Als je nu kijkt naar de output van het team, zullen de goed uitgevoerde delen niet vragen of jij het hebt geschreven of AI. Het is eigenlijk de kernvaardigheid om goed samen te werken met AI om goede dingen te schrijven; daarentegen, als iemand niet eens goed kan schrijven in samenwerking met AI, is dat in wezen gelijk aan niet kunnen onderwijzen.

Zhang Xiaojun vroeg Yang Zhilin tijdens een interview een vraag: Jullie zijn uiteindelijk van plan om een algemeen groot model te maken en niet een coding model, toch? Deze vraag weerspiegelt dieper de huidige gebruikersperceptie van een nieuw AI-product, waarbij het gebruik, de migratie en het vormen van gewoonten met betrekking tot alle grote modellen en agenten of andere productvormen, werkelijk erg vaag is. Vaak zal een uitstekende prestatie in een specifieke niche gebruikers aantrekken, terwijl een generaliserend/algemeen vermogen van 60 punten gebruikers kan vasthouden. Dit viel me vooral op toen ik perplexity en GPT gebruikte: perplexity is beter in marktonderzoek (qua snelheid) dan chatGPT; en de praktische prestaties in het zoeken/schrijven in Google Mail zijn beter dan die van Google’s eigen Gemini. Het is juist in de herhaalde vergelijkende taken dat de prestaties van perplexity beter zijn dan die van andere algemene grote modellen, wat mijn gebruiksfrequentie keer op keer verhoogde. Het is hetzelfde met andere AI-producten: de discussie over modellen of niet-modellen lijkt voor mij een beetje verouderd, of op zijn minst niet iets waar de eerste lijn builders over nadenken. Wat zeker moet worden overwogen, zijn de ingangen en de hechtingspunten. Kleine problemen en kleine scenario's één voor één aanpakken, het platteland omsingelt de stad, perplexity kan ook beter zijn dan GPT en Gemini.

Hoop binnenkort ons goede nieuws over de commercialisering van AI te delen 🤌