Impacto de DeepSeek en el futuro de la AI

DeepSeek ha introducido un enfoque transformador para el desarrollo AI. DeepSeek no es solo otra empresa de AI, es un cambio de paradigma. El equipo que lo respalda está compuesto por ingenieros que no están obligados por las metodologías tradicionales de AI. Son matemáticos de corazón, pragmáticos en ejecución y no se preocupan por cómo se ha realizado la AI en el pasado. Viieron una nueva forma de avanzar, una que redefine la forma en que pensamos sobre los modelos de AI, la administración de datos y, en última instancia, la infraestructura que potencia todo.

El verdadero impacto de DeepSeek no solo está en los modelos que han construido, sino en la hoja de ruta que han revelado para el futuro de la infraestructura de AI. Así es como se ve ese futuro y cómo afectará a las empresas y la administración de datos. Estoy bastante seguro de que ya ha hecho que muchas personas muy inteligentes reconsideren la naturaleza misma de su enfoque hacia la AI en sí.

El surgimiento de modelos más pequeños e inteligentes

La industria de la AI se ha fijado durante mucho tiempo en la idea de modelos básicos: redes masivas y completamente conocidas capacitadas en todo y cualquier cosa. Pero DeepSeek ha demostrado que los modelos más pequeños y especializados no solo son viables, sino superiores de muchas maneras. ¿Su enfoque? Un modelo de mezcla de expertos, donde los modelos más pequeños y altamente capacitados trabajan juntos en conjunto. Si bien esto simplifica demasiado el enfoque, utilizan una técnica muy inteligente para seleccionar el modelo experto adecuado y, al mismo tiempo, tienen cuidado de garantizar que creen un sistema eficiente.

Esto cambia todo.

En lugar de un modelo gigante que intenta hacer todo, las empresas pueden implementar un sistema de modelos interconectados, cada uno especializado en un dominio específico. Las implicaciones son profundas:

• Costos más bajos: Los modelos más pequeños requieren una potencia de procesamiento significativamente menor, pero el verdadero beneficio no es solo un costo reducido. El enfoque ahora ha demostrado que es posible una AI más capaz mientras se reducen simultáneamente los costos de capacitación e inferencia.
• Validación más sencilla: La experiencia enfocada significa que es más sencillo probar y verificar el rendimiento en aplicaciones del mundo real. Creo que esto hará que sea sencillo agregar capacidades de modelo más especializadas sin tanta dificultad como construir un modelo básico.
• Modelos de razonamiento:Los modelos pequeños obtendrán capacidades de razonamiento mucho más fáciles. Piénselo: Agregar razonamiento es un paso clave hacia la supervisión y transparencia de la AI. 

Para las empresas, esto significa que la adopción de la AI va más allá de los chatbots. Nunca fue en las tarjetas que una empresa normal construiría un modelo fundamental; simplemente es demasiado prohibitivo en cuanto a costos. Esto proporciona el plano para crear fácilmente modelos altamente capaces de manera rentable con sus propios datos. Considérelo como la incorporación de una fuerza de trabajo de AI: la barrera para crear modelos altamente eficientes y específicos de dominio ha disminuido significativamente. Las herramientas para esto vendrán a continuación, así como los modelos base que permiten la destilación eficiente de datos para construir modelos más pequeños capaces.

La clave para liberar todo el potencial de la AI es la administración de datos

Durante años, la industria de la AI ha estado obsesionada con la recopilación y el almacenamiento de la mayor cantidad de datos posible. El enfoque se centró en maximizar los recuentos de tokens, entrenar en todo y esperar que la fuerza bruta arroje mejores resultados. Pero en el mundo de los modelos de combinación de expertos, la administración de datos ocupa el centro de atención.

El desafío pasa de acumular datos a seleccionarlos, organizarlos y refinarlos. Las prioridades ahora son:

• Selección de datos de alta calidad: La AI solo es tan buena como los datos en los que está capacitada. Filtrar el ruido y enfocarse en la relevancia ahora es una ventaja estratégica.
• Optimizar los procesos de datos:El enriquecimiento continuo de datos, el control de versiones y la trazabilidad se vuelven fundamentales.
• Infraestructura que admite AI: Las empresas necesitarán una infraestructura capaz de indexar, filtrar y recuperar datos dinámicamente a escala.

DeepSeek ya ha demostrado este enfoque con su “proceso de selección de datos meticulosamente diseñado”. En lugar de capacitarse indiscriminadamente sobre todos los datos disponibles, filtraron y refinaron sus conjuntos de datos, mejorando la eficiencia y reduciendo los costos. AI selección inteligente de datos impulsada por IA está emergiendo como la piedra angular del entrenamiento futuro de AI, lo que garantiza la eficiencia y precisión en el desarrollo de modelos.

La infraestructura del futuro

A medida que la AI cambia hacia modelos especializados y refinamiento de datos, la infraestructura debe evolucionar para respaldar esta nueva realidad. Los sistemas de AI futuros requerirán:

• Rendimiento multidimensional: Admite miles de modelos más pequeños que trabajan en almacenes paralelos y de valor clave que funcionan de manera eficiente en el momento de la inferencia.
• Alta conectividad y disponibilidad siempre activa y: Los procesos de datos impulsados por AI actualizarán y refinarán continuamente los conjuntos de datos.
• Almacenamiento escalable y de alta velocidad: La capacidad de indexar, recuperar, filtrar y representar cantidades significativas de datos en tiempo real.

En todas las industrias, las organizaciones enfrentan desafíos similares en la administración de conjuntos de datos impulsados por AI. Los modelos de AI dependen de conjuntos de datos en constante evolución que crecen a velocidades exponenciales. En lugar de simplemente almacenar datos, las organizaciones líderes impulsadas por AI lo indexan y refinan de manera dinámica. A medida que los modelos mejoran, los datos se vuelven a procesar para descubrir nuevos resultados y volver a capacitar a los sistemas de AI en consecuencia. Este ciclo continuo de refinamiento de datos es clave para hacer que la AI sea verdaderamente eficaz.

Una nueva era para la AI

DeepSeek ha expuesto una verdad fundamental: El futuro de la AI no se trata de modelos más grandes, sino de administrar y procesar datos. El enfoque para escalar la AI ha cambiado y ahora estamos entrando en una era en la que cualquier modelo puede volverse increíblemente capaz sin la inversión masiva de capital. El razonamiento ahora está disponible para cualquier modelo. La infraestructura, el almacenamiento y la administración de datos ahora también cambiarán.

¿La conclusión clave? La intersección de la AI, la ciencia de datos y la administración de datos es donde se produce la innovación real. El almacenamiento ya no se trata solo de conservar los datos; se trata de refinar, indexar, filtrar, organizar y reutilizar mientras se optimiza continuamente para la próxima evolución de la AI.

Plataforma de AI del futuro

DeepSeek ha demostrado lo que es posible cuando el desarrollo de AI adopta un nuevo paradigma. El desafío ahora es que las empresas y los proveedores de infraestructura exploren el arte de lo posible: reinventar los sistemas, los flujos de trabajo y las arquitecturas que aprovechan al máximo el potencial de las perspectivas impulsadas por la AI y la toma de decisiones.

Pure Storage está en una posición única para respaldar este futuro impulsado por la AI. Con nuestra plataforma, las empresas pueden aprovechar la potencia de la AI mientras garantizan la simplicidad, confiabilidad, agilidad y eficiencia en la administración de datos. Nuestra infraestructura unificada simplifica el almacenamiento de datos en todos los entornos. A medida que la AI continúa evolucionando, las empresas necesitan una plataforma que evolucione con ella, una que elimine la complejidad, mejore la eficiencia y escale sin esfuerzo.

Refinamos lo que es posible juntos: conéctese con Pure Storage hoy mismo para explorar cómo podemos ayudarlo a desbloquear nuevos resultados e impulsar la innovación con sus datos.