Budowanie krajowych kompetencji AI: inwestuj lokalnie, działaj globalnie

Calista Redmond, Wiceprezes ds. Globalnych Inicjatyw AI, NVIDIA

Calista Redmond jest Wiceprezeską ds. Globalnych Inicjatyw AI w NVIDIA, gdzie kieruje strategiczną współpracą z regionami, partnerami ekosystemowymi i zespołami produktowymi w celu rozwoju krajowych programów AI na całym świecie. Przed dołączeniem do NVIDIA pełniła funkcję CEO organizacji RISC-V International, wspierając globalne wdrażanie otwartej architektury zestawu instrukcji RISC-V w przemyśle, środowisku akademickim i administracji publicznej. Wcześniej przez ponad dekadę zajmowała stanowiska kierownicze w IBM, w tym VP IBM Z Ecosystem, a także odpowiadała za inicjatywy open source, takie jak Open Mainframe Project, OpenPOWER i OpenDaylight. Jeszcze wcześniej była przedsiębiorczynią współtworzącą cztery odnoszące sukcesy startupy technologiczne. Ukończyła University of Michigan oraz Northwestern University i mieszka w Waszyngtonie.

Rozwój krajowej sztucznej inteligencji

Dyskusja na temat krajowej sztucznej inteligencji wyraźnie przyspieszyła w ostatnim czasie. Co stoi za tą rosnącą pilnością?

Generatywna AI naprawdę zmieniła strategiczne znaczenie tego obszaru. Dane krajowe i dane przedsiębiorstw stają się surowcem dla produktywności oraz surowcem budującym konkurencyjność gospodarki. Pilność wynika z ryzyka zależności. Jeśli kraj napotyka trudności w dostępie do AI, jej dostrajaniu, audytowaniu lub eksploatacji zgodnej z lokalnymi regulacjami, a zamiast tego korzysta z rozwiązań opartych na cudzym zasięgu językowym, założeniach politycznych i poziomach usług, wpływa to zarówno na generatywną AI, jak i na AI wykorzystywaną do wnioskowania.

W miarę przechodzenia od projektów pilotażowych i eksperymentów do wdrażania AI wkluczowych procesach biznesowych, poprzeczka rośnie. Znaczenie ma już nie tylko sama technologia, ale także miejsce przechowywania danych, pochodzenie modelu, cyberbezpieczeństwo, audyt i inne mechanizmy kontroli operacyjnej. Wszystko to tworzy pełny, strategiczny obraz wartości. U podstaw leży budowanie lokalnego ekosystemu oraz zapewnienie dostępu do mocy obliczeniowej.

Jak NVIDIA postrzega swoją rolę w tym krajobrazie?

Każdy kraj powinien budować własne kompetencje w zakresie AI. Oznacza to, że państwa powinny być w stanie generować inteligencję przy użyciu własnych danych, własnej infrastruktury, własnej siły roboczej i własnych sieci biznesowych. Nie powinny być już jedynie odbiorcami inteligencji tworzonej gdzie indziej. Powinny wykorzystywać potencjał AI do generowania wiedzy i wniosków, które mają znaczenie dla rozwoju ich krajów.

Rolą NVIDIA jest wspieranie rządów i ich krajowych liderów: lokalnych twórców modeli, startupów oraz istniejących liderów przemysłu. Wymaga to wszystkich warstw stosu technologicznego — od infrastruktury i energii, przez duże modele językowe, aż po aplikacje służące realizacji określonych celów. Często pierwszym krokiem jest opracowanie lokalnego modelu wykorzystującego lokalne dane i wiedzę ekspercką, odzwierciedlającego specyfikę danego regionu i branży, działającego na światowej klasy infrastrukturze. To właśnie w tym obszarze współpracujemy i realizujemy wspólne podejście.

Każdy kraj powinien budować własne kompetencje w zakresie AI.

Budowanie krajowych kompetencji AI

Gdyby miała Pani doradzać rządowi, który chce zbudować krajowe kompetencje AI od podstaw, jakie elementy są fundamentem?

Patrzę na to przez pryzmat sześciu obszarów.

Po pierwsze, dane. Należy zapewnić zaufane, odpowiednio autoryzowane, bardzo wysokiej jakości krajowe i sektorowe zbiory danych, wraz z prawami własności intelektualnej i zasadami udostępniania danych. Jakość danych wejściowych ma ogromne znaczenie.

Po drugie, moc obliczeniowa i infrastruktura. Chodzi o zdolność do połączenia akcelerowanych zasobów obliczeniowych, sieci i pamięci masowej z odpowiednimi źródłami energii, bezpieczeństwem i mechanizmami orkiestracji wymaganymi przez państwo do trenowania, dostrajania i symulowania obciążeń AI.

Po trzecie, modele. Rozszerzyłabym to pojęcie poza pojedynczy model lokalny na cały portfel modeli otwartych, komercyjnych oraz lokalnie trenowanych i dostrajanych. Zapewnia to możliwość wyboru modelu w zależności od zastosowania i pozwala efektywniej wykorzystywać tokeny.

Po czwarte, oprogramowanie. Oznacza to właściwe narzędzia do personalizacji, oceny, zabezpieczania, wdrażania i zarządzania modelami. Jest to warstwa orkiestracji.

Po piąte, aplikacje i agenci AI. Aplikacje mogą wspierać obsługę obywateli, wykrywanie nadużyć, ochronę zdrowia, służby celne czy asystentów podatkowych. W administracji publicznej wiele z nich służy zwiększaniu efektywności. Agenci AI idą o krok dalej i mogą zwiększać potencjał państwa poprzez cyfrowe bliźniaki, logistykę, prognozowanie pogody czy rolnictwo. To obszary wspierane przez rządy nie tylko z myślą o efektywności operacyjnej, ale także o wzmacnianiu państwa.

Po szóste, ludzie i ekosystemy. We wszystkich krajach, z którymi współpracuję, stale pojawia się temat rozwoju kompetencji i budowy talentów. Talenty rozwijają się dzięki powszechnej edukacji w zakresie AI, tak aby każda profesja traktowała AI jako element swojego warsztatu, a także dzięki inżynierom i programistom AI budującym startupy i rozwijającym cały ekosystem. Jednym z zadań rządów jest przekształcanie wyników badań uniwersyteckich i naukowych w komercyjne przedsięwzięcia.

Jeśli spojrzymy na wszystkie sześć obszarów, można je podsumować hasłem: „inwestuj lokalnie, działaj globalnie”. Potrzebna jest lokalna siła oraz zdolności, ale także globalne zaangażowanie — w społeczności programistów, łańcuchy dostaw, budowanie odporności oraz dostęp do rynków. Tylko wtedy można w pełni wykorzystać ekonomiczną wartość lokalnych inwestycji.

Jakie podejście do zarządzania powinny przyjąć kraje, które chcą mieć kontrolę nad modelami AI i procesami biznesowymi, szczególnie gdy korzystają z zaawansowanych modeli, których same nie posiadają?

Wyzwanie związane z zarządzaniem przesuwa się z jakości treści na jakość działań. Agenci AI potrafią dziś planować, wywoływać narzędzia, uzyskiwać dostęp do systemów i inicjować dalsze działania. Zarządzanie musi obejmować cały proces, a nie tylko generowaną treść.

Wymaga to podejścia opartego na poziomach ryzyka. Agenci niskiego ryzyka mogą działać z wysokim poziomem automatyzacji. Na przykład w procesie przeglądu dokumentów mogą pracować bardzo szybko, zgłaszając jedynie anomalie. Agenci o dużym wpływie wymagają zatwierdzenia przez człowieka, rozdziału obowiązków, kontroli zgodności z politykami oraz jasnych zasad odpowiedzialności. Celem jest automatyzacja tam, gdzie ma sens, i interwencja człowieka tam, gdzie jest niezbędna.

Do podstawowych mechanizmów kontroli należą uprzywilejowany dostęp do narzędzi, uprawnienia oparte na rolach, izolowane środowiska wykonawcze, punkty kontrolne wymagające udziału człowieka w kluczowych momentach oraz bardziej tradycyjne elementy: logi audytowe, zespoły red team i możliwość wycofania zmian. Nie są to nowe koncepcje w rozwoju oprogramowania. Nowością jest ich zastosowanie do procesów AI oraz ciągłe monitorowanie zgodności.

Wyzwanie związane z zarządzaniem przesuwa się z jakości treści na jakość działań.

Czy regulacje spowalniają innowacje?

To całkowicie zależy od jakości regulacji. Dobre regulacje przyspieszają wdrażanie i innowacje. Niejasne lub źle zaprojektowane regulacje je spowalniają.

Dobre regulacje budują zaufanie, przejrzystość procesów zakupowych oraz wspólny język dla wdrożeń w sektorze publicznym i prywatnym. Jeśli wszyscy znają zasady oraz ramy działania, łatwiej rozpocząć pracę. Kluczowe jest, aby wymagania były oparte na ryzyku i skoncentrowane na rezultatach, a nie szczegółowo narzucały konkretne rozwiązania techniczne. Nacisk należy położyć na bezpieczeństwo, możliwość audytu i lokalizację danych, a nie na jedną, niezmienną architekturę techniczną. Warto myśleć o regulacyjnych piaskownicach, zweryfikowanych architekturach referencyjnych i ścieżkach certyfikacji. Jakie standardowe metody mogą przyspieszyć przejście do środowiska produkcyjnego, jednocześnie chroniąc obywateli oraz przedsiębiorstwa?

Odwrotna sytuacja również jest możliwa. Niejasne lub źle sformułowane wymagania mogą zmuszać wszystkie zastosowania do korzystania z tej samej wyłącznie lokalnej architektury, ograniczać wybór modeli lub sprawiać, że zgodność staje się praktycznie niemożliwa, zwłaszcza dla startupów i małych oraz średnich przedsiębiorstw. Zasadą powinno być ułatwianie budowania rozwiązań we właściwy sposób, zamiast działania bez nadzoru lub rozwiązywania problemów dopiero później.

Dobre regulacje przyspieszają wdrażanie oraz innowacje. Niejasne lub złe regulacje je spowalniają.

Jak strategicznie ważna jest infrastruktura obliczeniowa dla kraju realizującego ambicje związane z AI?

Moc obliczeniowa jest fundamentem. Dane i talenty nie mogą stać się źródłem krajowej przewagi bez dostępu do zasobów obliczeniowych. Są one potrzebne do trenowania, dostrajania, symulacji i wnioskowania. Jeśli lokalni specjaliści nie mają do nich dostępu lub nie mogą wykorzystywać na nich lokalnych danych, zdolność do innowacji będzie ograniczona. To właśnie moc obliczeniowa decyduje o tym, kto może eksperymentować, budować modele dla lokalnych języków oraz wdrażać usługi o niskich opóźnieniach i skalować AI.

Budowanie lokalnych liderów — twórców modeli, producentów aplikacji czy firm wykorzystujących AI w istniejących sektorach gospodarki — ma kluczowe znaczenie dla konkurencyjności i rozwoju kraju. Moc obliczeniowa jest podstawą tego wszystkiego.

Nie każde zastosowanie wymaga infrastruktury klasy frontier, ale każdy kraj potrzebuje wielopoziomowego planu. Współpracuję z państwami posiadającymi krajowe fabryki AI, własne centra danych przedsiębiorstw, dostęp do chmury i infrastrukturę brzegową. Należy dobrać odpowiednią infrastrukturę i modele do konkretnego wyzwania. Dokonując takich wyborów, państwo może zbudować infrastrukturę AI podobną znaczeniem do krajowej infrastruktury użyteczności publicznej.

Nie każde zastosowanie wymaga systemów klasy frontier.

Fabryki AI i infrastruktura narodowa

Często używa Pani terminu „fabryka AI”. Czym różni się ona od tradycyjnego centrum danych?

Tradycyjne centrum danych jest miejscem, w którym przetwarza się informacje. Fabryka AI produkuje inteligencję. Tworzy wiedzę, której wcześniej nie można było uzyskać. Dane trafiają do środka, modele i agenci działają na dużą skalę, a efektem jest użyteczna wartość cyfrowa.

Fabryka AI jest projektowana specjalnie do tego celu i integruje pięć warstw, które określamy mianem „pięciowarstwowego tortu”: energię, układy scalone, infrastrukturę, modele i aplikacje. Rządy często postrzegają ją jako publiczną fabrykę AI lub wdrożenie lokalne obsługujące potrzeby administracji, bądź jako lokalną chmurę wspierającą inkubatory, przemysł, MŚP oraz startupy na terenie danego kraju.

Staje się infrastrukturą krytyczną, gdy zaczyna obsługiwać obciążenia obejmujące wiele sektorów, na przykład usługi publiczne, cyberbezpieczeństwo, ochronę zdrowia, produkcję, rolnictwo lub transport. Jeśli kluczowymi sektorami gospodarki są produkcja, rolnictwo czy przemysł tekstylny, powinny one być uwzględnione w tego rodzaju wsparciu państwa. Fabryka AI jest też optymalizowana inaczej niż centrum danych — pod kątem konkretnego procesu lub modelu, efektywności energetycznej oraz bezpiecznej i ciągłej eksploatacji.

Jaką rolę odgrywają otwarte ekosystemy w budowaniu krajowych kompetencji AI?

Kiedy rozmawiam z programistami, firmami, krajami lub miastami, zawsze zachęcam do współpracy. Na tym etapie nikt nie powinien działać sam i nikt nie powinien zaczynać od pustej kartki. W praktycznie każdej branży istnieją już przykłady wdrożeń AI, na których można się wzorować i które można rozwijać, a znacząca część tych zasobów jest otwarta.

Otwarte ekosystemy zasadniczo ograniczają zależność od jednego dostawcy. Lokalnym zespołom pozwalają analizować, dostosowywać, porównywać i rozwijać własne rozwiązania. Mogą wykorzystywać otwarte modele, uwzględniając własny język, prawo, kulturę oraz specyfikę sektorów gospodarki, co odzwierciedla ideę krajowych kompetencji AI. Takie modele i narzędzia wspierają dostrajanie dla języków lokalnych, rozwiązania RAG, badania akademickie i eksperymenty startupów.

Kraje stają się silniejsze technologicznie, kiedy mogą współpracować z partnerami, wspólnie się uczyć i przyspieszać rozwój własnych kompetencji. Chcę jednak podkreślić, że otwartość nie oznacza braku zasad czy kontroli. Państwa nadal muszą zarządzać licencjami, pochodzeniem rozwiązań, skanowaniem bezpieczeństwa i mechanizmami zabezpieczającymi, aby wdrożenia odpowiadały ich intencjom. W NVIDIA jesteśmy zdecydowanymi zwolennikami szerokich, otwartych ekosystemów. Jedną z podstawowych zasad jest dobór właściwego modelu do konkretnego zastosowania. Nie wszędzie potrzebne są najbardziej zaawansowane modele, a dostrajanie ma kluczowe znaczenie dla każdego zastosowania.

Otwarte ekosystemy zasadniczo ograniczają zależność od jednego dostawcy.

Jakie są największe błędne przekonania dotyczące krajowych strategii AI?

Największym błędnym przekonaniem jest to, że krajowe kompetencje AI oznaczają budowanie wszystkiego samodzielnie albo zakup jednego narodowego modelu. Lepszym podejściem jest myślenie o zdolnościach i kontroli. Dane, moc obliczeniowa i modele funkcjonują w ramach szerszego ekosystemu, który obejmuje zarówno lokalne elementy, jak i siłę globalnej społeczności.

Drugim błędnym przekonaniem jest traktowanie AI wyłącznie jako oprogramowania. Sztuczna inteligencja w skali krajowej to infrastruktura: energia, rozwój kompetencji, procesy zakupowe i dyscyplina operacyjna. To fundamentalna kwestia.

Największym błędnym przekonaniem jest to, że krajowe kompetencje AI oznaczają budowanie wszystkiego samodzielnie albo zakup jednego narodowego modelu.

Trzecim błędnym przekonaniem jest stwierdzenie, że zarządzanie i nadzór spowalniają innowacje. W rzeczywistości właściwe mechanizmy zarządzania przyspieszają wdrożenia. Dają obywatelom, regulatorom i organizacjom pewność, że mogą korzystać z AI w procesach o wysokiej wartości. Wszyscy zaczynaliśmy od wykorzystywania AI do planowania wakacji, a dziś używamy jej do wspierania decyzji biznesowych i osiągania konkretnych rezultatów. AI nie jest aplikacją, którą po prostu się wdraża. To nowy system produkcyjny, nowa platforma przyspieszająca innowacje i wzrost gospodarczy. To znacznie więcej niż zwykła aplikacja.

Gdyby miała Pani sprowadzić swoje rekomendacje dla lidera odpowiedzialnego za politykę AI do trzech priorytetów, jakie by one były?

Po pierwsze, wybrać trzy do pięciu misji o wysokiej wartości. Nie aplikacji, lecz misji. Należy przeanalizować dostępne zbiory danych i zidentyfikować przypadki użycia z mierzalnymi efektami, takimi jak skrócenie czasu obsługi obywateli, wykrywanie nadużyć czy zwiększenie odporności łańcuchów dostaw. Następnie stworzyć mapę współpracy identyfikującą kluczowych interesariuszy, kamienie milowe oraz oczekiwane rezultaty.

Po drugie, opracować bezpieczny plan budowy fabryki AI. Zrozumieć poszczególne warstwy, model hybrydowy i mechanizmy kontroli danych, a następnie rozpocząć wdrożenie. Bez dostępnej mocy obliczeniowej ogranicza się innowacyjność, użyteczność i rozwój procesów.

Po trzecie, od samego początku włączyć odpowiedzialną AI do modelu operacyjnego. Obejmuje to ocenę modeli, mechanizmy zabezpieczające, punkty kontrolne wymagające nadzoru człowieka oraz zasady zakupowe wymuszające odpowiedzialność. Warto zastanowić się, co odpowiedzialna AI oznacza dla kompetencji pracowników, rozwoju kadr i mechanizmów rozliczalności towarzyszących wdrożeniom.

A jeśli miałabym podsumować wszystko jednym nadrzędnym przesłaniem, brzmiałoby ono: inwestuj lokalnie, działaj globalnie.