Sự thật ít được đánh giá đúng về dữ liệu AI tiên phong: Các dự án Scale AI dự kiến đạt doanh thu 2 tỷ USD vào năm 2025. Thêm Surge, Mercor và những cái khác, tổng chi tiêu cho dữ liệu đạt khoảng 3,5 tỷ USD: chủ yếu cho các mô hình lý luận. Nhưng AI đa phương thức? Hãy mong đợi điều đó sẽ lớn gấp 10 lần. Được thúc đẩy bởi video, âm thanh và hơn thế nữa.

Nội dung của người bạn @NiphermeDave luôn rất chất 🗣️ hãy xem thử nhé

Đôi khi bạn chỉ có "một trong những tuần như THẾ".... Cảm ơn cộng đồng ORO. Đối với bất kỳ ai đã trải qua một tuần khó khăn, hãy giữ vững tinh thần! Chỉ mới bắt đầu thôi. Chúc bạn có một ngày Chủ nhật vui vẻ.

Nhiều người đã hỏi chúng tôi... dữ liệu của tôi có thể làm gì? Tại ORO, chúng tôi giúp cung cấp năng lượng cho các mô hình AI đa phương thức một cách rộng rãi. Lập luận, Giọng nói, Video, và sắp tới... các lĩnh vực khác 👀 Tại sao lại là Đa phương thức? Bởi vì đây là lĩnh vực mà các đối thủ tập trung không thể và sẽ không tấn công. Thế giới video, âm thanh, dữ liệu dài từ các thiết bị đeo... chỉ có một nền tảng như chúng tôi mới có thể tổng hợp nó. Và chúng tôi là đơn vị duy nhất làm việc với các phòng thí nghiệm hàng đầu. Lợi thế của người đi đầu đang có hiệu lực.

Một bài viết khác trong loạt bài của chúng tôi... $META trong năm 2024: Nếu bạn cố gắng tổng hợp tất cả dữ liệu âm thanh chất lượng cao trên thế giới, bạn sẽ có 3.000 giờ. Chúng ta cần HÀNG TRIỆU. Ai thực sự biết cách tổng hợp dữ liệu này quy mô lớn? Để lọc ra hàng triệu giờ để có 10.000 giờ thực sự có thể sử dụng để đào tạo thế hệ mô hình tiếp theo? ORO. Chỉ vậy thôi.

Chúng tôi sẽ nói thẳng ra... Hầu hết các nhà cung cấp dữ liệu AI thực sự không tổng hợp dữ liệu hữu ích. Họ không có các nhà nghiên cứu thực sự tại các phòng thí nghiệm hàng đầu đang đào tạo trên dữ liệu của họ. Hãy học cách phân biệt tín hiệu với tiếng ồn. Giống như chúng tôi đang làm với dữ liệu âm thanh của mình!

Tại sao các nhà cung cấp dữ liệu nghiêm túc lại ám ảnh về cơ sở hạ tầng? 🤔 Bởi vì dữ liệu AI tuyệt vời cần hai điều: 1️⃣ thu thập quy mô toàn cầu 2️⃣ xác minh chất lượng tự động #1 cần phân quyền. #2 phụ thuộc vào cơ sở hạ tầng mạnh mẽ. Chúng tôi là nền tảng duy nhất đã được thử nghiệm trong cả hai lĩnh vực—thu thập dữ liệu video, âm thanh và dữ liệu từ thiết bị đeo cá nhân ở quy mô lớn với các phòng thí nghiệm đa phương thức tốt nhất sử dụng nó.

Vài tuần trước, chúng tôi đã chia sẻ một cái nhìn thoáng qua về hạ tầng dữ liệu AI của chúng tôi. Hôm nay, nó cung cấp sức mạnh cho các phòng thí nghiệm AI đa phương thức hàng đầu với các quy trình mở rộng: – tổng hợp dữ liệu có thể mở rộng – chú thích mô hình trong quy trình – tìm kiếm chi tiết, tùy chỉnh Trước đây: các công cụ nội bộ dễ hỏng hoặc các nhà cung cấp di sản chậm chạp. Bây giờ: hạ tầng được xây dựng đặc biệt cho AI quy mô lớn.

Hầu hết các mô hình ngày nay được đào tạo trên dữ liệu web thu thập... Nhưng đó không phải là nơi mà những bước nhảy vọt hiệu suất tiếp theo sẽ đến từ. Lớp chưa được khai thác? Ghi chú giọng nói, luồng từ thiết bị đeo, biên lai, lịch, chẩn đoán. Có cấu trúc, được phép và phong phú với ngữ cảnh thực tế.

Bước đột phá tiếp theo của LLM sẽ không đến từ việc điều chỉnh mô hình. Nó sẽ đến từ việc tính toán trong thời gian thử nghiệm trên dữ liệu thực: 🔸 ngữ cảnh động 🔸 phân bổ cấp nguồn 🔸 đầu vào trực tiếp từ thiết bị và nhật ký Chúng tôi đang tạo ra cầu nối giữa các mô hình thụ động và trí tuệ tương tác 🤝