Kunstig intelligens’ billion-dollars problem

Da vi indtræder 2025, står den kunstige intelligenssektor ved en afgørende vending. Mens branchen fortsat tiltrækker udenforbielige investeringer og opmærksomhed – især inden for det generative AI-landskab – antyder flere underliggende markedsdynamikker, at vi er på vej mod en stor ændring i AI-landskabet i det kommende år.

Ud fra min erfaring med at lede et AI-startup og observere branchens hurtige udvikling, tror jeg, at dette år vil bringe mange fundamentale ændringer: fra store konceptmodeller (LCM), der forventes at optræde som alvorlige konkurrenter til store sprogmodeller (LLM), til opkomsten af specialiseret AI-hardware, til at de store teknologivirksomheder begynder at bygge store AI-infrastrukturer, der endelig vil bringe dem i stand til at konkurrere med startups som OpenAI og Anthropic – og måske endda sikre deres AI-monopol efter alt.

Den unikke udfordring for AI-virksomheder: Ikke software eller hardware

Det grundlæggende problem ligger i, hvordan AI-virksomheder opererer i en hidtil uset mellemgrund mellem traditionelle software- og hardwarevirksomheder. I modsætning til rene softwarevirksomheder, der primært investerer i menneskelig kapital med relativt lave driftsomkostninger, eller hardwarevirksomheder, der foretager langsigtede kapitalinvesteringer med klare veje til afkast, står AI-virksomheder over for en unik kombination af udfordringer, der gør deres nuværende finansieringsmodeller usikre.

Disse virksomheder kræver massive forudbetaling af kapitaludgifter til GPU-klynger og infrastruktur, og bruger 100-200 millioner dollars om året alene på computereressourcer. Men i modsætning til hardwarevirksomheder kan de ikke afskrive disse investeringer over længere perioder. I stedet opererer de på komprimerede to-årscykler mellem finansieringsrunder, hvor de hver gang skal demonstrere eksponentiel vækst og spidskompetence for at retfærdiggøre deres næste vurderingsmarkering.

LLM’s differentieringsproblem

Der tilføjes en bekymrende trend til denne strukturelle udfordring: den hurtige konvergens af store sprogmodellers (LLM) evner. Startups, som den franske enhjørning Mistral AI og andre, har demonstreret, at åbne modeller kan opnå præstationer, der er sammenlignelige med deres lukkede modeller, men den tekniske differentiering, der tidligere berettigede himmelhøje vurderinger, bliver stadig sværere at opretholde.

Med andre ord, mens hver ny LLM praler af imponerende præstationer baseret på standardbenchmarks, sker der ikke en virkelig betydelig ændring i den underliggende modelarkitektur.

De nuværende begrænsninger i dette domæne stammer fra tre kritiske områder: data tilgængelighed, da vi løber tør for højkvalitets træningsmateriale (som bekræftet af Elon Musk for nylig); kurering metoder, da de alle adopterer lignende menneske-tilbagekoblings tilgange, som OpenAI har banet vejen for; og computationsarkitektur, da de afhænger af den samme begrænsede pulje af specialiseret GPU-hardware.

Hvad der opstår, er en mønster, hvor gevinstene stadig kommer fra effektivitet snarere end skala. Virksomheder fokuserer på at komprimere mere viden i færre tokens og udvikle bedre ingeniørartefakter, som f.eks. hentningssystemer som graf-RAG (retrieval-augmented generation). I virkeligheden nærmer vi os en naturlig plateau, hvor kastning af flere ressourcer på problemet giver aftagende afkast.

På grund af den udenforbielige innovationshast i de sidste to år, sker denne konvergens af LLM-kapaciteter hurtigere, end nogen havde forventet, og skaber en kapløb mod tiden for virksomheder, der har samlet midler.

Baseret på de seneste forskningstrends, er den næste front til at løse dette problem opkomsten af store konceptmodeller (LCM) som en ny, banebrydende arkitektur, der konkurrerer med LLM i deres kerneområde, der er naturlig sprogforståelse (NLP).

Teknisk set vil LCM have flere fordele, herunder potentialet for bedre præstation med færre iterationer og evnen til at opnå lignende resultater med mindre hold. Jeg tror, at disse næste generationer af LCM vil blive udviklet og kommercielle af spin-off-hold, de berømte ‘ex-big tech’-mavericks, der grundlægger nye startups for at føre an i denne revolution.

Monetiserings-tidsmæssig misligning

Komprimeringen af innovationscykler har skabt et andet kritisk problem: misligningen mellem tid til marked og bæredygtig monetisering. Mens vi ser en udenforbielig hast i verticaliseringen af AI-applikationer – med f.eks. tale-AI-agenter, der går fra koncept til indtægtsgenererende produkter på blot få måneder – maskerer denne hurtige kommercialisering et dybere problem.

Overvej dette: en AI-startup, der er vurderet til 20 milliarder dollars i dag, vil sandsynligvis skulle generere omkring 1 milliard dollars i årlig omsætning inden for 4-5 år for at retfærdiggøre en børsnotering til en rimelig multiple. Dette kræver ikke kun teknisk excellence, men også en dramatisk transformation af hele forretningsmodellen, fra R&D-fokuseret til salgsdrevet, samtidig med at man opretholder innovationshasten og håndterer enorme infrastrukturkostninger.

I den forstand vil de nye LCM-fokuserede startups, der vil opstå i 2025, være i bedre position til at samle midler, med lavere initialvurderinger, der gør dem mere attraktive for investorer.

Hardware-mangel og opkomsten af alternative

Lad os kaste et nærmere blik på infrastruktur. I dag køber hver ny GPU-klynge, selv før den er bygget, af de store spillere, hvilket tvinger mindre spillere til enten at binde sig til langsigtede kontrakter med cloud-udbydere eller risikere at blive lukket ude af markedet helt.

Men her er, hvad der virkelig er interessant: mens alle kæmper om GPU’er, er der sket en fascinerende ændring i hardware-landskabet, der stadig er relativt overset. Den nuværende GPU-arkitektur, kaldet GPGPU (General Purpose GPU), er utrolig ineffektiv til det, som de fleste virksomheder faktisk har brug for i produktion. Det er som at bruge en supercomputer til at køre en lommeregner-applikation.

Dette er hvorfor jeg tror, at specialiseret AI-hardware vil være den næste store ændring i vores industri. Virksomheder som Groq og Cerebras (CBRS ) bygger inference-specifik hardware, der er 4-5 gange billigere at operere end traditionelle GPU’er. Ja, der er en højere ingeniørkost omkring til at optimere modellerne for disse platforme, men for virksomheder, der kører store skala-inference-arbejdsbelastninger, er effektivitetsgevinsterne klare.

Data-tæthed og opkomsten af mindre, smartere modeller

At flytte til den næste innovationsfront i AI vil sandsynligvis kræve ikke kun større beregningskraft – især for store modeller som LCM – men også rigere, mere omfattende datasæt.

Interessant nok er mindre, mere effektive modeller begyndt at udfordre større modeller ved at udnytte, hvor tæt de er trænet på tilgængelige data. F.eks. modeller som Microsofts FeeFree eller Googles Gema2B, opererer med langt færre parametre – ofte omkring 2 til 3 milliarder – og opnår alligevel præstationsniveauer, der er sammenlignelige med langt større modeller med 8 milliarder parametre.

Disse mindre modeller er stadig mere konkurrencedygtige på grund af deres høj data-tæthed, hvilket gør dem robuste på trods af deres størrelse. Denne ændring mod kompakte, men kraftfulde modeller, stemmer overens med de strategiske fordele, som virksomheder som Microsoft (MSFT ) og Google har: adgang til massive, diverse datasæt gennem platforme som Bing og Google Søgning.

Denne dynamik afslører to kritiske “krige”, der udvikler sig i AI-udvikling: en over beregningskraft og en anden over data. Mens beregningsressourcer er essentielle for at skubbe grænserne, bliver data-tæthed lige så – hvis ikke endda mere – kritisk. Virksomheder med adgang til massive datasæt er unikt positioneret til at træne mindre modeller med en hidtil uset effektivitet og robusthed, og fastlægge deres dominans i det udviklende AI-landskab.

Hvem vil vinde AI-krigen?

I denne kontekst, kan alle lide at spekulere over, hvem i det nuværende AI-landskab er bedst positioneret til at komme ud som vinder. Her er noget mad til tanken.

De store teknologivirksomheder har forudbestilt hele GPU-klynger, før de er bygget, og skabt en knaphedsmiljø for mindre spillere. Oracles bestilling af 100.000+ GPU’er og lignende træk fra Meta og Microsoft eksemplificerer denne trend.

Efter at have investeret hundredvis af milliarder i AI-initiativer, har disse virksomheder brug for tusinder af specialiserede AI-ingeniører og forskere. Dette skaber en udenforbielig efterspørgsel efter talent, der kun kan tilfredsstilles gennem strategiske opkøb – sandsynligvis resulterende i, at mange startups bliver absorberet i de kommende måneder.

Mens 2025 vil blive brugt på storstilede R&D og infrastrukturbygninger for disse aktører, vil de i 2026 være i stand til at slå til som aldrig før på grund af uforlignelige ressourcer.

Dette betyder ikke, at mindre AI-virksomheder er dødsdømte – langt fra. Branchen vil fortsætte med at innovere og skabe værdi. Nogle nøgleinnovationer i branchen, som LCM, er sandsynligvis at blive ledt af mindre, opkommende aktører i året, der kommer, sammen med Meta, Google/Alphabet (GOOG ) og OpenAI med Anthropic, alle arbejder på spændende projekter lige nu.

Men vi er sandsynligvis vidne til en grundlæggende omstrukturering af, hvordan AI-virksomheder bliver finansieret og vurderet. Da venturekapital bliver mere diskriminerende, vil virksomhederne skulle demonstrere klare veje til bæredygtige enhedsøkonomier – en særlig udfordring for åbne virksomheder, der konkurrerer med velresourcede proprietære alternativer.

For åbne AI-virksomheder specifikt, kan vejen fremad kræve fokus på specifikke vertikale applikationer, hvor deres gennemsigtighed og tilpasningsmuligheder giver klare fordele over proprietære løsninger.