Boom umělé inteligence se nezhroutil, ale výpočetní technika AI se určitě mění

Nemějte strach z medvědů umělé inteligence. Zajímají se o to, zda velký boom v investicích do umělé inteligence už přišel a odešel, zda velká část trhu a výdajů na obrovské systémy umělé inteligence poháněné mnoha vysoce výkonnými GPU již vyvrcholila, a zda očekávání od éry umělé inteligence by měla být dramaticky snížena.

Ale pokud se podíváte blíže na plány hlavních hyperscalers, investice do umělé inteligence jsou stále živé. Meta, Amazon (AMZN ), Microsoft (MSFT ) a Google se 모두 nedávno zavázaly investovat do technologie umělé inteligence. Jejich celkový závazek pro rok 2025 činí více než 300 miliard dolarů, podle nedávného článku v Financial Times. Generální ředitel Microsoftu Satya Nadella řekl, že Microsoft může letos investovat až 80 miliard dolarů do umělé inteligence. Zakladatel a generální ředitel Meta Mark Zuckerberg řekl na Facebooku: „Plánujeme investovat 60-65 miliard dolarů do kapitálových výdajů letos a také výrazně rozšiřovat naše týmy umělé inteligence, a máme kapitál na to, abychom mohli pokračovat v investicích v budoucnu.“

To není znakem toho, že boom umělé inteligence se zhroutil, ale v posledních letech se objevila rostoucí nejistota ohledně toho, kolik peněz se vynakládá na umožnění aplikací umělé inteligence. Po dvou letech, kdy technologičtí giganti prohlašovali, že vidí jasnou poptávku po více výpočetní síle pro pomoc s výcvikem velkých modelů umělé inteligence, rok 2025 začal s tím, že tyto společnosti jsou denně volány k odpovědnosti obchodním médiem za to, že vytvořily tolik hype kolem umělé inteligence.

Proč došlo k tak prudkému posunu od naděje k obavám? Odpověď lze částečně nalézt v rychlém vzestupu nové aplikace umělé inteligence z Číny. Ale abychom plně pochopili, co se realmente děje a co to znamená pro investice do umělé inteligence a technologické programy v budoucnu, musíme uznat, že éra umělé inteligence přechází do nové fáze svého vývoje.

Hluboké hledání pravdy

Celý svět už ví o DeepSeek, čínské společnosti umělé inteligence, která prohlašuje, že použila inferenční motory a statistické odůvodnění k výcviku velkých jazykových modelů mnohem efektivněji a s nižšími náklady než ostatní firmy.

Konkrétně DeepSeek prohlašoval, že jeho metody vedly k tomu, že potřebuje mnohem méně GPU (až 2048 GPU) a méně výkonných GPU (Nvidia (NVDA ) H800) než stovky tisíc vysoce výkonných GPU (jako Nvidia H100), které některé hyperscale společnosti potřebovaly k výcviku svých modelů. Co se týče úspor nákladů, zatímco OpenAI utratila miliardy dolarů za výcvik ChatGPT, DeepSeek údajně utratila pouze 6,5 milionu dolarů za výcvik svého modelu R1.

Je třeba poznamenat, že mnoho odborníků zpochybnilo tvrzení DeepSeek o nákladech, ale škoda už byla způsobena, protože zprávy o jeho odlišných metodách vedly k prudkému poklesu hodnoty akcií hyperscalers a společností, jejichž GPU byly použity k výcviku jejich modelů.

Nicméně, několik důležitých bodů bylo ztraceno v chaosu. Jedním z nich bylo pochopení, že DeepSeek nevyvinul novou metodu práce s umělou inteligencí. Druhým je to, že většina ekosystému umělé inteligence byla již dlouho vědoma nadcházející změny v tom, jak investice do umělé inteligence potřebují být vynaloženy, a jak sama umělá inteligence bude využita v budoucnu.

Co se týče metod DeepSeek, myšlenka použití inferenčních motorů a statistického odůvodnění není nic nového. Použití statistického odůvodnění je jedním aspektem širšího konceptu inferenčního modelového odůvodnění, které zahrnuje schopnost umělé inteligence dělat závěry na základě rozpoznávání vzorců. To je v podstatě podobné lidské schopnosti učit se různé způsoby, jak řešit problém, a porovnávat je, aby se našel nejlepší možný řešení. Inferenční modelové odůvodnění lze použít dnes a není výlučné pro čínskou startup.

Zatímco ekosystém umělé inteligence již nějakou dobu očekává zásadní změnu v tom, jak pracujeme s umělou inteligencí a výpočetními zdroji, které jsou vyžadovány. První roky éry umělé inteligence byly všechny o velkém úkolu výcviku velkých modelů umělé inteligence na velmi velkých datových sadách, všechny z nich vyžadovaly大量 výpočetní síly, komplexních výpočtů, úprav váhy a závislosti na paměti. Po dokončení výcviku modelů umělé inteligence se věci mění. Umělá inteligence může použít inferenci k aplikaci všeho, co se naučila, na nová data, úkoly a problémy. Inferenční procesy jsou méně náročné na výpočetní zdroje než výcvik.

Konečná pravda o DeepSeek je, že zatímco jeho metody nebyly pro většinu z nás v ekosystému umělé inteligence tak šokující, jako pro investory na akciovém trhu, zdůraznily jeden ze způsobů, jakým inferenční procesy budou jádrem další fáze evoluce umělé inteligence.

Umělá inteligence: Další generace

Slib a potenciál umělé inteligence se nezměnil. Nadále velké investice do umělé inteligence ze strany hlavních hyperscalers ukazují jejich víru v budoucí hodnotu, kterou mohou odemknout z umělé inteligence, a způsoby, jakými umělá inteligence může změnit, jak téměř všechny odvětví pracují, a jak téměř všichni lidé žijí.

Co se změnilo pro tyto hyperscalery, je to, jak tyto dolarové investice budou pravděpodobně vynaloženy. V prvních letech éry umělé inteligence většina investic byla nutně vynaložena na výcvik. Pokud si umělé inteligence představíme jako dítě, s myslí, která je stále ve vývoji, jsme utratili hodně peněz za to, abychom ji poslali na nejlepší školy a univerzity. Nyní, toto dítě je vzdělaným dospělým – a potřebuje najít práci, aby se uživilo. V reálném světě jsme investovali hodně do výcviku umělé inteligence, a nyní potřebujeme vidět návratnost této investice tím, že použijeme umělou inteligenci k generování nových příjmů.

Abychom dosáhli této návratnosti, umělá inteligence potřebuje být efektivnější a méně nákladná, aby pomohla společnostem maximalizovat její tržní atraktivitu a užitečnost pro co největší počet aplikací. Nejlukrativnější nové služby budou autonomní, které nevyžadují lidské monitorování a řízení.

Pro mnoho společností to znamená využití zdrojově efektivních technik umělé inteligence, jako je inferenční modelové odůvodnění, aby rychle a nákladově efektivně umožnily autonomní komunikaci mezi stroji. Například v odvětví bezdrátové komunikace lze umělou inteligenci použít k autonomnímu analýze reálných dat o využívání spektra v mobilní síti, aby se optimalizovalo využití kanálů a minimalizovalo rušení mezi uživateli, což nakonec umožňuje mobilnímu operátorovi podporovat více dynamické sdílení spektra napříč jeho sítí. Tento typ efektivnější, autonomní umělé inteligence poháněné komunikace mezi stroji bude definovat další generaci umělé inteligence.

Jak učí historie výpočetní techniky, nová technologie vždy vyžaduje hodně počátečních investic, ale náklady se sníží a efektivita se zvýší, jakmile začneme využívat vylepšené techniky a lepší postupy, abychom vytvořili více prospěšné a dostupné produkty a služby, které budou lákat největší možné trhy. Inovace vždy najde cestu.

Sektor umělé inteligence možná nedávno prokázal, že utrpěl úder, pokud posloucháte medvědy umělé inteligence, ale dolarové investice, které hyperscalers plánují utratit letos, a rostoucí používání inferenčních technik vyprávějí jinou historii: výpočetní technika umělé inteligence se skutečně mění, ale slib umělé inteligence je stále plně zachován.