LMU-professor: AI-utvecklingen vid en vändpunkt – mindre modeller är lösningen
Professor Björn Ommer vid LMU München betonar vändpunkten i AI-utvecklingen. Han kritiserar den nuvarande "skalningsracet", där storleken på AI-modeller anses vara ett mått på prestanda. Enligt Ommer erbjuder mindre, effektivare modeller mer hållbara lösningar.
München – Utvecklingen inom artificiell intelligens (AI) har nått en betydande vändpunkt, där enbart förstoring av modeller inte längre automatiskt förbättrar deras intelligens. Professor Björn Ommer vid Ludwig-Maximilians-Universität München (LMU) kritiserar skarpt det nuvarande "skalningsracet", där stora språkmodeller (LLM) ständigt strävar efter att öka sin storlek och därmed sin marknadsförda prestanda.
"Det 'stora' i stora språkmodeller har tydligen blivit en kvalitetsmätare," säger Ommer i en intervju. "Folk tror att AI bara blir effektivare genom att växa. Men AI-utvecklingen befinner sig just nu vid en vändpunkt: modellerna blir inte längre intelligentare bara genom att skalas upp med mer datorkraft och ännu mer träningsdata."
Ommer, som bland annat är känd för utvecklingen av bildgenereringsmodellen Stable Diffusion, understryker att den nuvarande kapplöpningen är ohållbar både ekonomiskt och ekologiskt. Stora modeller kräver enorma mängder data, datorkraft och energi, vilket begränsar deras användning till endast de digitala jättarna. Detta "skalningsrace" är enligt Ommer inte hållbart.
Dessutom lyfter Ommer fram oro relaterad till dataskydd. Stora leverantörers finstilta villkor kan innebära att användares indata kan användas för att träna deras egna modeller. Detta kan utgöra ett hinder, särskilt för företag med känslig data, till exempel inom medicin.
"Detta är också anledningen till att vi inte ville delta i skalningsracet med våra algoritmer", säger Ommer. Han förespråkar mindre, oberoende lösningar som är anpassade för lokala behov, vilket möjliggör bättre kontroll och säkerhet för data.