AI'en er Computer

AI'en er Computer

Vi lancerede for nylig Perplexity Computer. Dette indlæg forklarer vores tanker bag den.

Med få ugers mellemrum lanceres et nyt AI-produkt, der udløser markedsnede. Det er et nyt initiativ, en agent eller noget andet. Uanset hvad det er, kan jeg fortælle dig én ting, den ikke kan gøre.

Selv med den bedste AI-model i verden kan den ikke yde sit bedste arbejde for dig.

Hvordan ved jeg det? Fordi frontlinjemodellerne er blevet så avanceret, at du er nødt til at lade forskellige modeller arbejde sammen for at få det bedste talent ud af dem. Den største svaghed ved Claude er, at den kun arbejder sammen med Claude.

Ingen modelfamilie kan fungere på sit højeste niveau uden andres talenter. Efterhånden som modellerne bliver kraftfuldere, ser vi dem specialisere sig. AI'ens fremtid er, at dit bedste arbejde udføres, når forskellige modeller arbejder sammen.

Inden for AI kalder vi dette "orkestrering" eller nogle gange "harnis". Uanset hvad du vil kalde det, er multimodel-orkestreringens overlegne ydeevne langt foran alt det, som en individuel modelfamilie kan præstere.

Den næste fase af AI skal være massivt multimodel. Det er Perplexity Computer. Nitten modeller er tilgængelige i backenden, og resultaterne har imponeret mig mere end noget andet inden for AI i lang tid.

Her er historien om, hvordan den blev til.

Hvordan Computer blev bygget

I begyndelsen navngav vi vores eksperiment ASI. Det stod ikke rigtig for noget, men nogle gange kaldte vi det "Artificial Super Intelligence". (Det kunne have betydet "Another Slack Integration", for det var der, den boede i starten.)

Vi betragtede den som en digital medarbejder. Du sender en opgave til medarbejderen i Slack, og den går i gang med arbejdet. Den delegerer, opretter underagenter til forskellige opgaver, laver filer for at hjælpe sig selv med det næste skridt, finder vigtig information og tjekker ind en sjælden gang imellem, kun når det er nødvendigt. Du kunne gå i seng og vågne op med ugers arbejde udført. Eller du kunne bede den om at arbejde i uger, og den ville fortsætte pålideligt og gentagne gange.

I denne periode opdagede verden Clawdbot, nu OpenClaw. Det var interessant, hvis man kan lide malware, der læser ens tekster. Vi kunne se, at ASI var sikrere og langt mere kapabel: den havde et filsystem, var forbundet til hundreder af værktøjer, kunne læse og skrive i filer, skrive kode, bruge CLI-værktøjer, browse på internettet og var i stand til at orkestrere hver opgave til de rette underagenter, der bruger den model, der egner sig bedst til den pågældende opgave. Alt sammen i et sikkert udviklingssandbox i skyen.

Faktisk var ASI ikke rigtig en fjernbetjent digital medarbejder. Med adgang til et filsystem, en shell til at udføre kode sikkert og en browser til at få adgang til web-apps og connectors var ASI dybest set en computer. Din computer. Computer.

Så vi navngav den officielt Perplexity Computer.

Hvorfor nettet betyder noget

I 2011 fik Google den idé, at man kunne lancere en computer med blot internettet, filer og en bash-terminal. Den blev kaldt Chromebook. Google havde ret i at forstå, at den vigtigste del af computeren er, at den har webadgang.

Nettet er der, hvor vi arbejder og kommunikerer. Det er også vores lagerenhed, bogstaveligt og figurativt. Det indeholder enorme mængder data, information og viden. Noget delt, noget personligt.

Hvis man tænker på nettet som et videnslagringssystem, har det altid været rigtig godt til WRITE-funktionen. Den første blog blev udgivet i begyndelsen af 90'erne, og publicering og lagring af viden på nettet er eksploderet lige siden.

Det, Google undervurderede ved Chromebook, er, at nettets største problem som lagringssystem faktisk er READ-funktionen. For at læse viden fra nettet har vi stoler på en algoritmisk søgning, der mere eller mindre har været uændret i 28 år.

Søgemaskiner har som en måde at få adgang til viden på aldrig været i stand til dybdegående forskning, syntetisering eller opsummering. Søgemaskiner kan heller ikke opføre sig som en agent for at få adgang til viden på nettet, der kræver handling for at blive tilgået.

Så kom AI. Perplexity byggede den første svarmotor, og resten er fulgt efter. Vi har holdt fokus på præcis AI med et intenst fokus på Dybtgående forskning. Det skyldes, at når AI kan finde, analysere, ræsonnere og præsentere al viden på det åbne net præcist, er READ-problemet endelig løst.

Hvis internettet er jordens videnslagerdisk, har Perplexity løst read-funktionen.

Når nettet er et fuldt funktionelt read/write-lagringssystem med agenter, der kan navigere og udføre opgaver, er det eneste, computeren mangler, alt det, der er personligt.

Vedvarende hukommelse gør en computer personlig. Den har filer og værktøjer, og det er dine filer og værktøjer, private og skræddersyet til dine præferencer. Computeren skal være i stand til at arbejde med dem for dig personligt.

Computere skaber også. De laver rigtige artefakter som kode, dokumenter og filer. De gemmer filerne, henter filerne, skriver nye filer, får adgang til filerne. AI kan gøre alle disse ting. Endelig, når AI udfører alt dette arbejde, har du brug for forskellige frontlinjemodeller ved hånden til forskellige jobs i computeren.

Enhver computer, der er nyttig, kræver for mange forskellige skills til, at en enkelt model kan gøre det godt på tværs af dem alle. Orkestrering er afgørende for computeren.

Det er muligt, at dette betyder, at operativsystemets hårde kode bliver mindre af en voldgrav for enhedsproducenter, efterhånden som AI udvikler sig. Det ved jeg ikke. Det, vi ved, er computeren er orkestreringssystemet.

Hvorfor orkestrering betyder noget

Steve Jobs sagde: "Musikere spiller på deres instrumenter. Jeg spiller på orkesteret." AI minder om det. En Stradivarius har visse træk, og vi er imponerede over dens lyd og håndværk. Men den kan stadig ikke ryste dig som en stortromme, og trommen kan ikke bevæge dig som Mahlers symfoni.

Modelproducenter er vores tids Antonio Stradivaricer. Jeg mener ikke dette på en urespektmæssig måde. Jeg er overvældet af enhver ny modelkapacitet og en passioneret støtte af arbejdet i frontlinjelaboratorierne. De skubber vores fremtid fremad.

Men vi ser nu, at modellerne specialiserer sig i stedet for at blive kommodificerede. Når du bygger agenter med dem, har de forskellige talenter, ligesom enhver medarbejder. Den ene er bedre til ræsonnement. En anden til kode. En anden til kreativ skrivning. Det, der betyder noget, er, hvordan du orkestrerer dem.

At orkestrere på tværs af modeller og familier er den eneste måde at bygge et system på, der er alsidigt nok til at håndtere rigtigt arbejde. Når du har brug for dybtgående forskning til at informere en beslutning, vil du have en model optimeret til nøjagtighed og hentning. Når du skal skrive kode, vil du have en model trænet på milliarder af linjer af produktionskodedatabaser.

Uanset om du styrer et team af mennesker eller en symfoni af musikere, har arbejde af høj kvalitet altid været sådan. AI-agenter er ikke anderledes.

For arbejdsprocesser er differentiatorer harnislet. En planer opdeler komplekse mål i underopgaver. En orkestrator tildeler disse opgaver til de rette agenter, håndhæver regler og administrerer udførelsen. Specialiserede underagenter udfører fokuserede handlinger. Delt hukommelse lagrer kontekst og læring med henblik på kontinuitet. Med andre ord: intelligensen er computeren.

Computers næste udvikling

For 400 år siden var en "computer" en astronomlærling. (De folk, der navngav kometer.)

Dengang var computeren mekanisk, derefter elektromekanisk, derefter digital. Omkring 1974 kom GUI (grafisk brugerflade). Med GUI kunne vi arbejde med computeren på nye måder. Vi kunne delegere til den og se dens arbejde. Senere foldede skærmen sig over tastaturet for at blive en bærbar, personlig computer.

Det er blevet en meme at sige, at computerens næste udvikling skete, da Steve Jobs lagde den personlige computer i alles lommere. I dag virker det mere præcist at sige, at han satte en skærm op i hovedet på alle. Alle scroller. Gennem de sidste 49 år har GUI udviklet sig fra at være det, vi styrer computeren med, til at være det, computeren styrer os med.

Udtrættelsen af denne model er voksende. Det vanvittige ryk efter Mac Minis under OpenClaw-dille var et perfekt eksempel. GUI'er er nødvendige, men de er ikke altid nødvendige.

AI-modeller er endelig blevet avancerede nok til at føre computeren tilbage til dens sande betydning: at arbejde autonomt, præcist. Og asynkront, for at befri os fra at se den arbejde.

Musen, GUI'en og tastaturet er alle vigtige teknologier, men de er grænseflader. Og medmindre du vil have en fuldt selvkørende hest, må du indrømme, at grænsefladen aldrig har haft så stor betydning som computeren.

Fremtiden er Computer

AI-modeller bliver så kapable, at de produkter, der er bygget omkring dem, har været en flaskehals for at vise deres sande potentiale. Chat-UI'en er god til svar, og agenter er gode til individuelle opgaver. I mellemtiden har UI'en til hele arbejdsprocesser altid været computeren.

AI er nu fast multimodal. Den forstår og genererer mange former for data i et enkelt, sammenhængende system. Jensen og andre har sagt, at AI'ens fremtid også skal være multimodel. De har ret; specialiserede modeller skal samarbejde som et team. Det er måske mere præcist at sige, at AI'ens fremtid er massivt multimodel.

Efterhånden som AI erstatter mere af selve computerens funktion, vil computerens centrale aktivitet være massivt multimodel-orkestrering.

Og vi er kun i begyndelsen. I 2025 trådte en ny frontlinjemodel ind på markedet gennemsnitligt hver 17. dag. Med hver ny kapacitetsforbedring inden for AI går en ny musiker på scenen for at indtage sin licens i symfonien. Dirigenten banker med sin takstok. Computeren går i gang med arbejdet.

Prøv Computer i dag.