Какие конкурентные преимущества все еще можно защитить в эпоху ИИ?

Оригинальное название: Как рассуждать о неразберихе в будущем
Автор оригинала: Системный Лонг Шорт
Перевод: Пегги, BlockBeats

Примечание редактора: По мере того, как ИИ начинает писать код, оптимизировать код и даже постепенно брать на себя процесс производства программного обеспечения, надвигается более глубокое структурное изменение: разделение труда, корпоративная организация и даже барьеры знаний могут быть переопределены.

Автор этой статьи когда-то был частью команды из почти 20 человек в хедж-фонде, но решил уйти на предпринимательство во время своего карьерного роста. По его мнению, реальный сигнал - это не настроения на рынке, а скачок в технических возможностях. Когда модели смогут последовательно генерировать пригодный для использования код и обладать способностью к рекуррентному улучшению, логика разработки программного обеспечения и производства знаний уже начнет меняться.

Статья с точки зрения количественного финансирования анализирует несколько типов краткосрочных "ровов", которые все еще могут существовать в эпоху ИИ, включая проприетарные данные, регуляторное трение, одобрение властей и отставание в физическом мире. Она также выдвигает основное суждение: в эпоху высокой неопределенности важнее, чем точно предсказывать будущее, определить направления и принять меры, прежде чем окно закрывается.

Ниже приведена оригинальная статья:

Когда модели начинают писать код, изменения становятся необратимыми

В первый раз я понял, что индустрия приближается к переломному моменту на своей предыдущей работе. Это было похоже на то, как будто фоновая музыка замедляется, в то время как все вокруг меня все еще делают вид, что ничего не изменится.

В то время я руководил командой из почти 20 человек в хедж-фонде, занимаясь тем, чем занимался много лет. Внешне это был почти стабильно растущий карьерный путь. Если бы я остался там, я, вероятно, достиг бы еще больших успехов. Однако в итоге я решил оставить эту должность, о которой многие мечтали, и начать новое дело с нуля с командой из всего нескольких человек. Это решение было почти непостижимо в то время и даже рассматривалось как форма "самоубийства карьеры".

Но в последние месяцы массовые увольнения, добровольное предпринимательство после ухода с работы и все больше людей, работающих днем, при этом тихо программируя и работая над проектами по ночам. Все это заставило меня задуматься о том, что решение, которое казалось "безумным" в то время, кажется менее нелепым.

За это время многие спрашивали меня: куда это все в конечном итоге приведет? Эта статья - ответ, который я могу дать на данный момент.

Честно говоря, я не уверен, насколько значительным в конечном итоге окажется этот сдвиг. Но одно, чему меня научила количественная финансовка, так это то, что часто достаточно просто быть на правильном пути.

Настоящим доказательством того, что изменения стали необратимыми, стала модель ChatGPT o1.

До этого я всегда называл эти системы «LLM», а не «ИИ». Я не думал, что у них действительно есть какие-либо способности, похожие на интеллект. Но когда появилась o1, что-то изменилось: впервые эти модели могли стабильно генерировать код с помощью структурированных запросов.

Код все еще был несовершенным и мог страдать от галлюцинаций или недопонимания. Но главное было в следующем: теперь он мог писать полезный код.

Мой вывод был прост. Как только ИИ сможет генерировать пригодный для использования код, он начнет рекурсивно совершенствовать свою логику и продвигать разработку программного обеспечения с такой скоростью, которую мы едва можем себе представить.

Каждый раз, когда я говорю об этом, кто-то всегда возражает: «В этом коде все еще есть ошибки, и он далеко не соответствует производственным стандартам». Но это упускает из виду тот факт, что код, написанный человеком, тоже имеет ошибки. Нам не нужен ИИ, чтобы писать идеальный код, чтобы перестать писать код самим.

Настоящий переломный момент наступит, когда уровень ошибок в коде, написанном ИИ, будет ниже, чем у людей, при этом он будет намного быстрее. В тот момент процесс написания кода будет полностью передан машинам.

Увидев возможности o1 своими глазами, я почти уверен: в будущем произойдут очень серьезные изменения.

Ров, который все еще существует в эпоху ИИ

Изначально я думал, что ИИ будет постепенно разрушать индустрию количественного финансирования, но этот процесс будет относительно медленным. Причина проста: на институциональном уровне кода почти нет общедоступных данных для обучения.

В то время я представлял себе программное обеспечение как пирамиду: внизу находилась базовая работа по программированию; выше - старшие инженеры с архитектурными возможностями; еще выше - профессиональные разработчики, такие как специалисты по данным, количественные разработчики и различные отраслевые эксперты. Теоретически, чем глубже экспертиза, тем безопаснее профессия.

Моя первоначальная оценка заключалась в том, что в течение двух лет базовые программисты будут первыми, кого заменят; за ними последуют старшие инженеры; далее, по мере того как модели постепенно усваивали специализированные знания, на позиции более высокого уровня также будут оказывать влияние.

Но вскоре я понял еще одну вещь: компании с передовыми моделями в конечном итоге будут напрямую нанимать экспертов отрасли для внесения специализированных знаний в модели. Иными словами, специализированные знания действительно будут краткосрочным преимуществом, но в долгосрочной перспективе они также будут постепенно поглощаться моделями.

По моей оценке на тот момент, было несколько типов бизнеса, которые вряд ли будут легко нарушены в ближайшие пять лет.

Категория первая: Проприетарные данные

Компании с большим объемом собственных данных сложнее заменить.

Например, крупные многострановые хедж-фонды (под shop), такие как институты, как Millennium, генерируют огромное количество данных каждый день: аналитические исследования, инвестиционные рекомендации, аналитические данные о рынке, фактические результаты торгов.

Эти данные могут быть использованы для постоянного совершенствования моделей, создавая конкурентное преимущество, которое трудно воспроизвести извне. Пока источники данных компании не легко доступны для модели, она по-прежнему сохраняет определенное временное преимущество.

Категория два: Регуляторные трения

Любую отрасль, требующую значительного человеческого участия, не так просто нарушить. Например, традиционные финансовые рынки.

Чтобы войти на эти рынки, вам нужно: открыть брокерский счет, получить лицензии, подписать трансграничные юридические документы. Торговля криптоактивами проста, но иностранной компании, желающей торговать железной рудой в Китае, далеко не просто.

Пока в какой-либо отрасли для утверждения все еще требуются подписи людей, темпы ее развития будут ограничены процессами утверждения.

Категория три: Авторитет как услуга

Теперь, когда ИИ пишет юридическое заключение, это уже не проблема. Но реальность такова, что люди все еще готовы платить десятки тысяч долларов юристу за юридическую консультацию. Причина проста: Мнения ИИ в настоящее время не обладают авторитетом.

Та же логика применима к аудиту смарт-контрактов. С технической точки зрения ИИ уже может соответствовать или даже превосходить уровень ведущих аудиторов. Но рынок все еще предпочитает покупать "штамп" известной аудиторской фирмы.

Потому что то, что клиенты на самом деле покупают, это не само мнение, а авторитет, стоящий за мнением.

Категория четыре: Физический мир

Развитие аппаратного обеспечения происходит гораздо медленнее, чем программного обеспечения, и проблемы с аппаратным обеспечением также сложнее исправить.

Поэтому отрасли, которые напрямую взаимодействуют с физическим миром, вряд ли будут быстро разрушены ИИ в краткосрочной перспективе. Однако, как только аппаратные возможности достигнут необходимого уровня, будет применяться та же логика: сначала исчезнут позиции низшего уровня, а затем позиции высшего уровня.

Эти рвы действительно существуют. Но необходимо признать, что они лишь замедляют изменения, а не останавливают их.

Действуйте на основе сигналов, а не ждите уверенности

Когда будущее крайне неопределенно и темпы изменений высоки, люди часто совершают две ошибки.

Первый ждет уверенности, прежде чем действовать. Второй просто применяет исторические аналогии, такие как: "Это похоже на пузырь доткомов."

Оба подхода могут привести к ошибкам суждения.

В ситуациях с неполной информацией более разумным подходом является рассуждение из первых принципов.

Вам не нужно знать каждую деталь будущего. Вам нужно лишь примерно оценить направление, разработать асимметричные ставки, то есть, если вы ошибетесь в оценке, потери будут управляемыми; если вы оцените правильно, прибыль будет огромной.

В неопределенном будущем асимметрия - это все.

Практический метод мышления заключается в том, чтобы сначала спросить себя: «Какие условия необходимы для определенного исхода?» и затем спросить, возникли ли эти необходимые условия?

Оглядываясь назад, эту точку поворота в развитии ИИ было несложно предвидеть. Потому что ключевые входы уже существовали: код, который может сам себя писать, модели, которые могут рекурсивно совершенствоваться, институциональные знания, которые можно купить, а не вырастить.

Пока вы внимательно наблюдаете за этими сигналами, вы можете примерно оценить будущий курс.

Вы даже можете продолжать экстраполировать.

Мы, возможно, еще не видели следующих сценариев: ИИ, который может сам себя обучать, ИИ, который может сам себя копировать, ИИ, который работает полностью автономно.

Если ИИ может улучшить свои собственные возможности на 0,1% с помощью ряда действий, это может показаться незначительным. Но до тех пор, пока это число не будет равно 0, оно будет продолжать увеличиваться. Это типичный эффект степенного закона.

На финансовых рынках, как только сигнал становится очевидным, торговля часто уже переполнена.

В инвестировании вы меняете неопределенность на веру на ранней стадии. В карьере и предпринимательстве это в корне одно и то же.

Поэтому реальный вопрос не в том, что произойдет в будущем? а скорее, что я уже знаю? В какую сторону указывают эти куски информации? В чем разница в стоимости между действием сейчас и ожиданием?

Существует также часто упускаемый из виду факт, что само действие создает информацию.

Действие не происходит в вакууме. Когда вы предпринимаете действия в мире, мир дает обратную связь. Эта обратная связь приносит новую информацию. Информация стимулирует итерацию. Итерация приводит к лучшим действиям. Это основной механизм прогресса.

Оставаться в нерешительности - это форма медленного упадка. Действие, с другой стороны, означает исследование.

Если я хочу продолжать наслаждаться дивидендами существующей системы, я, возможно, смогу продержаться еще несколько лет. Но я всегда хотел сделать что-то по-настоящему свое, и я чувствую, что это окно быстро закрывается.

Конечно, крупнейшие в мире хедж-фонды по-прежнему будут процветать, поскольку у них есть проприетарные данные, которые трудно воспроизвести. Традиционные финансовые рынки по-прежнему ограничены регулированием и ручными процессами.

Но я считаю, что в конечном итоге эти учреждения будут использовать ИИ для замены большинства своих сотрудников, включая управляющих портфелями.

Это произойдет не в одночасье, но рано или поздно это произойдет.

Моя оценка на тот момент была такова, что у меня было примерно 4–5 лет. Как только основополагающие компании в области ИИ поглотят достаточно талантов в этой отрасли, новым стартапам будет сложно войти в эту область. На некоторых рынках, таких как фондовый рынок США, эта тенденция уже очень заметна. Уровень эффективности через несколько лет будет почти невообразим.

Вскоре в этом мире больше не останется места для «второго места». Я мог бы продолжать работать в ведущих учреждениях, но я бы предпочел сделать шаг в области, где у меня все еще есть преимущество.

Так что я ушел и полностью посвятил себя предпринимательству. Позже эта компания стала OpenForage.

Теперь окно возможностей быстро закрывается. Темпы изменений больше не постепенны. То, на что раньше уходили месяцы, теперь занимает всего несколько недель.

Я не верю, что рабочие места исчезнут полностью в ближайшие несколько лет. Человеку все еще нужен человек. Мы - социальные существа, и в настоящее время люди все еще не доверяют ИИ. Подтверждение полномочий все еще должно исходить от людей.

В ближайшие годы мы можем даже увидеть генеральных директоров ИИ, но, вероятно, все еще потребуется генеральный директор-человек для утверждения решений ИИ. Эта «человеческая проверка» будет распространяться снизу вверх по организационной структуре. Человеческие менеджеры будут контролировать группу агентов ИИ.

Однако логика найма изменится. Если генеральный директор сочтет, что ему проще управлять ИИ, чем вами, то вы вряд ли будете приняты на работу, и найти простую работу по программированию будет все труднее.

Если вы хотите стать незаменимым, вам нужно достичь двух целей. Во-первых, превзойти ИИ по временным рамкам. Например, долгосрочное стратегическое планирование, сложное принятие решений, управление многолетними циклами. Во-вторых, превзойти ИИ в системном масштабе. Контекст ИИ по-прежнему ограничен; они знают много фактов, но с трудом понимают волновые эффекты сложных систем.

Если вы можете мыслить долгосрочно, быстро усваивать информацию, принимать стратегические решения и эффективно сотрудничать, то в обозримом будущем у вас все еще будет работа.

Переломный момент на самом деле виден до того, как он наступит. Однако большинство людей либо не смотрят, либо видят, но не действуют, либо реагируют только тогда, когда сигналы становятся оглушительными. К тому времени возможности часто уже учитываются рынком.

Не игнорируйте меняющуюся ситуацию, не задерживайтесь в позиции, которая теряет преимущество, при этом говоря себе ждать лучшего времени для действий. Реальная возможность редко предупреждает заранее. К тому времени, когда все об этом узнают, окно часто уже закрыто.

Я увидел сигнал, я сделал ставку. Теперь я живу в результате этой ставки — в лучшую или худшую сторону.

[Ссылка на оригинальную статью]