Ifølge MarkTechPost har Thinking Machines Lab publiceret en rapport, som argumenterer for menneskecentreret AI, der er distribueret, tilpasningsdygtig og formet af brugerne. Pointen understreges med en kritik af, at mange udbredte modeller i dag trænes få steder og derefter fryses, hvilket ifølge rapporten ekskluderer de mennesker, modellerne skal hjælpe. Samtidig rapporterer VentureBeat, at OpenAI har lanceret ChatGPT Work som en arbejdsagent baseret på GPT-5.6, der kan håndtere flertrinsopgaver på tværs af tilkoblede apps. Det sætter en tydelig ramme for debatten om centralisering kontra brugerformet tilpasning.
MarkTechPost gengiver, at Thinking Machines Lab samler deres forslag i fire retninger. Det drejer sig om at træne stærke multimodale modeller med indbygget mulighed for tilpasning, at bygge værktøjer så mennesker selv kan finjustere og træne vægte, at udvide grænseflader for menneske–maskine-kommunikation samt at publicere forskning og metoder, så flere ingeniører forstår, hvordan modeller bliver til. Tilsammen skal det flytte både viden og alignment tættere på brugerne, ifølge opsummeringen.
Hvad rapporten adresserer
MarkTechPost beskriver rapportens diagnose sådan: De fleste AI-systemer i brug i dag bliver udviklet i et fåtal af miljøer og derefter fastfrosset. Det betyder begrænset løbende læring i anvendelse og mindre plads til lokale behov. Rapporten anfører, at denne praksis risikerer at skubbe dem ud, som systemerne er sat i verden for at støtte.
En separat brief fra Snilld, der omtales i kildematerialet, tilslutter sig samme diagnose og anbefaler bruger- og procescentreret design. Briefen går videre og vurderer, at korrekt implementeret kan generativ AI allerede overtage en stor del af opgaver, der i dag udføres ved tastatur. Denne vurdering er Snillds egen og fremgår af briefen.
Hvad brugerformede vægte dækker over
Tilpasning af modelvægte spænder over flere kendte metoder, som beskrives i den medfølgende litteratur. Fuld parameter-finetuning betyder, at alle parametre i en model opdateres på nye data. Det giver størst frihedsgrad, men er ressourcekrævende. Adaptere, som i Houlsby et al. 2019, indsætter små ekstra lag i en frossen base-model, som kan trænes separat og slås til eller fra.
LoRA, jf. Hu et al. 2021, lærer lave rang-opdateringer, der kobles på base-modellen uden at ændre dens oprindelige vægte. Og McMahan et al. 2017 beskriver federated learning, hvor klienter træner lokalt og kun deler aggregerede opdateringer i stedet for rå data. Disse metoder er etablerede i forskningen; kilderne beskriver ikke specifik produktionspraksis eller omkostninger.
Brugerformning og bredere grænseflader
MarkTechPost gengiver, at Thinking Machines Lab lægger vægt på værktøjer, som gør det muligt for mennesker selv at finjustere og på at udvide kanalen for menneske–maskine-interaktion. Formålet er, at brugernes intentioner kan få større gennemslag i modellens adfærd. Forslaget ledsages af en ambition om åben publicering af metoder og forskning, så en bredere kreds kan forstå og reproducere arbejdet.
Opsummeret af MarkTechPost er målet at bringe både viden og alignment tættere på slutbrugeren. I dette perspektiv er frosne modeller et problem, fordi de typisk ikke tilpasser sig løbende praksis, domænesprog eller lokale krav, når de først er i drift.
ChatGPT Work som centraliseret agent
VentureBeat skriver, at OpenAI har introduceret ChatGPT Work, en skybaseret agent, der skal flytte ChatGPT fra spørgsmål–svar til en arbejdsplatform. Ifølge artiklen er produktet drevet af GPT-5.6 og kan indhente kontekst fra forbundne apps, filer og arbejdsgange for at levere færdige dokumenter, regneark, præsentationer og andre leverancer. VentureBeat beskriver desuden, at agenten kan bryde et ønsket resultat ned i delopgaver og følge sager i længere tid.
Det stiller to forskellige veje op, sådan som kilderne beskriver dem: Thinking Machines Lab advokerer for tilpasningsdygtighed og brugerformning af modeller, mens OpenAI med ChatGPT Work, ifølge VentureBeat, skubber mod en integreret agentplatform. Kilderne drøfter ikke direkte fordele og ulemper på tværs, men de peger på to tydelige strategier.
Hvad der er sikkert, og hvad der er åbent
Det er tydeligt understøttet, at Thinking Machines Lab vil flytte læring og kontrol tættere på brugeren gennem de fire tekniske retninger, og at kritikken af frosne modeller er central i deres argument. Det er også dokumenteret, at OpenAI lancerede ChatGPT Work med de beskrevne egenskaber ifølge VentureBeat. Disse punkter kan læseren verificere i de angivne kilder.
Derimod leverer kilderne ikke tal for omkostningsmodel, lagring eller test, når mange vægtvarianter skal forvaltes. Standarder for udveksling af vægte og metadata nævnes ikke med konkrete forslag i de angivne kilder. Det samme gælder detaljer om sikkerheds- og compliance-mekanismer under vægttilpasning. Det er derfor åbne spørgsmål i den foreliggende dokumentation.
Definitioner og metodehenvisninger
Adaptere er små ekstra lag i en base-model, der trænes separat og kan kombineres efter behov, jf. Houlsby et al. 2019. LoRA er en parameter-effektiv metode til lave rang-opdateringer, der bevarer base-vægtene, jf. Hu et al. 2021. Fuld finetuning opdaterer alle parametre og giver maksimal frihedsgrad. Federated learning muliggør lokal træning og aggregering af opdateringer uden deling af rå data, jf. McMahan et al. 2017.
Disse definitioner er veletablerede i litteraturen og peger på praktiske veje til at realisere en del af det, Thinking Machines Lab efterlyser, men kilderne her dokumenterer ikke, hvordan disse præcist indfases i specifikke produkter.
Snillds brief i relation til rapporten
Snillds brief, som indgår i kildesættet, tilslutter sig vurderingen af, at mange nuværende modeller udvikles i få miljøer og fryses, og anbefaler at designe AI med slutbrugere og forretningsprocesser i centrum. Briefen vurderer også, at generativ AI, korrekt implementeret, kan overtage en stor del af tastaturopgaver. Begge dele er udtryk for Snillds vurdering og skal læses som sådan.
MarkTechPosts dækning af Thinking Machines Lab peger på samme retning for så vidt angår behovet for brugerformning og tilpasningsdygtighed, men leverer ikke empiriske målinger af effektivitet på tværs af opgavetyper. Læseren bør derfor skelne mellem rapportens foreslåede tekniske retning og Snillds separate vurdering af implementeret effekt.
Hvad man kan holde øje med
På baggrund af kilderne tegner der sig tre områder, hvor yderligere dokumentation vil være nyttig: for det første omkostninger og drift, hvor de tilgængelige tekster ikke angiver konkrete tal; for det andet standarder og interoperabilitet for vægte og metadata, som ikke er beskrevet nærmere i kilderne; og for det tredje governance-praksis omkring, hvem der må tilpasse, og hvordan kvalitet og sikkerhed evalueres. Disse punkter er rejst som åbne spørgsmål i artiklen, fordi de ikke er dækket med tal eller specifikke retningslinjer i de angivne kilder.
Indtil sådanne oplysninger foreligger fra primære kilder, kan læsere læne sig op ad det, der er dokumenteret her: Thinking Machines Lab argumenterer for tilpasningsdygtighed og brugerinddragelse i selve modellaget, og OpenAI har, ifølge VentureBeat, lanceret en central agentplatform med brede integrationsmuligheder.
