Merci. Je vous aime aussi.

C'est vraiment agréable d'être ici en Corée avec vous tous. Le fait que vous soyez si nombreux ici à 20h00 un vendredi soir, soit en personne, soit en regardant cela de chez vous, est un signe formidable de l'enthousiasme pour l'IA en Corée. Merci à tous d'être ici ou de regarder cela en ligne. Ces derniers jours passés en Corée, j'ai été vraiment ravi et reconnaissant de participer et de voir l'énergie et l'élan de l'industrie du logiciel ici, ainsi que l'élan dans la construction de l'IA dans le monde universitaire, les grandes entreprises et les startups. J'ai été ravi d'entendre tout l'excellent travail que la NIPA et d'autres organisations gouvernementales accomplissent, et je pense que la Corée a un avenir très brillant dans l'IA.

J'aimerais partager avec vous quelques opportunités que je vois dans l'IA à l'échelle mondiale ainsi qu'en Corée. J'espère que si, à l'avenir, je peux jouer un petit rôle pour soutenir l'essor de l'IA en Corée, j'en serais ravi.

L'une des choses délicates à comprendre à propos de l'IA est qu'il s'agit d'une technologie à usage général, ce qui signifie qu'elle est utile pour de nombreuses applications différentes, comme l'électricité. Si je vous demandais à quoi sert l'électricité, vous répondriez qu'elle est utile pour beaucoup de choses différentes. L'IA est la nouvelle électricité, et elle commence à révolutionner tous les secteurs de la société et de notre économie.

J'aimerais passer en revue le paysage technologique avec vous, ce qui nous mènera à des opportunités passionnantes sur lesquelles nous pourrons tous travailler dans le domaine de l'IA.

Il y a beaucoup d'excitation et de battage médiatique autour de l'IA, et une bonne façon de la considérer est comme une collection d'outils. Un outil est l'apprentissage supervisé, qui est très doué pour étiqueter ou reconnaître des choses. Un autre outil important est l'IA générative. Si vous travaillez dans l'IA ou si vous l'étudiez, vous avez peut-être entendu parler d'autres outils, mais pour la présentation d'aujourd'hui, je me concentrerai sur les deux plus importants : l'apprentissage supervisé et l'IA générative.

L'apprentissage supervisé est très doué pour étiqueter des choses via des mappages entrée-sortie, ou de A vers B. Par exemple, étant donné un e-mail, vous pouvez utiliser l'apprentissage supervisé pour l'étiqueter comme spam ou non. L'application la plus rentable financièrement sur laquelle j'ai travaillé était probablement la publicité en ligne, où, étant donné une annonce, nous pouvons déterminer si un utilisateur est susceptible de cliquer dessus. Aujourd'hui, pour une entreprise comme Google, ce type de technologie génère plus de 100 milliards de dollars par an. Pour les voitures autonomes, vous pouvez entrer des relevés de capteurs et étiqueter la position des autres voitures. Un projet réalisé par mon équipe à l'AI Fund concernait l'optimisation des itinéraires des navires, où nous entrions l'itinéraire qu'un navire allait emprunter et l'étiquetions avec la quantité de carburant qu'il allait consommer afin d'optimiser la consommation. J'ai travaillé sur l'inspection visuelle des défauts, où l'on prend une photo d'un objet fabriqué et on indique s'il présente une rayure ou un défaut. Si vous voulez surveiller la réputation d'un restaurant, vous pouvez entrer un avis et l'étiqueter avec un sentiment positif ou négatif.

L'une des choses intéressantes à propos de l'apprentissage supervisé est qu'il n'est pas utile pour une seule chose ; il est utile pour toutes ces applications passionnantes et bien d'autres encore.

Passons en revue le flux de travail pour construire un système d'IA utilisant l'apprentissage supervisé. Pour construire un système d'étiquetage des avis, vous devriez proposer quelques points de données. 'Le sundubu jjigae était excellent !' est étiqueté comme sentiment positif. 'Le service était lent' est négatif. 'Mon japchae préféré' est positif. Dans une application pratique, vous pourriez avoir besoin de quelques milliers de points de données. Le flux de travail consisterait à obtenir des données étiquetées pour l'entrée A et la sortie B, à entraîner un modèle d'IA, puis à utiliser un service cloud pour déployer le modèle. Maintenant, vous pouvez entrer 'Le meilleur doenjang jjigae que j'aie jamais mangé !' et il l'étiquette comme sentiment positif.

La dernière décennie a été celle de l'apprentissage supervisé à grande échelle. Il y a environ 15 ans, nous avons découvert que si vous construisez un petit modèle d'IA, ses performances ne s'améliorent que pendant un certain temps puis stagnent. Nous avons découvert que si vous construisez un très grand modèle d'IA, les performances continuent de s'améliorer à mesure que vous lui fournissez plus de données. Lorsque je dirigeais l'équipe Google Brain il y a environ 10 ans, notre mission principale était de construire des réseaux de neurones vraiment massifs. Cette recette consistant à augmenter l'échelle des données et de la puissance de calcul a stimulé les progrès de l'IA au cours de la dernière décennie.

Cette décennie se tourne vers l'ajout de l'IA générative à notre boîte à outils. Pour la génération de texte, beaucoup d'entre vous ont joué avec des outils comme ChatGPT ou Bard. Vous pouvez entrer une invite, comme 'J'aime manger', et le résultat de l'IA peut être 'galbi' ou 'dolsot bibimbap'. C'est une technologie passionnante, et je vais vous expliquer comment elle fonctionne.

Au cœur de l'IA générative se trouve l'utilisation de l'apprentissage supervisé pour prédire de manière répétée le mot suivant. Si l'IA lit une phrase comme 'Mon plat préféré est le gochujang samgyeopsal gui', elle transforme cela en points de données où, étant donné 'Mon plat préféré est', elle prédit 'gochujang'. Étant donné 'Mon plat préféré est le gochujang', elle prédit 'samgyeopsal'. Si vous entraînez un très grand système d'IA sur des centaines de milliards ou même un billion de mots, vous obtenez un grand modèle de langage comme ChatGPT. Techniquement, plutôt que de prédire le mot suivant, on prédit le jeton suivant. Il existe également une technique appelée RLHF pour affiner les résultats afin de les rendre plus honnêtes, inoffensifs et utiles, mais le cœur du processus consiste à utiliser de très grands ensembles de données pour prédire le mot suivant.

Alors que beaucoup d'entre nous utilisent ChatGPT et Bard comme outils grand public, le prompting révolutionne également le développement d'applications logicielles d'IA. De nombreuses applications d'IA sont désormais beaucoup plus faciles à construire grâce au prompting.

Dans l'approche traditionnelle de l'apprentissage supervisé, la création d'un système d'avis sur les restaurants pouvait prendre un mois pour obtenir des données étiquetées, trois mois pour entraîner le modèle et trois autres mois pour le déployer. Un délai de 6 à 12 mois était réaliste pour développer un système d'IA de qualité commerciale. Même avec de très bons ingénieurs, nous mettions souvent 6 à 12 mois pour construire ces systèmes.

Avec l'IA basée sur des invites, le cycle de développement est bien plus rapide. Vous pouvez spécifier une invite en quelques minutes ou heures et déployer le modèle en quelques heures ou jours. Je vais écrire du code pour construire et déployer un classificateur de sentiments. Je vais importer des outils d'OpenAI et écrire une invite : 'Classer le texte ci-dessous, délimité par trois tirets, comme ayant un sentiment soit positif, soit négatif'. J'écrirai du texte : 'J'ai vraiment apprécié l'événement sur l'IA avec Andrew Ng. J'ai aussi apprécié la session de réseautage à la fin'. Je l'enverrai via l'API. En environ 20 secondes, j'ai construit un classificateur de sentiments. C'est littéralement tout le code nécessaire aujourd'hui pour en construire un.

Cela signifie que de nombreuses applications qui prenaient autrefois 6 à 12 mois à construire peuvent désormais être réalisées en quelques jours ou une semaine. Nous pouvons prototyper beaucoup plus rapidement et lancer davantage de produits d'IA. Beaucoup de gens ne mesurent pas encore pleinement la vague d'applications d'IA qui peuvent être construites maintenant parce que c'est tellement plus facile et rapide.

Il y a quelques mois, en collaboration avec des personnes d'OpenAI, j'ai lancé un cours intitulé 'ChatGPT Prompt Engineering for Developers'. En deux semaines, nous avons eu 500 000 inscriptions, le cours le plus rapide de l'histoire de l'éducation en ligne. Cela montre le nombre de développeurs qui apprennent ces outils. Plus tôt cette semaine, à l'Université nationale de Séoul, nous avons annoncé que nous travaillions pour fournir des sous-titres coréens pour nos cours courts. Je suis ravi de fournir ces matériels à la communauté des développeurs coréens.

À la lumière du paysage technologique, j'aimerais partager quelques opportunités passionnantes en IA.

La taille de ces cercles montre la valeur des différentes technologies d'IA aujourd'hui. L'apprentissage supervisé, qui peut valoir plus de 100 milliards de dollars pour une seule entreprise, a un élan massif et continuera de croître. L'IA générative est plus récente, et bien que moins de cas d'utilisation aient été élaborés, elle se développera rapidement. Je m'attends à ce que la valeur de l'apprentissage supervisé double au cours des trois prochaines années. L'IA générative fera bien plus que doubler dans le même intervalle. Les opportunités pour les startups, le monde universitaire et les entreprises établies de créer de la valeur résident dans ces régions en pleine croissance.

Parce qu'il s'agit de technologies à usage général, il reste beaucoup de travail pour identifier et exécuter des cas d'utilisation concrets. Une valeur massive reste à créer en utilisant l'apprentissage supervisé, et l'IA générative élargit encore l'ensemble des choses que nous pouvons faire.

Il y aura des modes éphémères. Par exemple, l'application Lensa vous permettait de télécharger des photos et vous dessinait en tant que scientifique ou astronaute. Elle était populaire et les revenus ont décollé rapidement, puis ils ont décliné. Lensa était une bonne idée, mais c'était une fine couche logicielle construite sur une API puissante. Elle n'a pas duré en tant qu'entreprise à haute valeur ajoutée.

Lensa me rappelle l'ère du début de l'iPhone. Il y avait des modes comme les applications de lampe de poche qui utilisaient la LED. C'était une bonne idée, mais c'était une couche mince qui n'a pas résisté à l'épreuve du temps. Cependant, d'autres ont construit Airbnb, Uber et Tinder — des entreprises profondes qui ont créé de la valeur à long terme. Avec ces nouvelles plateformes d'IA, il y a une opportunité de construire des entreprises profondes qui créent de la valeur à long terme pour tout le monde.

La première tendance est que l'IA générative, en tant que technologie à usage général, crée de nombreuses nouvelles opportunités pour les startups et les entreprises établies.

La deuxième tendance porte sur la raison pour laquelle l'IA n'est pas plus largement adoptée. Une grande partie de la valeur est encore concentrée dans les entreprises de logiciels grand public sur Internet comme Google, Microsoft, Meta, Naver et Kakao.

Si vous triez les projets d'IA potentiels par valeur, la 'tête' comprend des projets comme la publicité en ligne, où une entreprise comme Google peut embaucher une centaine d'ingénieurs pour construire un système pour un milliard d'utilisateurs. En dehors de l'Internet grand public, presque personne n'a un milliard d'utilisateurs. Dans des secteurs comme la fabrication alimentaire, nous avons travaillé avec une usine de pizzas pour vérifier si le fromage était réparti uniformément. C'est un problème à 5 millions de dollars, mais l'ancienne recette consistant à embaucher cent ingénieurs ne fonctionne pas pour cela. Nous avons également travaillé avec une entreprise agricole utilisant des caméras pour mesurer la hauteur du blé pour une meilleure récolte. C'est un autre projet de 5 millions de dollars où l'ancienne recette échoue. Il y a de nombreux exemples comme celui-ci dans le classement des matériaux et d'autres secteurs.

Dans la longue traîne de cette distribution, il y a des dizaines de milliers de projets à 5 millions de dollars. La valeur globale de la traîne peut être encore plus grande que la valeur de la tête, mais le défi est de la débloquer.

La communauté de l'IA développe de meilleurs outils, comme des plateformes sans code et à faible code, pour permettre aux utilisateurs de personnaliser leurs propres systèmes d'IA. Si le département informatique d'un fabricant de pizzas ou d'une entreprise agricole peut entraîner sa propre IA en utilisant des techniques centrées sur les données plutôt qu'en écrivant du code avancé, ils peuvent réaliser cette valeur eux-mêmes. C'est la clé pour amener l'IA au-delà de l'Internet grand public vers toutes les autres industries.

Compte tenu de ces tendances — l'IA en tant que technologie à usage général et des outils qui poussent l'IA vers toutes les industries — que pouvons-nous faire ?

Il y a cinq ans, je voulais résoudre l'énigme de savoir comment mener à bien autant de projets d'IA diversifiés. Même après avoir dirigé des équipes chez Google et Baidu, je ne pouvais pas imaginer une seule équipe dans une seule entreprise technologique gérant tout, du transport maritime à la santé et à l'éducation.

J'ai décidé que créer de nombreuses nouvelles entreprises est une approche efficace, c'est pourquoi j'ai lancé l'AI Fund en tant que studio de capital-risque pour m'associer à des entrepreneurs. En voyant l'enthousiasme ici, je suis intéressé à explorer si nous pouvons construire quelque chose en Corée également.

Les entreprises établies ont également des opportunités d'intégrer l'IA dans leurs activités existantes. Leur important pouvoir de distribution peut être un avantage considérable pour lancer des produits d'IA.

Pour conclure, je vais partager ce que je considère comme la pile de l'IA et où se situent les opportunités.

Au niveau le plus bas de la pile de l'IA se trouve le matériel semi-conducteur. La Corée possède une solide industrie des semi-conducteurs. Ce secteur est à forte intensité de capital et concentré, donc je n'y joue pas moi-même, mais il est logique que de nombreuses entreprises coréennes le fassent.

La couche d'infrastructure cloud est également à forte intensité de capital et concentrée. Il y a de bonnes opportunités, mais je n'y joue pas beaucoup.

Ensuite, il y a les outils de développement. J'ai utilisé OpenAI comme outil pour construire un classificateur de sentiments. Le secteur des outils de développement est hyper-compétitif, avec de nombreuses startups poursuivant OpenAI. Il y aura de méga gagnants, et je ne joue ici que lorsque mon équipe dispose d'un avantage technologique unique.

Malgré l'attention portée aux infrastructures et aux outils, ils ne peuvent réussir que si la couche applicative l'est encore plus. La couche applicative doit générer suffisamment de revenus pour payer l'infrastructure et les outils. Nous avons vu cela avec l'essor du SaaS et du cloud ; la technologie est passionnante, mais ce sont les applications construites par-dessus qui créent la véritable valeur.

En travaillant avec des partenaires sur des applications, nous trouvons une demande riche des utilisateurs mais une concurrence moins intense. Par exemple, l'AI Fund travaille avec Amorai, une entreprise qui applique l'IA au coaching de relations amoureuses. En tant que personne de l'IA, je connais peu de choses sur l'amour, nous nous sommes donc associés à Renata Nyborg, l'ancienne PDG de Tinder. En combinant l'expertise en IA avec sa connaissance approfondie des relations, nous avons construit quelque chose d'unique. Peu d'équipes sont expertes à la fois en IA et en relations amoureuses. Malgré les besoins du marché, la concurrence n'est pas aussi intense que dans d'autres secteurs.

En Corée, il y a des applications d'IA qu'il est plus logique de construire ici que dans la Silicon Valley. Les différences de l'écosystème coréen font que les applications dans les services financiers ou la fabrication électronique — des secteurs où la Corée est forte — sont plus faciles à construire ici que depuis la Silicon Valley.

Je vais vous présenter notre recette pour créer des startups, qui a bien fonctionné pour nous et qui pourrait vous être utile.

Mon équipe a accès à de nombreuses idées provenant de partenaires et de l'interne. Considérez Bearing AI, qui utilise l'IA pour rendre les navires économes en carburant. Cette idée a été suggérée par Mitsui, un conglomérat qui exploite des navires. Je n'aurais jamais eu cette idée moi-même, mais Mitsui a expliqué qu'un grand navire consomme 450 000 dollars de carburant par an et que l'IA peut économiser 10 %. Lorsqu'un partenaire partage une idée, nous passons un mois sur la validation technique et commerciale, en construisant un prototype. Ensuite, nous recrutons un PDG. Pour Bearing AI, nous avons recruté Dylan Keil. Nous passons ensuite trois mois sur la validation technique et client. Si le projet survit — et environ 66 % le font — nous réalisons un investissement financier plus important pour embaucher une équipe et construire le produit avant de lever la prochaine ronde de financement.

J'ai appris que notre domaine d'expertise est la technologie de l'IA. L'expertise technique est cruciale pour une validation précise et pour s'assurer que la technologie est bien construite. Cette recette, où nous fournissons l'expertise en IA et d'autres fournissent la connaissance de l'industrie, est un moyen efficace de construire des entreprises de valeur. Aujourd'hui, des centaines de navires sont 10 % plus économes en carburant grâce à Bearing AI, et je suis proud de ce que nous avons accompli avec Dylan Keil et Mitsui.

Nous préférons ne nous engager que lorsqu'il y a une idée concrète. Cela va à l'encontre des conseils habituels du design thinking. Si quelqu'un suggère d'appliquer l'IA aux services financiers, je ne sais pas par où commencer car je ne suis pas un expert. En revanche, une idée concrète — même une blague comme 'BuyGPT', qui élimine les publicités en achetant automatiquement chaque produit annoncé — peut être validée ou réfutée efficacement. Cela donne une direction claire à l'équipe. De nombreux experts métier ont réfléchi profondément à des problèmes pendant des années mais manquent d'un partenaire de construction d'IA. S'associer avec eux nous permet de créer des startups efficacement.

Nous avons entendu plusieurs idées concrètes intrigantes de la part de partenaires coréens ces derniers jours, et nous continuerons à explorer les opportunités de collaboration.

Nous prenons l'IA responsable au sérieux. Nous ne travaillons que sur des projets qui font progresser l'humanité. L'AI Fund a abandonné, et continuera d'abandonner, des projets qui sont financièrement sains mais qui ne respectent pas nos normes éthiques.

L'IA a encore des problèmes de biais, d'équité et de précision. Bien que la technologie s'améliore, ces problèmes restent non résolus et nécessitent notre attention.

L'IA va perturber de nombreuses professions. Les recherches montrent que si les vagues d'automatisation précédentes ont affecté les emplois à bas salaires, l'IA générative affecte les emplois à hauts salaires. À mesure que nous construisons ces technologies, nous avons l'obligation de veiller à ce que les personnes dont les moyens de subsistance sont perturbés soient bien prises en care.

Je pense que l'intelligence artificielle générale (IAG) est encore à des décennies. Il y a trop de battage médiatique concernant l'IA en tant que risque d'extinction. Nous avons l'expérience de la direction d'entités puissantes comme les entreprises et les États-nations au profit de l'humanité. De plus, l'IA se développe progressivement, ce qui nous laisse le temps de mettre en œuvre des garde-fous. Les risques existentiels réels incluent les pandémies, le changement climatique et les astéroïdes. L'intelligence artificielle sera une partie essentielle de la solution à ces problèmes. Pour que l'humanité prospère, nous devrions accélérer le développement de l'IA plutôt que de le ralentir.

L'IA, en tant que technologie à usage général, crée des opportunités de réaliser des projets significatifs qui profitent à la société. J'ai vraiment apprécié mes derniers jours en Corée, et j'espère que nous aurons davantage d'occasions de travailler ensemble à l'avenir. Merci beaucoup.

Merci beaucoup, Andrew. Nous aurons une séance de questions-réponses après la fin de toutes les sessions. Merci.

Oui, il a parlé des opportunités offertes par l'IA. Il a mentionné l'apprentissage supervisé et l'IA générative, ainsi que les prévisions de croissance future, soulignant qu'il ne s'agit pas d'un engouement passager mais de quelque chose de durable...