Od 2022 roku w AI następuje stopniowe, ale dynamiczne przesunięcie - kolejne etapy produkcji inteligencji przechodzą z ludzkiego wykonania na model-made. Nie dzieje się to równomiernie, ale zawsze pojawia się paper lub produkt, który po raz pierwszy robi z syntetyczną wersją coś istotnego w laboratorium, a potem przyszłość rozprzestrzenia się już naturalnie. To, co dawniej nazywaliśmy syntetycznymi danymi, syntetycznymi rubrykami czy AI researcher, to coraz bardziej ambitne symulacje człowieka - gorsze o 10 procent, ale 100 razy tańsze i 10 tysięcy razy szybsze.
Pierwszy punkt przejścia to syntetyczne sygnały nagród. InstructGPT ustalił kanoniczny trik: zbierz preferencje człowieka raz, wytrenuj reward model i pozwól polityce optymalizować się wobec modelu zamiast wobec ludzi. Z perspektywy polityki, coś, co dispensuje aprobatę, to już LLM. Constitutional AI poszło dalej - AI krytykuje się samo wobec zestawu zasad (RLAIF). Teraz obserwujemy kaskadę podobnych transformacji w całej Pipeline.
Ekonomika tego przesunięcia jest zadziwiająca i ma ogromne implikacje. Gdy coś jest 100 razy tańsze i 10 tysięcy razy szybsze, nawet z 10-procentową stratą jakości, matematyka staje się nieodwracalna. To wyjaśnia, dlaczego startups takie jak Poolside mogą pivotować w kierunku syntetycznego trenowania, oraz dlaczego AI for Science tak szybko się rozwija - symulacje mogą zastępować drogie eksperymenty. Ten trend nie jest kwestią czasu, ale konieczności rynkowej i technologicznej.