Przełomowy gracz w dziedzinie sztucznej inteligencji w Europie: dlaczego małe, lokalne firmy zajmujące się sztuczną inteligencją mogą być prawdziwą przyszłością przedsiębiorstw

Wszyscy zdają się być całkowicie skupieni na ogromnych modelach sztucznej inteligencji (AI) o coraz bardziej przesadzonych parametrach i coraz szerszych, uniwersalnych możliwościach. Ale prawdziwa rewolucja w przedsiębiorstwach może się kurczyć. Jeśli chcesz chronić zastrzeżone dane swojej firmy, jednocześnie uzyskując realny zwrot z inwestycji (ROI), musisz uważnie przyjrzeć się potencjałowi nowej europejskiej fali sztucznej inteligencji (AI).

W ciągu ostatnich kilku miesięcy pisałem o styku sztucznej inteligencji i złożonej architektury korporacyjnej. Zbadaliśmy niebezpieczną iluzję „domowego ERP” i omówiliśmy, dlaczego sami twórcy sztucznej inteligencji często wahają się powierzyć jej operacje o znaczeniu krytycznym. Sedno problemu zawsze sprowadza się do fundamentalnej rozbieżności między tym, do czego budowane są ogólne modele sztucznej inteligencji, a tym, czego faktycznie wymaga nowoczesny łańcuch dostaw.

Niedawno moją uwagę przykuł artykuł opublikowany w Wired. Zwrócił on uwagę na ogromną zmianę w globalnym wyścigu sztucznej inteligencji, koncentrując się na rozwoju Małych Modeli Językowych (SML) i koncepcji „modeli świata” promowanych przez pionierów takich jak Yann LeCun.

To przejście na wyspecjalizowane modele rozwiązuje konkretne problemy, z którymi mierzymy się każdego dnia na hali fabrycznej. Wizja ta jest obecnie wspierana przez znaczący kapitał: nowy startup LeCuna, AMI Labs, właśnie pozyskał 1,03 miliarda dolarów finansowania zalążkowego przy wycenie 3,5 miliarda dolarów na stworzenie sztucznej inteligencji, która naprawdę rozumie świat fizyczny.

Generalistyczne modele językowe (LJM) doskonale sprawdzają się w zastosowaniach konsumenckich. Jednak obsługa produkcji przemysłowej, logiki zaopatrzenia i przyjęć materiałów do magazynu wymaga systemu z natury dopasowanego do specyficznej logiki biznesowej.
Potrzebujesz systemu, który faktycznie posiadasz, a co najważniejsze, takiego, który wymaga ułamka zasobów sprzętowych, radykalnie obniżając zarówno koszty operacyjne, jak i zużycie energii.

Europejski renesans sztucznej inteligencji: prawdziwa szansa?

Przez pewien czas wydawało się, że wyścig o sztuczną inteligencję jest zdominowany wyłącznie przez gigantów technologicznych zza oceanu. Europa zdawała się pozostawać w tyle, grzęznąc w gąszczu surowych przepisów i braku infrastruktury obliczeniowej o ogromnej skali. Jednak narracja ta może być na skraju poważnej zmiany. Europa ma teraz realną szansę na odzyskanie utraconej pozycji, całkowicie zmieniając zasady gry.

Zamiast budować większe i droższe modele ogólne, europejskie startupy koncentrują się na wydajności, suwerenności danych i specjalistycznych aplikacjach. Firmy takie jak Mistral we Francji udowodniły, że można budować wysoce wydajne modele, które dorównują gigantom, wykorzystując ułamek parametrów. Aleph Alpha w Niemczech robi ogromne postępy, koncentrując się szczególnie na środowiskach B2B, w których bezpieczeństwo danych i transparentność procesu decyzyjnego są nie do podważenia. Laboratoria badawcze takie jak Kyutai przesuwają granice otwartej nauki w dziedzinie sztucznej inteligencji.

Firmy te aktywnie podążają naprzód, wyznając zupełnie inną filozofię. Dowodzą, że przyszłość technologii korporacyjnych może nie wymagać monolitycznego, bilionowoparametrowego mózgu, umieszczonego w odległym centrum danych.

Mały model językowy: definicje i mechanika

To prowadzi nas do koncepcji Modelu Małego Języka. Model Małego Języka (SLM) jest dokładnie tym, na co wskazuje jego nazwa, ale mechanizmy, które za nim stoją, są fascynujące. Podczas gdy masywne modele operują na ponad bilionie parametrów (zmiennych wewnętrznych, czyli „pokrętłach i regulatorach”, które określają sposób przetwarzania informacji przez sieć neuronową), SLM zazwyczaj działa na mniej niż 10 miliardach parametrów, zazwyczaj w zakresie od 1 do 7 miliardów.

Ale małe nie oznacza proste. SLM-y osiągają niesamowitą wydajność dzięki specjalistycznym technikom inżynieryjnym:

• Destylacja wiedzy: Mniejsze modele „uczniów” są trenowane tak, aby naśladowały wyniki osiągane przez duże modele „nauczycieli”, zachowując podstawowe możliwości przy znacznie mniejszym rozmiarze.
• Wysokiej jakości dane: Zamiast przeszukiwać cały zaszumiony internet, SLM-y są trenowane na starannie wyselekcjonowanych zbiorach danych o jakości podręcznikowej.
• Kwantowanie: Proces ten kompresuje ilość pamięci zajmowanej przez model w takim stopniu, że wydajny model może działać na standardowym laptopie lub pojedynczym serwerze lokalnym.

Dlaczego może to być prawdziwy przełom dla Twojej firmy? Odpowiedź sprowadza się do kosztów, koncentracji i odpowiedzialności.

Co istotne, wdrożenie modelu zarządzania łańcuchem dostaw (SLM) nie oznacza zbudowania go od podstaw. Pobierasz wstępnie wytrenowany model, który już rozumie język, a następnie dostrajasz go, wykorzystując dane specyficzne dla Twojej domeny. Wyobraź sobie, że zatrudniasz pracownika, który już perfekcyjnie włada danym językiem, i po prostu uczysz go wewnętrznych procedur operacyjnych Twojej firmy.

Szkolenie i prowadzenie ogromnego programu LLM wymaga ogromnych zasobów mocy obliczeniowej i nakładów finansowych. Większość firm nie może sobie pozwolić na samodzielne szkolenie, co zmusza je do wynajmu dostępu za pośrednictwem interfejsów API. To tworzy ogromne wąskie gardło dla aplikacji przemysłowych.

Jako Starszy Konsultant Logistyczny, pracujący z systemami takimi jak Infor LN, codziennie mam do czynienia z bardzo wrażliwymi danymi. Zarządzamy złożonymi zestawieniami materiałowymi, dokładnymi strukturami cenowymi, parametrami kontroli jakości i autorskimi procesami produkcyjnymi.

Wysyłanie tych niezwykle wrażliwych i zastrzeżonych danych do chmury zewnętrznej w celu ich przetworzenia przez sztuczną inteligencję (AI) stanowi zagrożenie dla bezpieczeństwa. Wielu CEOi dyrektorów finansowych stanowczo odmawia tego, i słusznie. Właśnie dlatego pisałem o Exodusie AI i dlaczego deweloperzy nie ufają budynkowi.

Rozwiązanie SLM doskonale rozwiązuje ten problem. Dzięki wspomnianym wcześniej optymalizacjom, SLM może działać lokalnie na Twoich serwerach lub w bezpiecznej chmurze prywatnej. Oznacza to, że Twoja firma faktycznie dysponuje inteligencją. Dane nigdy nie opuszczają Twojego bezpiecznego obszaru. Korzystasz z zalet zaawansowanego uczenia maszynowego bez narażania swojej własności intelektualnej, a jednocześnie zużywasz znacznie mniej energii elektrycznej.

Jeśli chcesz lepiej zrozumieć, jak działają te modele i dlaczego są tak skuteczne w przypadku specjalistycznych zadań, gorąco polecam obejrzenie tego doskonałego wyjaśnienia przygotowanego przez Salesforce AI Research Lab.

Modele świata i fizyczna rzeczywistość logistyki

Artykuł w „Wired” poruszył również koncepcję kluczową dla każdego, kto pracuje w produkcji i zarządzaniu łańcuchem dostaw. Yann LeCun, czołowa postać w dziedzinie sztucznej inteligencji, głośno mówił o ograniczeniach obecnych programów nauczania prawa (LLM). Twierdzi, że modele te po prostu przewidują kolejne logiczne słowo w sekwencji. Nie posiadają one żadnego zrozumienia świata fizycznego.

Jeśli poprosisz specjalistę od prawa, LLM, o zoptymalizowanie przepływu materiałów w magazynie, możesz otrzymać odpowiedź, która brzmieć będzie gramatycznie idealnie, ale będzie fizycznie niemożliwa do wykonania.

LeCun opowiada się za „modelami świata”. Są to systemy zaprojektowane tak, aby zrozumieć fizyczne ograniczenia i realia środowiska, w którym działają. W naszej branży „światem” jest hala produkcyjna. To fizyka pionowego magazynu, sztywna sekwencja tras produkcyjnych i twarde ograniczenia zapasów.

Łącząc lokalny, bezpieczny charakter Modelu Małego Języka (SLM) ze specyficzną, deterministyczną logiką solidnego systemu ERP, tworzysz coś niezwykle potężnego. Bierzesz SLM, trenujesz go na konkretnych historycznych danych ERP i używasz go jako wysoce wyspecjalizowanego agenta, który faktycznie rozumie fizyczne i logistyczne ograniczenia Twojej firmy.

Właśnie dlatego apokalipsa SaaS, o której wspominałem w poprzednich artykułach, jest po prostu błędna. Podstawowe, deterministyczne platformy SaaS pozostaną kręgosłupem przedsiębiorstwa. Zlokalizowane platformy SLM mogłyby pełnić rolę bezpiecznych, wyspecjalizowanych mózgów, które będą z nimi współpracować.

Praktyczne spostrzeżenia dla liderów przedsiębiorstw

Jeśli jesteś CEO, dyrektorem finansowym lub liderem IT i chcesz wdrożyć sztuczną inteligencję, nie ryzykując przy tym danych ani budżetu, oto praktyczne kroki, które powinieneś rozważyć już teraz.

1. Przeprowadź audyt infrastruktury danych: Małe modele językowe wymagają wysokiej jakości danych, aby były skuteczne. Zanim zainwestujesz w jakiekolwiek lokalne rozwiązanie AI, upewnij się, że Twoje dane ERP są czyste. Z mojego doświadczenia w migracji danych i analizie systemów wynika, że ​​firmy poważnie niedoceniają ilości starych śmieci w swoich bazach danych. Najpierw zrób porządek.
2. Przenieś uwagę z rozmiaru na specyfikę: przestań martwić się, który gigant technologiczny ma model z największą liczbą parametrów. Zacznij oceniać mniejsze, otwarte modele, które można precyzyjnie dostosować do specyfiki Twojej branży.
3. Oceń możliwości wdrożenia lokalnego: porozmawiaj z działem IT o sprzęcie niezbędnym do lokalnego uruchomienia SLM. Koszty lokalnego sprzętu do wnioskowania gwałtownie spadają. Oblicz zwrot z inwestycji (ROI) z jednorazowej inwestycji w sprzęt dla modelu lokalnego w porównaniu z cyklicznymi, nieprzewidywalnymi kosztami (i zużyciem energii) tokenów API od dostawcy chmury.
4. Zidentyfikuj wąskie przypadki użycia: nie próbuj automatyzować całego łańcucha dostaw naraz. Wybierz konkretne, wysoce powtarzalne zadanie. Użyj lokalnego SLM, aby ułatwić dopasowanie zamówień zakupu do złożonych faktur od dostawców lub analizę raportów niezgodności z zarządzaniem jakością. Udowodnij wartość lokalnie przed skalowaniem.
5. Zanurz się w temat: jak w przypadku każdej nowej technologii, samo czytanie o niej nigdy nie wystarczy. Musisz aktywnie testować i oceniać te rozwiązania w różnych scenariuszach i modelach. Jeśli nie zaczniesz eksperymentować i budować proof-of-concept, nigdy w pełni nie zrozumiesz namacalnej wartości tych modeli dla swoich działań. Musisz po prostu zanurkować w temat.

Prawdziwa moc może być lokalna

Europa mogła przegapić pierwszą falę globalnych chatbotów konsumenckich, ale wyścig w dziedzinie sztucznej inteligencji w przedsiębiorstwach to maraton. Koncentrując się na modelach języka małego (SML), suwerenności danych i systemach rozumiejących świat fizyczny, europejski ekosystem technologiczny przygotowuje się do dostarczenia dokładnie tego, czego faktycznie potrzebują firmy przemysłowe.

Ostatecznie, gdy przyjrzysz się prawdziwym wąskim gardłom w swojej firmie, zdasz sobie sprawę, że nie potrzebujesz sztucznej inteligencji, która wie wszystko o świecie. Potrzebujesz tylko takiej, która wie absolutnie wszystko o Twoich konkretnych operacjach i działa bezpiecznie za Twoją własną zaporą sieciową.

To może być prawdziwa przyszłość technologii korporacyjnych.

Napisane przez Andreę Guaccio 

24 marca 2026