לתעשיית ה-AI יש בעיית פיזיקה — והיא עולה לקמעונאים 890 מיליארד דולר

מותג אופנה הראה לי אשתקד את כלי המדידה הווירטואלית החדש שלו מבוסס ה-AI. הם היו גאים בו — ובכנות, הוא נראה מדהים. משתמש יכול היה להעלות סֶלְפִי, לבחור שמלה, וה-AI היה מפיק תמונה מרהיבה שלו לובש אותה. התאורה הייתה רכה, הבד נפל בצורה יפהפייה, וההתאמה הייתה מושלמת.

זו הייתה הבעיה. ההתאמה הייתה תמיד מושלמת.

ביקשתי מהם לנסות משהו: להעלות תמונה של מישהו שברור שהוא מידה 12 ולבחור שמלה במידה 6. ה-AI לא הראה את הרוכסן נמתח. הוא לא הראה את הבד נמשך בתפרים. הוא עיוות את השמלה כדי לכסות את הגוף בצורה מושלמת — או גרוע מכך, עיוות בעדינות את הגוף כדי שיתאים לשמלה. זו הייתה מראה של פנטזיה, לא חדר מדידה. וכל לקוח שקנה על סמך אותה פנטזיה עמד להחזיר את המוצר.

אותה הדגמה גיבשה משהו שהתחבטתי בו במשך חודשים ב-Veriprajna. לתעשיית ה-AI אין בעיית אינטליגנציה. יש לה בעיית פיזיקה. מודלים גנרטיביים ממטבים לקוהרנטיות של פיקסלים — כדי לגרום לתמונות להיראות נכונות. אבל בעולם האמיתי, יש לבד חוזק מתיחה. לגלי קול יש בעלי זכויות יוצרים. ו"נכון ברובו" אינו מודל עסקי כשמדממים רווחים על החזרות או ניצבים מול תביעה מצד Universal Music Group.

זהו הסיפור על מדוע נטשנו את הגישה הדומיננטית ל-AI ארגוני ובנינו משהו שונה מהותית.

מראת הפנטזיה של 890 מיליארד דולר

הנה מספר שאמור לגזול שינה מכל מנהל מסחר אלקטרוני: החזרות צרכנים בקמעונאות הסתכמו בסכום מוערך של 890 מיליארד דולר בשנת 2024, על פי איגוד הקמעונאות הלאומי (National Retail Federation). לא מיליון. מיליארד. וההלבשה היא החוטאת הגדולה ביותר — שיעורי החזרת ביגוד באינטרנט חורגים באופן עקבי מ-25-30%, וחלק מקטגוריות האופנה העילית מגיעות ל-50% בעונות השיא.

הסיבה השורשית אינה מסובכת. אנשים אינם יכולים לדעת אם בגדים יתאימו מתוך תמונה. "מידה שגויה, התאמה גרועה, וצבע" אחראים ל55% מכל ההחזרות. חוסר ודאות זה הוליד התנהגות צרכנית הנקראת "בראקטינג" — קניית שלוש מידות של אותה חולצה, מדידתן בבית, והחזרת שתיים. בשנת 2024, 51% מצרכני דור ה-Z הודו שהם עושים זאת. הם הפכו את חדרי השינה שלהם לחדרי מדידה ואת שירות הדואר לפס ייצור של החזרות.

עיבוד החזרה בודדת עולה לקמעונאים בממוצע 27% ממחיר הרכישה של הפריט. משלוח, בדיקה, ניקוי, אריזה מחדש — הכול עבור פריט שממילא עלול להימכר בסופו של דבר בהנחה. זהו משרפה של רווחים.

לתעשיית האופנה אין בעיית המרה. יש לה בעיית אמת. AI שמחמיא במקום ליידע רק מאיץ את מחזור ההחזרות.

אז התעשייה פנתה לטכנולוגיה. כלי מדידה וירטואלית המונעים על ידי AI גנרטיבי — GANs, מודלי דיפוזיה, כל הארסנל. והכלים האלה מבריקים בדבר אחד: לייצר מכירות. הם ממטבים לשיעורי הקלקה ולהמרות ראשוניות. הם מוכרים את החלום.

הם פשוט אינם יכולים לספק את המציאות.

מדוע AI גנרטיבי מהזה התאמה?

אני זוכר את הרגע המדויק שבו הצוות שלי הפסיק להאמין במדידה וירטואלית גנרטיבית. עשינו בנצ'מרק למערכת מבוססת מודל דיפוזיה — אחת מאלה שזכו למימון נדיב — מול דגימות בגד פיזיות. היה לנו ז'קט ג'ינס, גולמי ובלתי מתפשר, מהסוג של בד שיש לו מתיחות אפסית למעשה. הזנו למערכת תמונת משתמש ואת תמונת הז'קט.

ה-AI הפיק תוצאה יפהפייה. הז'קט התאים בצורה מושלמת. על גוף שבמציאות הפיזית לא היה מצליח להעביר את היד השמאלית דרך השרוול.

השותף המייסד שלי הביט במסך ואמר, "זה לא מודד את הז'קט. זה עושה פוטושופ לז'קט." וזה נכון בדיוק. פונקציית המטרה של מודל דיפוזיה היא קוהרנטיות פיקסלים — לגרום לתמונת הפלט להיראות סבירה סטטיסטית בהינתן נתוני האימון שלו. אין לו מושג על קשיחות מתיחה. הוא אינו יודע שג'ינס גולמי לא יתמתח. הוא אינו יודע דבר על בד בכלל.

זה יוצר שלושה כשלים מדורגים:

הזיית ההתאמה. המודל מעוות את הבגד כדי לכסות את הגוף, או מעוות את הגוף כדי שיתאים לבגד. כך או כך, הלקוח רואה שקר. ניתוח התעשייה היה בוטה בעניין: "מדידות וירטואליות חסרות דיוק בעולם האמיתי, מתעלמות מהתנהגות הבד, ועלולות להטעות לקוחות לגבי איך בגד באמת מתאים ומרגיש."

הידרדרות המרקם. GANs סובלים מקריסת מוד — פרטים עדינים כמו תחרה, רקמה, או אריגה מורכבת מטושטשים לכדי דפוסים גנריים. מודלי דיפוזיה לעיתים ממציאים פרטים שאינם קיימים במוצר הפיזי. עכשיו הלקוח מופתע גם מההתאמה וגם מהמראה.

אפקט בובת הנייר. רוב המערכות מבוססות הדו-ממד מדביקות תמונה שטוחה של בגד על גבי המשתמש. ללא תפיסת עומק. ללא הבנה של איך בד נופל על עקומת הירך או מתקבץ במותן. עבור כל דבר רפוי או זורם — שבו הנפילה היא הסגנון — התוצאה חסרת תועלת.

הבטנו בטכנולוגיה שהגדילה מכירות והגדילה החזרות במידה שווה בערך. השפעה נטו על הרווח: זניחה, אולי שלילית. אז ידעתי שאנחנו צריכים ארכיטקטורה שונה לחלוטין.

לדמות את השמלה במקום לדמיין אותה

פריצת הדרך לא הייתה רשת נוירונים טובה יותר. היא הייתה החלטה להתייחס למדידה וירטואלית כאל בעיה של הנדסת מכונות במקום בעיה של יצירת תמונות.

ב-Veriprajna בנינו את מה שאני מכנה "ליבה דטרמיניסטית, קצה הסתברותי" ארכיטקטורה. הליבה — החלק שקובע אם בגד מתאים — היא מנוע סימולציית פיזיקה, בדומה למה שמעצבי אופנה מקצועיים משתמשים בו בכלים כמו CLO3D או Marvelous Designer. אנחנו לא מאמנים רשת נוירונים על תמונות של בגדים. אנחנו קולטים את דפוסי ה-CAD האמיתיים של הבגדים ומקצים להם את התכונות הפיזיות של הבדים האמיתיים שלהם.

זה חשוב יותר משאולי זה נשמע. לכל בד יש תכונות מכניות מדידות: קשיחות כפיפה (האם הוא נופל כמו משי או נשאר נוקשה כמו ג'ינס?), קשיחות גזירה (איך הוא מתנהג באלכסון?), קשיחות מתיחה (כמה הוא נמתח תחת מתח?), ריסון פנימי (איך הוא מתייצב על הגוף?), יחס קריסה (איך הוא מתקבץ ומתאסף?). הסימולציה שלנו מכוילת מול כל אלה.

התוצאה היא שכאשר גוף במידה 12 מודד שמלה במידה 6 במערכת שלנו, הסימולציה מראה בדיוק מה היה קורה בחדר מדידה פיזי. קווי מתח מופיעים. דפוס ה-"X" במותן שכל חייט היה מזהה. הבד נכשל באופן גלוי להיסגר. זה לא מחמיא. זה כנה.

החלפנו את מראת הפנטזיה במנוע פיזיקה. אם הבגד אינו מתאים, הסימולציה מראה לך — קווי מתח, משיכה, בד שלא נסגר. מסתבר שכנוּת עדיפה לעסק על פני חנופה.

כתבתי על הארכיטקטורה הטכנית המלאה — צינור הרינדור של PBR, פרמטרי סימולציית הבד, תצריף הרינדור הדיפרנציאלי — בגרסה האינטראקטיבית של המחקר שלנו. אבל התובנה המרכזית פשוטה: מנוע פיזיקה אינו יכול להזות. הוא מחשב. וחישוב, בניגוד ליצירה, הוא דטרמיניסטי.

החלק הקשה ביותר לא היה הפיזיקה

הנה מה שלא ציפיתי לו: סימולציית הפיזיקה הייתה החלק הקל. הבעיה הקשה באמת הייתה לגרום לתוצאה להיראות אמיתית מספיק כדי שלקוחות יבטחו בה.

סימולציית פיזיקה מדויקת לחלוטין שרונדרה עם תאורה גרועה נראית כמו נכס ממשחק וידאו שהודבק על תמונה. לקוחות מעיפים מבט אחד ופוסלים אותה. פתרנו את בעיית הדיוק ויצרנו בעיית אמינות.

כאן החזרנו את ה-AI לתמונה — לא כדי לייצר את הבגד, אלא כדי לפתור את אתגר התאורה והשילוב. אנחנו משתמשים ברינדור מבוסס פיזיקה (PBR) כדי לדמות איך אור מתקשר עם משטחי בד באמצעות נוסחאות מדויקות פיזיקלית. אַלְבֶּדוֹ לצבע הבסיס, מפות חספוס לאופן שבו האור מתפזר (כותנה מול סאטן), מפות נורמל למרקם משטח מיקרוסקופי כמו האריגה של טוויל.

אבל הקסם האמיתי הוא במה שקורה כשמניחים את הבגד התלת-ממדי הזה בתוך תמונה דו-ממדית של לקוח. אם התאורה על השמלה הדיגיטלית אינה תואמת את התאורה בחדר של הלקוח, כל הדבר נראה מזויף — כמו מדבקה שהוטבעה על תמונה.

בילינו שבועות על זה. לילות מאוחרים של ויכוחים על האם הערכת הסביבה מבוססת ה-CNN טובה מספיק, האם לכידת הצללים אגרסיבית מדי, האם עטיפת האור בקצות הבגד עדינה מדי. היה יום חמישי מסוים — אני זוכר כי הזמנו פיצה והיא הצטננה — שבו מוביל הרינדור שלנו העלה השוואה: התצריף שלנו לצד צילום אמיתי של אותו בגד על אותו אדם. שלושה מאיתנו לא הצליחו לומר מי זה מי. הרביעית הצליחה, אבל רק כי היא הבחינה בחוסר התאמה קל בטמפרטורת הצבע על ידית של רוכסן.

זה היה הרגע שבו ידעתי שיש לנו משהו.

הטכניקה נקראת רינדור דיפרנציאלי — אתה מחשב את ההשפעה של האובייקט התלת-ממדי על הסצנה בלי לרנדר מחדש את הסצנה עצמה. לוכדי צללים, מפות סביבה המוערכות מתמונת המשתמש, עטיפת אור בקצוות לדימוי פיזור תת-פני-שטח. הבגד מטיל צל מציאותי על רגליו האמיתיות של המשתמש. הכפתורים משקפים את אותו אור חלון שנמצא בעיני המשתמש.

איזה מדד מדידה וירטואלית אמורה למעשה למטב?

כאן ההצדקה העסקית נעשית מעניינת, וכאן אני חושב שרוב התעשייה תופסת את זה הפוך.

מדידה וירטואלית מבוססת AI גנרטיבי ממטבת לשיעור המרה. היא מוכרת את הפנטזיה. המערכת שלנו ממטבת למכירות נטו — מכירות פחות החזרות. על ידי הצגת האמת, גם כאשר האמת היא "זה לא מתאים לך", אנחנו מונעים את מחזור ההחזרות שהורג את הרווח.

אנחנו גם מפיקים נתונים, לא רק תמונות. המערכת שלנו מייצרת ציון ביטחון-התאמה — משהו כמו "95% התאמה למותן, 60% התאמה לירכיים". זה עושה משהו נוגד אינטואיציה: הוא לפעמים מרתיע מפני רכישה. אבל הרכישות שהוא אינו מרתיע מפניהן כמעט אף פעם לא חוזרות. והלקוח בוטח במערכת יותר בפעם הבאה. אמון מצטבר. החזרות לא.

אנשים שואלים אותי אם הצגת מידע לא מחמיא על ההתאמה פוגעת בשיעורי ההמרה. תשובה קצרה: כן, בהתחלה. תשובה ארוכה יותר: הלקוחות שאתה מאבד הם אלה שממילא היו מחזירים את המוצר. אתה לא מאבד הכנסה — אתה מאבד את אשליית ההכנסה שעמדה להתאדות בתוך שבועיים כשההחזרה תגיע.

שדה המוקשים האחר: מדוע אודיו גנרטיבי הוא פצצת זמן משפטית

בזמן שבנינו מנועי פיזיקה לאופנה, ניווטנו במקביל בתחום מסוכן לא פחות: אודיו. וכאן, הבעיה אינה פיזיקה — היא חוק.

תעשיות המוזיקה והקול נמצאות באמצע משבר קיומי סביב AI גנרטיבי. Universal Music Group, Sony Music, וה-RIAA הגישו תביעות משמעותיות נגד חברות AI כמו Suno ו-Udio. הסוגיה המרכזית: רוב מודלי האודיו הגנרטיביים אומנו על מוזיקה מוגנת בזכויות יוצרים שנגרדה מהרשת. אם ארגון משתמש באחד מהמודלים האלה כדי לייצר ג'ינגל והפלט הזה מחקה בטעות יצירה מוגנת — תופעה הנקראת "רגורגיטציה" (regurgitation) — הארגון אחראי להפרה. ומכיוון שהמודלים הם קופסאות שחורות, אי אפשר לאמת את מקור מה שיוצא.

זה מחמיר. על פי הנחיות משרד זכויות היוצרים של ארה"ב הנוכחיות, יצירות שנוצרו אך ורק על ידי AI ללא התערבות אנושית משמעותית אינן זכאיות להגנת זכויות יוצרים. כלומר, אם מותג משתמש בכלי גנרטיבי טהור כדי ליצור לוגו קולי, הוא אינו יכול להיות בעליו. הוא נכנס לנחלת הכלל. מתחרים יכולים להשתמש בו בחופשיות. עבור קניין רוחני מסחרי, זה לא בא בחשבון.

אם אינך יכול להוכיח מהיכן הגיע האודיו של ה-AI שלך ואינך יכול להיות בעל מה שהוא מייצר, אין לך נכס — יש לך התחייבות.

נתקלנו בקיר הזה מוקדם. סוכנות פרסום פנתה אלינו כשרצתה עבודת קול שנוצרה על ידי AI לקמפיין. הם השתמשו בכלי טקסט-לדיבור פופולרי וזה עתה קיבלו מכתב חדילה. הכלי אומן ככל הנראה על נתוני קול שכללו דגימות משחקן מוכר. אף אחד לא יכול היה להוכיח זאת באופן חד-משמעי — קופסה שחורה — אבל אף אחד לא יכול היה להפריך זאת גם. הקמפיין נגנז.

איך מייצרים אודיו AI שהוא באמת חוקי?

פתרנו זאת על ידי דחייה מוחלטת של פרדיגמת "יצירה מאפס". במקום זאת, בנינו זרימת עבודה טרנספורמטיבית באמצעות שתי טכנולוגיות עומק: הפרדת מקור עמוקה והמרת קול מבוססת-אחזור (RVC).

הפרדת מקור עמוקה היא תהליך של פירוק קובץ אודיו מוגמר לסטמים המרכיבים אותו — שירה, תופים, בס, כלי נגינה. חשבו על זה כמו לפרק עוגה אפויה למרכיביה, מה שנשמע בלתי אפשרי אבל למידה עמוקה מודרנית הפכה אותו ליעיל להפליא. המנוע שלנו משתמש בארכיטקטורת U-Net הפועלת על ספקטרוגרמות אודיו, ומפיקה מסכות רכות המבודדות את התדרים של כל סטם. אנחנו משתמשים בווריאנטים במרחב-הגל כדי להימנע מארטיפקטי הפאזה ה"מימיים" הפוקדים גישות סטנדרטיות מבוססות-ספקטרוגרמה.

זה משחרר ערך עצום מקטלוגי קניין רוחני קיימים, מורשים. חברת מדיה יכולה להפריד דיאלוג מהפסקול התזמורתי של סרט כדי ליצור גרסאות מדובבות. חברות תקליטים יכולות "לשחרר" מאסטרים ישנים שבהם סרטי הרב-ערוצי המקוריים אבדו, וליצור רמיקסים חדשים או מיקסים סוחפים של Dolby Atmos. כל שלב מכבד זכויות קיימות מכיוון שאנחנו עובדים עם חומר מקור בבעלות או מורשה.

לשינוי קול, אנחנו משתמשים ב-RVC — מסגרת דיבור-לדיבור שמשנה את גוון הצליל (timbre) של קול תוך שימור הפרוזודיה (מקצב, גובה צליל, רגש) של הביצוע המקורי. המערכת מפשיטה את הזהות מקול באמצעות מודלים בפיקוח-עצמי כמו HuBERT, ואז משחזרת אותה באמצעות מסד נתונים מאונדקס-FAISS של הטבעות הקול האמיתיות של הדובר המבוקש. היא אינה מהזה קול — היא מרכיבה אותו מחדש מפרוסות מיקרוסקופיות של הקלטות אמיתיות שניתנה להן הסכמה.

לפירוט הטכני המלא של ארכיטקטורת הפרדת המקור וגם של צינור ה-RVC, ראו מאמר המחקר המעמיק שלנו.

תשתית ההסכמה שאיש אינו מדבר עליה

הטכנולוגיה היא רק חצי מהסיפור. מה שהופך את זה למוכן לשימוש ארגוני היא מסגרת הציות שמסביבה.

אנחנו לא משתמשים במודלי RVC ציבוריים שאומנו על נתוני סלבריטאים שנגרדו. אנחנו בונים מודלים מותאמים אישית שאומנו אך ורק על שחקני קול שחתמו על כתבי שחרור מסחור-AI ספציפיים — הסכמה מפורשת לשימושים ספציפיים, עם מעקב אחר תמלוגים בכל פעם שמודל הקול שלהם מופעל.

הנה החלק החשוב ביותר להגנה משפטית: מכיוון שמערכת ה-RVC משתמשת במסד נתונים של אחזור, אנחנו יכולים להוכיח מתמטית איזה מודל קול הפיק כל פלט נתון. אם מישהו טוען "זה נשמע כמו סלבריטי X", אנחנו יכולים לבצע ביקורת על אינדקס ה-FAISS ולהדגים שכל הטבעה הגיעה משחקן הקול המסכים א'. זו אינה הגנת "אנחנו מאמינים" — זו הגנה קריפטוגרפית.

ומכיוון שהפלט הוא יצירה נגזרת המבוססת על ביצוע אנושי ועל יצירה שנוצרה בידי אדם, היא זכאית להגנת זכויות יוצרים. הארגון יכול למעשה להיות הבעלים של הנכס הסופי. נסו להשיג את זה ממחולל טקסט-למוזיקה.

היה רגע — אני חושב שזה היה במהלך שיחה עם הצוות המשפטי של חברת מדיה — שבו היועץ המשפטי הראשי שלהם עצר ואמר, "רגע, אתם באמת יכולים להראות לנו איזה קול שימש לכל אלפית שנייה של אודיו?" כשאמרתי כן, השתררה שתיקה ארוכה. ואז: "אתם מבינים כמה כסף הוצאנו על בדיקה משפטית של תוכן שנוצר על ידי AI?" אז הבנתי שתשתית הציות אינה תכונה. היא המוצר.

מדוע ארגונים לא יכולים פשוט להשתמש ב-GPT בשביל זה?

אני מקבל את השאלה הזו כל הזמן. בדרך כלל ממשקיעים, לפעמים מלקוחות פוטנציאליים שראו הדגמות מרשימות מספקי מודלי יסוד. התשובה היא ארכיטקטונית, לא פילוסופית.

כשאתה בונה על API של צד שלישי, אתה יורש את הטבע הסטוכסטי של אותו מודל. אם המודל מהזה — התאמה שגויה, מנגינה מוגנת בזכויות יוצרים, קול משוכפל — אתה לא יכול לתקן את זה. המשקלים הם קנייניים. אתה חסר אונים. סביר גם שהדלפת נתונים קנייניים: קולקציות אופנה שטרם שוחררו והועלו למודל בענן עלולות לסיים בתוך נתוני האימון שלו. המערכות שלנו ארוזות בקונטיינרים עם Docker ו-Kubernetes, וניתנות לפריסה כולה בתוך הענן הפרטי של הלקוח או בשרתים מקומיים. הן אינן דורשות גישה לאינטרנט. הן אינן מתקשרות הביתה. מרווח האוויר אינו פרנויה — הוא דרישה חוזית מכל לקוח ארגוני רציני שעבדנו איתו.

יש גם את שאלת יכולת ההגנה. אנליסטים של PitchBook היו בוטים: השוק רווי יתר על המידה בסטארט-אפים שהם "עטיפות דקות סביב מודלי יסוד" ללא יכולת הגנה מבנית. החברות האלה כלואות בין ההייפרסקיילרים ששולטים באינטליגנציה הבסיסית לבין משתמשי הקצה שיכולים לעבור לעטיפה הבאה בן לילה. כאשר OpenAI משנה את התמחור או היכולות שלה, לחברות העטיפה אין מוצא.

הערך בר-הקיימא ב-AI לא ייצבר לחברות שמוכרות מחדש גישה ל-API. הוא ייצבר לאלה שפותרות את הבעיות הקשות, הספציפיות-לתחום, שמודלים גנריים אינם מסוגלים מבנית לפתור.

ממטבנו גם עבור השהיה — קוונטיזציה של מודלים מאפשרת לצינור ה-RVC שלנו לרוץ על חומרה ברמת צרכן עם השהיה מתחת ל-50 מילישניות, מה שמבטל הלוך-ושוב יקר של GPU בענן. כל תמונה וקליפ אודיו שאנחנו מפיקים נושאים סימן מים בלתי נראה המקודד את מזהה הרישוי, מזהה המשתמש, וחותמת הזמן. אם נכס דולף או מותקף, סימן המים מוכיח את מקורו.

הסוף של "נכון ברובו"

אני בונה ב-Veriprajna מספיק זמן כדי לראות את הדפוס בבירור. הגל הראשון של AI ארגוני עסק בהתרגשות — מה יכלו מודלים גנרטיביים לעשות? הגל השני, שאליו אנחנו נכנסים כעת, עוסק באחריותיות — מה צריכים הם לעשות, ומה קורה כאשר הם טועים?

באופנה, "נכון ברובו" משמעו שיעור החזרות של 30% ולקוח שלעולם אינו חוזר. באודיו, "נכון ברובו" משמעו תביעה ונכס שאינך יכול להיות בעליו. גישת העטיפה — מהירה, זולה, הסתברותית — עובדת מצוין לאבטיפוס וליישומי צרכן בסיכון נמוך. אבל עבור כל תחום שבו דיוק, ציות, ויכולת הגנה חשובים, זו אינה קיצור דרך. זו התחייבות.

הארכיטקטורה שבנינו ב-Veriprajna אינה זוהרת. מנועי פיזיקה אינם מדגימים כמו AI גנרטיבי. מסגרות ציות אינן יוצרות מצגות פיץ' מרגשות. מערכות דטרמיניסטיות אינן מפיקות את סוג הפלטים הקסומים, המפתיעים, שהופכים לוויראליים ברשתות החברתיות.

אבל הן עובדות. הן עובדות כשהשמלה אינה מתאימה והלקוחה צריכה לדעת לפני שהיא קונה. הן עובדות כששחקן הקול ראוי לתשלום והצוות המשפטי צריך הוכחה. הן עובדות כשהארגון צריך להיות בעל נכסיו ולשמור את הנתונים שלו מאחורי קירותיו שלו.

תעשיית ה-AI תבין בסופו של דבר שהבעיות הקשות ביותר אינן נפתרות על ידי הגדלת המודלים. הן נפתרות על ידי העמקת הפתרונות — מושרשות בפיזיקה במקום שבו פיזיקה חשובה, מושרשות בחוק במקום שבו חוק חשוב, ומושרשות בעבודה הלא-זוהרת והמדוקדקת של הנדסת מערכות שאומרות את האמת.

זה מה שאנחנו בונים. לא חברת ה-AI המרגשת ביותר. הכנה ביותר.