Debatten om hvordan Norge bør posisjonere seg i det globale kappløpet om kunstig intelligens (KI) kan ses som et valg av tre: utvikle teknologien, anvende teknologien, eller en kombinasjon. Her skal jeg argumentere for at Norge i større grad bør fokusere på forskning knyttet til anvendelse av LLM, fremfor å bruke ressurser på utvikling av egne modeller.
Kostnadene ved utvikling av LLM
Utviklingen av LLM er ekstremt kostbar og ressurskrevende. For å illustrere dette, benytter jeg meg av tall fra Professor Ethan Mollick ved Wharton, som i sitt nyhetsbrev forklarer hvordan utviklingen av de største modellene krever enorme mengder data, datakraft og økonomiske ressurser.
For eksempel ble GPT-4, en av de mest avanserte modellene på markedet, estimert til å kreve rundt 20 YottaFLOPs (2 x 10^25) datakraft og milliarder av dollar i utviklingskostnader. Det er en skala som langt overstiger det som er økonomisk og praktisk gjennomførbart for de fleste land, inkludert Norge. Videre er utviklingen av neste generasjon modeller, som forventes å koste over ti milliarder dollar, enda mer utenfor rekkevidde.
Terje Aasland bør kreve gjenvinning av overskuddsvarme fra alle datasentre
Tilgang på data og datakraft
For å utvikle en konkurransedyktig LLM, er det nødvendig med tilgang til store mengder høykvalitetsdata og betydelig datakraft. Bloomberg utviklet for eksempel sin egen modell, Bloomberg GPT, for finansielle analyser, men selv denne ble slått av GPT-4, en mer generell modell med mye større skala.
Dette viser at selv spesialiserte modeller med rikelig tilgang til nisjedata sliter med å konkurrere mot de virkelig store modellene. Norge har verken den nødvendige infrastrukturen for datainnsamling på en tilsvarende skala eller den massive datakraften eller «funding» som kreves for å trene slike modeller.
Manglende sterke forskningsmiljøer
Mens Norge har noen sterke forskningsmiljøer – Agder og NTNU – innen KI, er vi langt unna nivået som finnes i de store KI-hubene som USA og Kina. Dette betyr at vi mangler både den menneskelige og den teknologiske kapitalen som kreves for å utvikle modeller i verdensklasse.
I stedet for å forsøke å bygge opp en slik kapasitet fra bunnen, som vil ta mange år og betydelige investeringer, bør Norge utnytte sin styrke forskningen inn mot hvordan LLM kan brukes på innovative måter til å skape nye verdier, utløse økt etterspørsel/bruk og betalingsvilje – noe handelshøyskoler er dyktige til.
En helt ny logikk for bærekraftig vekst
LLM som «hyllevare»
LLM, slik de eksisterer i dag, er i ferd med å bli «hyllevare» levert av globale teknologigiganter som Open AI, Google, Anthropic, og Meta. Faktum er at akademia i liten grad har klart å utvikle konkurrerende språkmodeller. Dette betyr at virksomheter i Norge, fra helsevesen til finanssektoren, kan dra nytte av disse modellene uten å måtte investere i deres utvikling.
Mulighetene ligger i å anvende disse modellene på innovative måter for å skape, levere og fange verdier – enten det er gjennom nye tjenester, forbedrede kundetjenester, mer skreddersydde løsninger, mer presise prognoser, eller automatisering av komplekse tjenesteprosesser.
Veien videre for Norge
Ved å fokusere på anvendelse fremfor utvikling kan Norge kapitalisere på de raske fremskrittene innen KI ved å tilpasse teknologien til lokale behov. Dette kan gi umiddelbar avkastning i form av forbedrede tjenester, økt produktivitet og innovasjon innen sektorer som helse, energi, og offentlig forvaltning.
Forskning på hvordan LLM kan integreres og brukes effektivt, for eksempel gjennom utvikling av etisk og juridisk rammeverk, kompetansebygging, og tilpasning til nasjonale språk og kultur, vil være langt mer verdiskapende for Norge. Ett slikt satsingsområde kan være digitale tvillinger innen tjenesteytende sektor.
Konklusjon
Norge bør derfor fokusere på å være i forkant når det gjelder anvendelse av LLM-teknologi i ulike sektorer, i stedet for å prøve å konkurrere med globale selskaper i utviklingen av disse teknologiene. Dette vil ikke bare være en mer kostnadseffektiv strategi med lavere risiko, men også en som potensielt kan gi større samfunnsøkonomiske gevinster som økt produktivitet, på kort og lang sikt.
Utsetter batterieventyret – igjen
