Lítið kínverskt fyrirtæki hefur sett fram gervigreindarmódel sem skákar bandarísku tæknirisunum.
Segir sagan að Deepseek R1 hafi verið þjálfað fyrir einungis 6 milljón bandaríkjadali á móti sennilega hundruðum milljóna dala sem varið hefur verið í líkön samkeppnisaðilanna (OpenAI, Google, Meta). Notaður hafi verið gamall vélbúnaður við þjálfun þess frá Nvidia, sem hefur lækkað um 15% á mörkuðum.
Reyndar er þetta það mikið stökkbreyting á þjálfunarkostnaði að margir vilja meina að þetta sé alls ekki satt og að þetta sé kínverskur sálfræðihernaður (psyop). En hið rétta ætti ekki að taka langan tíma að koma í ljós þar sem Deepseek R1 er open source og búið er að gera nokkuð skilmerkilega grein fyrir því hvernig það var búið til. Svo að nú munu aðrir geta gert sambærileg líkön sem verður spennandi.
Ég hef aðeins prófað Deepseek sjálfur og mitt mat á því er svolítið blendið.
🚀Gott:
- Líkanið er mjög snjallt og það er öflugt í greiningarvinnu og forritun.
- Það er gaman að nota R1 líkanið, því það sýnir manni hvernig það leiðir sig sjálft áfram að niðurstöðunni. Maður sér þankaganginn hjá því. Mjög mannlegt í raun hvernig það fer stundum niður blindgötur og breytir um skoðun.
- Þjálfun þess og mögulega notkun er orkusparandi miðað við núverandi líkön.
📉Slæmt:
- Það er ekki jafn gott og sambærileg líkön í íslensku. Það er það mikill munur á því að mér finnst það ónothæft á íslensku.
- Maður er að senda gögnin sín til Kína og nú berast sögusagnir af því að Deepseek sé að safna alls kyns gögnum eins og lyklaborðsmynstur (e. keystroke patterns) sem þykir óþægilegt. Ég hef ekki lesið skilmálana og myndi sennilega ekki treysta þeim hvort eð er.
- Nefnd hafa verið dæmi um kínverska ritskoðun í módelinu, sem er auðvelt að kalla fram með því að spyrja um atburði tengda Torgi hins himneska friðar.
Við þurftum þó ekki að bíða lengi eftir því að vestrænn valkostur yrði aðgengilegur. Nokkur fyrirtæki hafa þegar sett upp Deepseek á sínum þjónum. Einn af þeim aðilum er Groq sem býður upp á ýmis opin máltæknilíkön. Þar myndi mér líða betur með mín eigin gögn.
Það verður spennandi að sjá hvernig hlutirnir þróast og hvernig aðrir munu nýta sér aðferðina sem sett er fram í grein Deepseek.
🚀
Heimildir:
