs, Transformers and Diffusion Models.

Let's take them one at a time.

➡️ Foundation Models

Foundation Models are a crucial reason why Generative AI has exploded so quickly. Start by watching the video below (it's only two minutes long) to grasp what function these foundation models serve. The video comes from Stanford University Human-Centered AI and also discusses the opportunities and risks associated with these disruptive Foundation Models.

To train a Foundation Model, deep expertise in machine learning, mathematics, and statistics is required among other things. A large number of powerful computers, enormous amounts of data, and often a lot of money are also needed. It's not surprising then that many of the larger foundation models out there have been developed by well-known companies like Google, Meta, IBM, and OpenAI.

Anyone who wants to build their own Generative AI solution does not need to do the heavy lifting themselves, thanks to Foundation Models. Instead, one can make use of one or several of the hundreds of foundation models available and then tailor them according to how they want their own solution to function.

Beyond the Basics:

Foundation models are trained using enormous amounts of data through self-supervised learning and/or semi-supervised learning.
To get a Foundation Model to behave the way you want, there are different ways to customize the model. One method is through what is called Fine-Tuning (you 'fine-tune' an already trained model using new data that is adapted for a specific task), or through what is known as Prompt Tuning (a lighter form of customization where you direct the model's behavior through prompts).
There are both foundation models that are controlled by companies (such as GPT-4 developed by OpenAI) and those that are open source (such as LLaMA2 developed by Meta & Microsoft). You can read more about the differences in the article Making foundation models accessible: The battle between closed and open source AI.

➡️ LLMs

LLM stands for Large Language Model and is a type of Foundation Model that deals with language and numbers. When you use ChatGPT or Google's BARD, it's an LLM that makes it work.

In the video below, Nikita Namjoshi and Dale Markowitz from Google explain what an LLM is.

Beyond the Basics:

If you want to impress a friend, you can drop the following:

The latest LLM model that makes ChatGPT work is called GPT-4.
Google's latest LLM model that, among other things, makes BARD work is named PaLM2.
The LLM model that Meta and Microsoft have jointly developed is called LLaMA2.

If you were paying attention when you watched the LLM video, you heard the term 'Transformers.' It's now time to meet the real superstars within Generative AI.

➡️ Transformers

Transformers is the name of a specific model or method within deep learning that is used as a building block in much of what has to do with Generative AI.

Transformers are considered a key, if not THE key, component to the new wave of Generative AI' - Quote.

Transformers are one of the main reasons why Foundation Models and LLMs have become so impressive. It is, among other things, Transformers that are used to train GPT-4, which is the LLM for ChatGPT.

'What on earth? What do you mean by models and methods??? I don't get it,' you might be thinking.

In overly simple terms, Transformers are a smarter way to crack the nut of intelligence. Whatever intelligence is & who is really the smartest...

Beyond the Basics:

Transformers were introduced for the first time by researchers at Google in 2017 in the article Attention Is All You Need. And in the image below, the researchers visualize how a Transformer works. It's all Greek to most people who don't work on developing AI solutions. Now you have at least seen it!

If you don't want to read a highly technical PDF (the one from Google above) but still want to learn a bit more about Transformers, I can recommend this video from IBM. In it, they delve into advanced topics like Encoders, Decoders, and Attention.

For those of you still reading, well done! Now we just have one last term to clarify.

➡️ Diffusion Models

What Generative AI is becoming increasingly skilled at is generating realistic images. You've probably tried services like DALL·E from OpenAI, Midjourney (my own favorite), or Stable Diffusion.

When it comes to visual AI, it's not just Transformers that have been at play, but also another new AI star that has been developed in parallel, namely Diffusion Models. In the video below, the concept is explained at 4 different levels, from basic to more advanced.

Beyond the Basics:

Before the entry of Diffusion Models, other models with names like Generative Adversarial Networks (GANs), Variational Autoencoders (VAE) and Flow-based models were used.

Wohooooo!!! 🦾

There you have it, all the heavy theory covered. Let's quickly recap.

Generative AI is the umbrella term for a new wave of AI that can create unique content.
Foundation Models are base models that are trained on a MASSIVE amount of data. And they can be used as a foundation for building new apps and solutions in Generative AI.
LLMs are a type of Foundation Model that deals with text and numbers.
Transformers are the ⭐️-model (although there are others) for training Generative AI models on text and numbers.
Diffusion Models are the ⭐️-model (although there are others) for training Generative AI models on anything related to visual content.

And when we combine all of this, we have the foundation for what makes Generative AI work. We get the cone for the ice cream.

But what about the actual ice cream with all the different flavors? In other words, all the new apps and services that pop up every day that we can use. Well, we'll have to cover that another time (but it could look something like this ⬇️).

After this sugar rush, you might have gained an extra 8 minutes of energy to watch the video below, where Kate Soule from IBM summarizes much of what we've talked about. But you can also skip down to the next heading where the reward awaits.

Probably the best AI presentation of the year 🥳

We've finally reached the end and the reward!

At the end of July, Spotify released an AMAZINGLY good and educational video where Gustav Söderström – Co-President, CPO & CTO at Spotify – gives a lecture on AI at an internal event. Fortunately for all of us, it has also been made public as both a Video-podcast (Spotify) and on YouTube!

If there's anything on the topic of AI that I can recommend watching, it's this. The presentation has received a lot of praise, so you may have already seen it.

In Gustav's presentation, you'll recognize and learn more about the concepts that we have covered in the text above. So settle in front of any screen and enjoy a 1.5-hour educational presentation 🍿, and come out on the other side as an upgraded 2023 human.

Additional Tips

For those of you who want to dive deeper into the world of Generative AI, I can recommend the following:

// Judith

Don't miss to subscribe to my newsletter 'Plötsligt i Framtiden' on SubStack (in Swedish though), where I write articles once a week on the topics of technology, sustainability, and the future.

Generativ AI – från ööh? till AHA! 29 Aug 2023 1:10 AM (last year)

Generativ AI – från ööh? till AHA!

Ingen har nog missat the new cool kid in town – Generativ AI – som senaste tiden svept in som en storm. Men hur funkar det och vad betyder alla begrepp? Det är lätt att inte bara känna sig förvirrad av alla buzzwords utan också ge upp i att försöka förstå…

Men det ska vi inte göra! Nej, vi ska istället försöka prata på ett sätt där tekniken inte ställer sig i vägen för övergripande förståelse och nyfikenhet. Om jag lyckas återstår att se, men för dig som pallar att ta dig igenom all teori väntar en belöning i slutet 🍿.

Innan vi går in på den generativa AI-hypen, låt oss först reda ut några grundläggande saker.