Meta streeft ernaar om tegen 2025 het meest geavanceerde AI-model in de industrie te ontwikkelen. Ze zijn van plan om hun aankomende Llama 4-model te trainen op 10 keer meer data dan Llama 3, wat ze al concurrerend claimen met de meest geavanceerde modellen.

Zuckerberg verklaarde dat Meta liever te veel rekencapaciteit zou opbouwen dan te weinig, aangezien ze plannen voor de rekencapaciteit en data die nodig zijn voor de komende jaren. De hoeveelheid rekenkracht die nodig is om Llama 4 te trainen, zal waarschijnlijk bijna 10 keer groter zijn dan wat werd gebruikt voor Llama 3, en toekomstige modellen zullen daar nog verder overheen gaan.

Dit ambitieuze doel betekent dat Llama 4 de nieuwste modellen van Google, Anthropic, OpenAI en anderen moet overtreffen. Het blijft af te wachten of Meta dit kan bereiken, aangezien de AI-race doorgaat met snelle vooruitgang in de hele industrie. De bereidheid van Meta om zwaar te investeren in rekenkracht en data suggereert echter dat ze er serieus over zijn om hun positie als leider in grote taalmodellen te behouden.

Volgens Adam D'Angelo, de CEO van Quora en een bestuurslid bij OpenAI, kan kunstmatige algemene intelligentie (AGI) binnen de volgende 5 tot 15 jaar worden bereikt. D'Angelo deed deze voorspelling tijdens een recent evenement, waarbij hij stelde dat de komst van AGI een zeer belangrijke verandering voor de wereld zal zijn.

OpenAI, het bedrijf achter het populaire taalmodel GPT, heeft intern een nieuw vijfniveau-classificatiesysteem ontwikkeld om de voortgang naar de bouw van AGI bij te houden. De eerste drie niveaus omvatten:

1. Chatbots met conversationele taalvaardigheden.
2. Redeneerders en systemen met probleemoplossende vaardigheden op menselijk niveau.
3. Agenten en systemen die acties kunnen ondernemen.

D'Angelo's voorspelling suggereert dat zelfs voordat de volledige AGI-mijlpaal wordt bereikt, het bereiken van probleemoplossende en actie-uitvoerende vaardigheden op menselijk niveau "game-changing" gebeurtenissen zullen zijn die de wereld aanzienlijk kunnen transformeren.

Gezien de snelle vooruitgang in AI die de afgelopen jaren is waargenomen, wordt de voorspelling van AGI binnen de volgende 5 tot 15 jaar, hoewel ambitieus, door branche-experts als binnen het bereik van de mogelijkheden beschouwd. De komende 5 jaar in het bijzonder worden verwacht een versnelling in de AI-ontwikkeling te zien, naarmate meer van 's werelds toonaangevende onderzoekslaboratoria en bedrijven hun inspanningen op deze uitdaging richten.

Google's nieuwe experimentele model, Gemini Pro 0801, is de afgelopen week getest in de chatbot-arena, waarbij het meer dan 20.000 community-stemmen heeft verzameld. Voor het eerst heeft Gemini de nummer één-positie geclaimd, GPT-4 en CLAUDE 3.5 voorbijgaand met een indrukwekkende score van 1.300 en ook de toppositie op de visie-leaderboard bereikt.

Gemini Pro blinkt uit in meertalige taken en levert robuuste prestaties op technische gebieden, moeilijke prompts en codering. Dit is een belangrijke prestatie, aangezien Gemini 1.5 Pro erin is geslaagd de zeer capabele GPT-4 en CLAUDE 3.5-modellen te overtreffen.

Interessant is dat Google deze model niet als Gemini 2 heeft gelabeld, wat suggereert dat ze mogelijk aanvullende redenerings- of post-training-technieken hebben geïmplementeerd om de mogelijkheden van het model te verbeteren. Deze aanpak is vergelijkbaar met wat Anthropic heeft gedaan met CLAUDE 3.5, waarbij het model verbeterde redeneervermogen toont in vergelijking met eerdere versies.

De prestaties van Gemini Pro 0801 benadrukken de voortdurende vooruitgang in de chatbot-arena, waarbij modellen de grenzen van wat mogelijk is voortdurend verleggen. Het wordt interessant om te zien hoe lang Gemini Pro 0801 zijn toppositie kan behouden en of OpenAI of andere AI-bedrijven met nog meer capabele modellen zullen komen in de nabije toekomst.

Nvidia werkt aan het vereenvoudigen en versnellen van de ontwikkeling van humanoïde robots met zijn Project Roo-initiatief. Het bedrijf introduceert een reeks tools voor ontwikkelaars in het ecosysteem van humanoïde robots om hun AI-modellen efficiënter op te bouwen.

De belangrijkste onderdelen van Nvidia's aanpak zijn:

1. Synthetische Data Generatie Pipeline: Nvidia begint met door mensen verzamelde demonstraties met behulp van mixed reality-apparaten zoals de Apple Vision Pro. Ze vermenigvuldigen deze data vervolgens met duizend of meer met behulp van Nvidia's simulatietools zoals Omniverse, RoboSuite en MimicGen.

2. Gedistribueerde Rekeninfrastructuur: Nvidia maakt gebruik van zijn DGX-, OVX- en Jetson Thor-computingplatforms om de ontwikkelworkflow aan te drijven. De DGX verwerkt de video's en tekst om het multimodale basismodel te trainen, de OVX draait de simulatiestapel, en de Jetson Thor wordt gebruikt voor het testen van het model op echte robots.

3. Omniverse-Aangedreven Simulatie: Nvidia's Omniverse-simulatieraamwerk, geïntegreerd in Isaac Lab, stelt ontwikkelaars in staat om een enorm aantal omgevingen en lay-outs te genereren om de diversiteit van de trainingsdata te vergroten.

4. Generatieve AI-Aangedreven Tools: Nvidia's MimicGen-tool helpt bij het genereren van grootschalige synthetische bewegingsgegevenssets op basis van het kleine aantal oorspronkelijke opnames, waardoor de trainingsdata verder wordt uitgebreid.

Het doel is om ontwikkelaars over de hele wereld in staat te stellen betere AI-modellen te bouwen voor platforms voor humanoïde robots. Nvidia gelooft dat het tijdperk van "fysieke AI" is aangebroken, waarbij robots de fysieke wereld kunnen begrijpen en ermee kunnen interacteren.

Door de ontwikkelworkflow te vereenvoudigen en krachtige rekeninfrastructuur te bieden, streeft Nvidia ernaar de vooruitgang in humanoïde robotica te versnellen en ons dichter bij het tijdperk van AI-aangedreven humanoïde robots te brengen.