Pada tahun 2026, AI akan beralih dari hype ke pragmatisme | Rebecca Bellan & Ram Iyer, TechCrunch Jika 2025 adalah tahun AI mendapatkan pemeriksaan getaran, 2026 akan menjadi tahun teknologi menjadi praktis. Fokusnya sudah bergeser dari membangun model bahasa yang semakin besar dan menuju pekerjaan yang lebih sulit untuk membuat AI dapat digunakan. Dalam praktiknya, itu melibatkan penerapan model yang lebih kecil di tempat yang cocok, menyematkan kecerdasan ke dalam perangkat fisik, dan merancang sistem yang terintegrasi dengan bersih ke dalam alur kerja manusia. Para ahli TechCrunch berbicara untuk melihat 2026 sebagai tahun transisi, yang berkembang dari penskalaan brute-force menjadi meneliti arsitektur baru, dari demo mencolok hingga penerapan yang ditargetkan, dan dari agen yang menjanjikan otonomi ke agen yang benar-benar menambah cara orang bekerja. Pesta belum berakhir, tetapi industri mulai sadar. Undang-undang penskalaan tidak akan mencukupi Pada tahun 2012, makalah ImageNet Alex Krizhevsky, Ilya Sutskever, dan Geoffrey Hinton menunjukkan bagaimana sistem AI dapat "belajar" mengenali objek dalam gambar dengan melihat jutaan contoh. Pendekatan ini mahal secara komputasi, tetapi dimungkinkan dengan GPU. Hasilnya? Satu dekade penelitian AI hardcore saat para ilmuwan bekerja untuk menemukan arsitektur baru untuk tugas yang berbeda. Itu memuncak sekitar tahun 2020 ketika OpenAI meluncurkan GPT-3, yang menunjukkan bagaimana membuat model 100 kali lebih besar membuka kemampuan seperti pengkodean dan penalaran tanpa memerlukan pelatihan eksplisit. Ini menandai transisi ke apa yang disebut Kian Katanforoosh, CEO dan pendiri platform agen AI Workera, sebagai "era penskalaan": periode yang ditentukan oleh keyakinan bahwa lebih banyak komputasi, lebih banyak data, dan model transformator yang lebih besar pasti akan mendorong terobosan besar berikutnya dalam AI. Saat ini, banyak peneliti berpikir industri AI mulai menghabiskan batas undang-undang penskalaan dan akan sekali lagi beralih ke era penelitian. Yann LeCun, mantan kepala ilmuwan AI Meta, telah lama menentang ketergantungan yang berlebihan pada penskalaan, dan menekankan perlunya mengembangkan arsitektur yang lebih baik. Dan Sutskever mengatakan dalam sebuah wawancara baru-baru ini bahwa model saat ini mendatar dan hasil prapelatihan telah mendatar, menunjukkan perlunya ide-ide baru. "Saya pikir kemungkinan besar dalam lima tahun ke depan, kita akan menemukan arsitektur yang lebih baik yang merupakan peningkatan signifikan pada transformator," kata Katanforoosh. "Dan jika tidak, kami tidak dapat mengharapkan banyak peningkatan pada model." Terkadang lebih sedikit lebih banyak Model bahasa besar sangat bagus dalam menggeneralisasi pengetahuan, tetapi banyak ahli mengatakan gelombang adopsi AI perusahaan berikutnya akan didorong oleh model bahasa yang lebih kecil dan lebih gesit yang dapat disesuaikan untuk solusi khusus domain. "SLM yang disesuaikan akan menjadi tren besar dan menjadi bahan pokok yang digunakan oleh perusahaan AI yang matang pada tahun 2026, karena keunggulan biaya dan kinerja akan mendorong penggunaan dibandingkan LLM out-of-the-box," kata Andy Markus, chief data officer AT&T, kepada TechCrunch. "Kami telah melihat bisnis semakin mengandalkan SLM karena, jika disetel dengan benar, mereka cocok dengan model umum yang lebih besar dalam akurasi untuk aplikasi bisnis perusahaan, dan luar biasa dalam hal biaya dan kecepatan." Kami telah melihat argumen ini sebelumnya dari startup AI bobot terbuka Prancis Mistral: Ia berpendapat model kecilnya benar-benar berkinerja lebih baik daripada model yang lebih besar pada beberapa tolok ukur setelah penyempurnaan. "Efisiensi, efektivitas biaya, dan kemampuan beradaptasi SLM membuatnya ideal untuk aplikasi yang disesuaikan di mana presisi adalah yang terpenting," kata Jon Knisley, ahli strategi AI di ABBYY, sebuah perusahaan AI perusahaan yang berbasis di Austin. ...