Blog

Hvorfor vi ikke bør jage Silicon Valley

Der er en vis form for galskab i det igangværende, kaprustningslignende AI-ræs. USA har i løbet af det seneste årti opført datacentre på størrelse med mindre byer, tiltrukket talenter fra hele verden og systematisk afmonteret enhver form for regulering, der risikerer at bremse fremmarchen mod kunstig generel intelligens. Resultaterne er på deres egen måde imponerende. Store sprogmodeller kan skrive poesi, fejlfinde kode og føre filosofiske diskussioner, der kan få et nogenlunde fornuftigt menneske til at føle en vis uro for fremtiden for sit erhverv. Og nu, næppe overraskende, spørger europæiske beslutningstagere sig selv: Hvordan indhenter vi dem? Sandheden er: Det skal vi ikke. Vi skal gøre noget andet.

Sam Storm

Agil coach

Det forkerte løb at løbe

Lad os se på tallene. De største amerikanske AI-virksomheder har rejst kapital i størrelsesordenen hundredvis af milliarder dollars. De opererer i en skala, der får europæiske investeringer til at fremstå som småpenge. Alene Microsoft har forpligtet sig til over 13 milliarder dollars i OpenAI. Amazon, Google og Meta forsøger at matche dette og opbygger hver især infrastruktur i en størrelsesorden, der kan sammenlignes med hele byer.

Europa kunne forsøge at gøre det samme. Vi kunne lempe vores databeskyttelseslovgivning, tilbyde skatteincitamenter, der får Irland til at fremstå som et socialistisk paradis, og håbe på, at tilstrækkeligt mange penge til sidst skaber en europæisk mester. Den strategi har et navn: den hedder at tabe.

Spillet om at bygge den største og mest generaliserede frontier-model er allerede afgjort. Infrastrukturen findes et andet sted. Talentstrømmene går mod Palo Alto og Seattle. Det regulatoriske landskab i USA – særligt efter nylige politiske kursændringer – er indrettet til at lade disse virksomheder bevæge sig hurtigt og lade andre håndtere konsekvenserne. At Europa nu træder ind i dette kapløb svarer til at beslutte sig for at konkurrere i Formel 1 ved at bygge sin allerførste gokart.

Men hvad nu, hvis regulering ikke er en hindring – men en styrke?

GDPR fremstilles ofte som en hæmsko for europæisk AI-udvikling. Argumentet er, at strenge databeskyttelsesregler gør det vanskeligere at træne store modeller, og at europæiske virksomheder bremses af compliance-krav, som deres amerikanske konkurrenter kan se bort fra.

Ja, men…

AI’s værditilbud er ved at ændre sig. Nyhedens interesse i en chatbot, der kan skrive en haiku, er ved at aftage. Det, virksomheder reelt har brug for, er AI-systemer, de kan have tillid til – systemer, der håndterer følsomme data ansvarligt, overholder regulering og ikke udsætter organisationen for juridiske risici.

Europa har gennem mange år opbygget et rammeværk for ansvarlig datahåndtering. GDPR fastlægger, trods sine mangler, klare regler for samtykke og individets rettigheder. Det er ikke forhindringer for AI-udvikling – det er fundamentet for AI-systemer, som virksomheder faktisk kan anvende med tillid.

Stil krav om, at AI-udvikling i Europa respekterer disse rammer. Gør efterlevelse af GDPR til en styrke, ikke en byrde. Positionér europæisk AI som det pålidelige valg for organisationer, der ikke har råd til at betragte databeskyttelse som en eftertanke. Der findes et betydeligt marked – finanssektoren, sundhedsvæsenet og den offentlige sektor – som er villigt til at betale mere for AI, der kan anvendes uden at udløse et kollektivt sammenbrud i juridisk afdeling.

Småt er smukt (og praktisk)

Det, der ofte går tabt i den forpustede dækning af frontier-modeller, er, at de fleste virksomheder ikke har brug for en AI, der kan diskutere Kierkegaard, samtidig med at den skriver SQL-forespørgsler og konstruerer krydsord. De har brug for AI, der pålideligt kan udføre nogle få opgaver exceptionelt godt.

Den reelle værdi i store sprogmodeller ligger ikke i deres evne til at efterligne menneskelig samtale – det er et partytrick, om end et imponerende et. Værdien ligger i deres evne til hurtigt at syntetisere information baseret på deres træning. Og her er den afgørende indsigt: Denne syntese bliver mere værdifuld, ikke mindre, når modellen trænes på et fokuseret, domænespecifikt vidensgrundlag.

Forestil dig en sprogmodel, der er trænet specifikt på EU-ret. Hvert direktiv, hver forordning, hver dom fra EU-Domstolen og hver national implementering i de 27 medlemsstater. En sådan model behøver ikke at kunne skrive sonetter eller forklare kvantemekanik. Den skal forstå forholdet mellem primær- og sekundærret, hierarkiet i EU’s retskilder samt principperne om direkte virkning og forrang.

En sådan model kunne være omvæltende for virksomheder, der opererer i EU. I dag kræver overholdelse af europæisk regulering dyr juridisk rådgivning, omfattende research og betydelig usikkerhed. Et AI-baseret rådgivningssystem, trænet på hele EU-rettens samlede korpus, kunne give øjeblikkelig og pålidelig vejledning i regulatoriske spørgsmål – ikke som erstatning for jurister, men som et førstehåndsværktøj, der gør juridisk ekspertise mere tilgængelig og effektiv.

Samme princip gælder i andre domæner. En model, der udelukkende er trænet på programmering, kunne blive en ekstremt kompetent kodeassistent – ikke fordi den kan smalltalke om vejret, men fordi den har internaliseret mønstre og arbejdsformer inden for softwareudvikling uden overbygningen af almen viden. En model med fokus på medicinsk litteratur kunne understøtte kliniske beslutninger. En model bygget op omkring finansiel regulering kunne hjælpe banker med at navigere i compliance-krav.

Infrastrukturfordelen ved at tænke småt

Specialiserede modeller er ikke blot mere anvendelige til deres formål – de er også markant mere praktiske at driftsætte.

At køre en frontier-model kræver beregningskraft i industriel skala. Alene omkostningerne til inferens kan gøre anvendelsen urealistisk for alle undtagen de største organisationer. Datasikkerhedsrisiciene ved at sende følsomme forespørgsler til tredjeparts-API’er er et compliance-mareridt, der blot venter på at blive virkelighed.

Mindre, fokuserede modeller kan køre lokalt. De kan driftsættes on-premise inden for organisationens eksisterende sikkerhedsperimeter. De kræver ikke massive GPU-klynger. De forudsætter ikke fiberforbindelse til et datacenter i en anden jurisdiktion. De kan fungere i miljøer med begrænset forbindelsesmulighed, eller hvor datasuverænitet er ikke-forhandlingsbar.

Dette er ikke spekulation. Frankrigs Mistral har allerede vist, at europæiske virksomheder kan opbygge kommercielt levedygtige sprogmodeller uden at matche amerikansk skala. Deres modeller er konkurrencedygtige i specifikke anvendelsestilfælde og samtidig små nok til praktisk brug. Det er et konkret bevis på, at en europæisk AI-strategi er mulig.

Ud over Europa: en model for resten af verden

Her findes et større perspektiv, der rækker langt ud over europæisk konkurrenceevne.

Den nuværende model for AI-udvikling er ekstremt ressourcekrævende. Opbygning af frontier-modeller kræver adgang til enorm beregningsinfrastruktur, pålidelig højhastighedsforbindelse og kapital til at bære meget høje driftsomkostninger. I praksis begrænser det meningsfuld AI-udvikling til et fåtal rige lande og velkapitaliserede virksomheder.

Udviklingslande står over for et hårdt valg: at blive afhængige af amerikansk AI-infrastruktur – eller at lade være. Ingen af delene er særligt attraktive.

Men mindre, specialiserede modeller ændrer forudsætningerne fuldstændigt. En model trænet i landbrugsmetoder tilpasset specifikke klimaer kan køre på simpel hardware i landområder. Medicinske rådgivningssystemer kan fungere i klinikker uden stabil internetforbindelse. Uddannelsesværktøjer kan fungere over mobilnetværk i regioner, hvor fast bredbånd stadig er en fjern drøm.

Hvis Europa udvikler metoder og rammer for at opbygge effektive specialiserede modeller, skabes muligheder, der rækker langt ud over vores egne grænser. Det er en vision for AI, som ikke kræver, at hvert land opfører et hyperskaleret datacenter for at kunne deltage.

Vejen frem

Intet af dette kræver, at vi opgiver ambitioner. Det kræver, at vi omdirigerer dem.

Europa bør investere i AI-forskning – men forskning med fokus på effektivitet, specialisering og implementering frem for rå skala. Vi bør støtte virksomheder, der udvikler domænespecifikke modeller, som løser reelle problemer. Og vi bør gøre vores regulatoriske rammeværk til et salgsargument, ikke en undskyldning.

AI-fremtiden behøver ikke at bestå af en håndfuld amerikanske giganter, der kontrollerer adgangen til generelle modeller, som kan lidt af hvert. Den kan se ud som et mangfoldigt økosystem af specialiserede systemer, hver fremragende inden for sit felt, driftsat tæt på behovet og bygget på tillid og regeloverholdelse. Det er et løb, Europa kan vinde. Endnu vigtigere: Det er et løb, der er værd at løbe.

Nysgerrig på, hvordan AI kan skabe reel værdi?

Vi hjælper organisationer med at udvikle og anvende AI, der er specialiseret, pålidelig og tilpasset europæiske regler – med fokus på konkret forretningsværdi frem for hype.

Forrige