Hvordan AI kan gå bust og overleve, ligesom internettet gjorde

De pågående dramatiske markedsfluktuationer blandt AI-drevne teknologigiganter, hvor offentlige selskaber taber mere end 1 billion i værdi på under en måned, illustrerer tydeligt, at vurderingerne er frakoblet fundamentet. Men det virkelige spørgsmål at stille lige nu er ikke, hvornår boblen vil briste, men hvordan industrien kan ansvarligt afblæse boblen og forberede sig på AI’s fremtid.

I de sidste få år er AI blevet synonymt med store vurderinger, ubegrænset skalerbarhed og en følelse af, at ingen kan konkurrere med de største spillere. Men den tekniske virkelighed har skiftet og peger på en anden type fremtid for AI: De virkelige penge ligger ikke i enormt dyre AI-modeller, der en dag vil give afkast i overskud. Større og større værdi af AI vil være i, hvordan det integreres og bruges til at tjene penge for virksomheder, med tanke på, at grænse-pushing frontier AI-modeller bør blive billigere, ikke dyrere. Singularity-myten er ovre. Skala alene leverer ikke længere trinvis gevinst. Eksekvering, distribution og økosystem betyder mere end raw modelstørrelse.

At justere forventningerne til denne nye virkelighed vil tillade den voksende AI-boble langsomt at afblæse, snarere end at briste og ødelægge økonomien og finansielle markeder, som dotcom-boblen gjorde for en kvart århundrede siden.

I 90’erne antog tech-industrien, at internettet kunne og ville gøre alt; og at alt, der blev bygget på internettet, ville, af natur, lykkes. De havde fejl, og boblen bristede faktisk – men internettet overlevede. Crashen fremhævede, hvordan online-succes ikke kun handlede om den underliggende teknologi – internettet – men om evnen til at udvikle smarte og effektive brugstilfælde, produkter og hardware. Internettet vandt ikke kun på grund af protokoller alene. Det vandt, da browsere, content delivery-netværk og udvikler-økosystemer gjorde det brugbart.

Amazon overlevede og trives stadig, mens Pets.com fejlede, fordi det aldrig havde en profitabel måde at håndtere forsendelse af hundemad, en udfordring overset af den forlokkende idé om, at det ville kunne have kunder over hele landet takket være internettets opkomst.

Det er præcis, hvor Big AI er i dag, optaget af drømme og forventninger om teknologiens fremtidige potentiale. Der er ingen tvivl om, at det er den mest fantastiske teknologi, vi har i dag. Men AI-modeller er kun den underliggende teknologi, ikke selv svarene, og bestemt ikke, hvor pengene og værdien vil blive. Faktisk er transformer- og diffusion-arkitekturer, der ligger til grund for de fleste generative AI, offentlige; optimerings-rammer er åbne; beregningskraft er stadig mere tilgængelig. Barrieren er ikke længere teoretisk viden. Det er kunsten at bygge pålidelige systemer og integrere dem i eksisterende kreative og produktionsprocesser, der vil afgøre, hvem der lykkes. Disse produkter og tjenester kræver heller ikke, at investorer forud betaler milliarder af dollars. Jeg ved dette fra min egen erfaring. Vores team i Jerusalem byggede en open-source audio-video-model til at lave AI-videoer til omkring en tiendedel af omkostningerne hos markedets ledere, og som genererer længere sammenhængende scener, ofte med højere opløsning og hastighed. Dette blev opnået for omkring 100 millioner dollars, ikke milliarder. Vores historie viser, at moderne AI-fremgang er mindre om hemmelig sauce og mere om disciplineret ingeniørarbejde.

Ligesom med internettet vil de, der overlever, være dem, der udnytter AI til de bedste brugstilfælde, hardware-applikationer, produkter og tjenester. Det er sandt, at det er svært at forudsige, hvad disse vil være. Tilbage i begyndelsen af 90’erne, da folk brugte AOL eller Prodigy, kunne ingen have forestillet sig Gmail.

Men ude af stand til at se ind i fremtiden er der alligevel smarte spørgsmål at stille undervejs for at guide AI-industrien og dens investorer til at arbejde på en måde, der både langsomt og gradvist kan afblæse boblen, samtidig med at den bygger op til fremtidens økonomi.

Investorer, herunder venturekapitalister og pensionsfonde, der putter penge i AI-selskaber, har brug for at spørge, hvilken værdi der faktisk skabes. Milliarder af dollars er blevet pumpet ind i forskning i de store tech-selskaber for at bygge AI, der til sidst let kan reproduceres andre steder. Store AI-budgetter garanterer ikke unik immateriel ejendom, brugerlås eller forsvarlige økonomier længere. Nu har investorer brug for at evaluere, hvordan selskaber bygger, optimerer og integrerer modeller i virkelige arbejdsprocesser for kunder, og skaber faktiske produkter og tjenester. Investorer bør spørge om nøgletal som økonomi pr. arbejdsbyrde, når de ser på AI-applikationer.

Disse, og ikke blot modellens talenter eller ejendomsnatur, er de nøgleelementer i værdi. Det er også vigtigt at forstå værdien af open source-modeller. Disse udvikler ofte hurtigere end lukkede API’er, fordi forskere og udviklere kan tilpasse dem lokalt. Denne tilpasning skaber en grav rundt om et selskab eller produkt, hvilket hjælper med at garantere profit og succes

Både investorer og iværksættere, der er bekymrede for en effektiv brug af kapital, har brug for at træde tilbage og evaluere de virkelige omkostninger ved AI og alle relaterede komponenter; disse er ofte overvurderede og højere, end de behøver at være. Den generelle tilgang bør være, at hardware-omkostninger er volatile, så AI-design ikke bør afhænge af en bestemt enhed eller hardware. Værdien og det, der adskiller et selskab, er dets gennemløb pr. dollar, ikke leverandør-rabatter, der favoriserer en bestemt type hardware. Forsvarligheden af AI-udgifter ligger nu i infrastruktur-optimering, ejendomsdata og integrationsdybde. Iværksættere med gode ideer til løsninger, der omhyggeligt udformer eller bruger modeller med det end-mål i mente, vil vinde over dem, der søger massive modeller, der kan skaleres til forskellige potentiale anvendelser. En anden fordel er at tilbyde åbne installationsmuligheder for studier og platforme, der ikke kan afhænge af en fjern API til realtidsoplevelser.

Beslutningstagerne og industrien har også brug for at tænke mere logisk om regulering. Fremgangen har været langsom i disse områder og fokuserer stærkt på frontier-modeller, der køres på store enheder; dette er ikke længere en praktisk tilgang. Momentum er overvældende mod, at sådanne modeller kan køre på forbruger-enheder, hvilket gør regulering af modellerne selv umulig. Den open source-natur af mange modeller præsenterer endnu en formidabel udfordring for den nuværende tilgang til regulering. Endnu en gang er den rigtige tilgang at fokusere på installation via applikationer og produkter og udvikle reguleringssystemer omkring disse for forskellige industrier, ikke omfattende politikker om modeller. Målet bør være at regulere applikationer og sektorer med standarder for proveniens, sikkerhedsrælinger i produkter og åbenhed for syntetisk medie. Historien fra 90’erne og tidlige 2000’erne holder endnu en visdomsfuld lære på dette koncept: Sagen mod den populære musik-fildelingsvirksomhed Napster begrænsede ikke fildeling som sådan – den teknologi voksede og blev endnu hurtigere, og gav til sidst plads til streaming – men fokuserede på en platforms ansvarlige installation af teknologien. (Selv gennem konkurs lykkedes det Napster at holde fast som mærke ved at justere, hvordan det installerer sin teknologi, og blev købt for mere end 200 millioner dollars tidligere på året.)

Bottom-line er, at markedet vil konsolidere omkring få unified multimodale AI-modeller, der kan destilleres for effektivitet og tilpasses til forskellige formål. Alle interessenter har brug for at være meget mere opmærksomme på applikationer og den virkelige forretningsværdi, som AI kan bringe, og ikke tabe sig i modellerne selv. Industrien blæser op hurtigere, end den skaber værdi. Om dette ender i en dramatisk korrektion – ligesom den tidlige internet-boble – er åbent for debat. Men klarhed nu betyder robusthed senere.