AI-boomet er ikke brudt sammen, men AI-regnskab er bestemt under forandring

Vær ikke for bange for AI-bjørnene. De undrer sig højt over, om den store boom i AI-investeringer allerede er kommet og gået, om en masse markedsglid og udgifter til massive AI-træningssystemer drevet af multitudes af high-performance GPU’er har spillet sig selv ud, og om forventningerne til AI-æraen skal radikalt reduceres.

Men hvis du tager et nærmere kig på planerne for de store hyperscalers, er AI-investeringen i live og rask. Meta, Amazon (AMZN ), Microsoft (MSFT ) og Google har alle for nylig fordoblet deres investeringer i AI-teknologi. Deres samlede engagement for 2025 beløber sig til over 300 milliarder dollars, ifølge en nyhedshistorie i Financial Times. Microsofts administrerende direktør Satya Nadella sagde, at Microsoft kunne bruge 80 milliarder dollars alene på AI i år. Meta-stifter og administrerende direktør Mark Zuckerberg sagde på Facebook: “Vi planlægger at investere 60-65 milliarder dollars i kapitaludgifter i år, samtidig med at vi udvider vores AI-hold betydeligt, og vi har kapitalen til at fortsætte med at investere i årene fremover.”

Dette er ikke lyden af en AI-boom, der går i stykker, men der har været en voksende uro om, hvor meget penge der bliver brugt på at aktivere AI-applikationer. Efter mindst to år, hvor teknologigiganter har sagt, at de har set en tydelig efterspørgsel efter mere regnekraft til at hjælpe med at træne massive AI-modeller, er 2025 begyndt med, at disse samme selskaber bliver kaldt på tæppet dagligt af erhvervsmedier for at bygge op så megen AI-hype.

Hvorfor har der været så pludselig skift fra håb til bekymring? Svaret kan findes delvist i den hurtige opkomst af en ny AI-applikation fra Kina. Men for at fuldt ud forstå, hvad der virkelig sker, og hvad det betyder for AI-investering og teknologiprogrammer i de kommende år, må vi anerkende, at AI-æraen skifter ind i en ny fase af sin udvikling.

DeepSeeking sandheden

Verden kender allerede alt om DeepSeek, det kinesiske AI-selskab, der praler af at have brugt inferensmotorer og statistisk resonnering til at træne store sprogmodeller langt mere effektivt og med mindre omkostninger end andre selskaber har trænet deres modeller.

Specifikt påstod DeepSeek, at deres metoder resulterede i, at de kun havde brug for langt færre GPU’er (så få som 2.048 GPU’er), samt mindre kraftfulde GPU’er (Nvidia (NVDA ) H800) end de hundredtusinder af premium-ydelse GPU’er (tænk Nvidia H100), som nogle hyperskale-selskaber har brugt til at træne deres modeller. I forhold til omkostningsbesparelser havde OpenAI brugt milliarder af dollars på at træne ChatGPT, mens DeepSeek angiveligt brugte så lidt som 6,5 millioner dollars på at træne sin R1-model.

Det skal bemærkes, at mange eksperter har betvivlet DeepSeeks påstande om udgifter, men skaden var sket, da nyheden om deres forskellige metoder drev en dyb fald i aktieværdien af hyperskalerne og de selskaber, hvis GPU’er de havde brugt milliarder af dollars på til at træne deres AI-modeller.

Der var dog et par vigtige punkter, der gik tabt i kaosset. Det ene var en forståelse af, at DeepSeek ikke “opfandt” en ny måde at arbejde med AI på. Det andet er, at en stor del af AI-økosystemet har været godt klar over, at en forestående skift i, hvordan AI-investeringsdollare skal bruges, og hvordan AI selv skal anvendes i de kommende år.

Med hensyn til DeepSeeks metoder er idéen om at bruge AI-inferensmotorer og statistisk resonnering ikke noget nyt. Brugen af statistisk resonnering er et aspekt af den bredere koncept af inferensmodelresonnering, der indebærer, at AI kan trække slutninger baseret på mønstergenkendelse. Dette er i væsentlige træk lig menneskets evne til at lære forskellige måder at nærme sig et problem på og sammenligne dem for at finde den bedst mulige løsning. Inferensbaseret modelresonnering kan bruges i dag og er ikke eksklusiv for et kinesisk startup.

Imens har AI-økosystemet i længere tid allerede forventet en fundamental ændring i, hvordan vi arbejder med AI og de regneskabsressourcer, der kræves. De første år af AI-æraen har været alt om at træne store AI-modeller på meget store datasæt, som alle krævede en masse behandling, komplekse beregninger, vægtjusteringer og afhængighed af hukommelse. Efter AI-modellerne er trænet, ændrer tingene sig. AI kan bruge inferens til at anvende alt, hvad den har lært, til nye datasæt, opgaver og problemer. Inferens, som en mindre beregningsintensiv proces end træning, kræver ikke så mange GPU’er eller andre regneskabsressourcer.

Den ultimative sandhed om DeepSeek er, at selv om deres metoder ikke chokerede de fleste af os i AI-økosystemet så meget som det gjorde for tilfældigt interesserede aktiemarkedsinvestorer, fremhævede det en af måderne, hvorpå inferens vil være kerne til den næste fase af AI’s udvikling.

AI: Den næste generation

Løftet og potentialet for AI er ikke ændret. De fortsatte massive AI-investeringer fra de store hyperscalers viser den tillid, de har til den fremtidige værdi, de kan låse op fra AI, samt de måder, hvorpå AI kan ændre, hvordan næsten alle brancher fungerer, og hvordan næsten alle mennesker går til i deres daglige liv.

Hvad der er ændret for hyperskalerne, er, hvordan disse dollars sandsynligvis vil blive brugt. I de første år af AI-æraen var de fleste investeringer nødvendigvis på træning. Hvis du tænker på AI som et barn, med en hjernel, der stadig er under udvikling, har vi brugt en masse penge på at sende det til de bedste skoler og universiteter. Nu er barnet en uddannet voksen – og det har brug for at få et job for at kunne forsørge sig selv. I virkelighedens verden har vi investeret en masse i AI-træning, og nu har vi brug for at se afkastet på den investering ved at bruge AI til at generere ny indtægt.

For at opnå dette afkast på investeringen har AI brug for at blive mere effektiv og mindre kostbar for at hjælpe virksomhederne med at maksimere dens markedstiltrækning og dens nytte for så mange anvendelser som muligt. De mest lukrative nye tjenester vil være de autonome, der ikke kræver menneskelig overvågning og administration.

For mange virksomheder betyder det at udnytte ressourceeffektive AI-regne-teknikker, såsom inferensmodelresonnering, til hurtigt og omkostningseffektivt at aktivere autonome maskine-til-maskine-kommunikationer. For eksempel kan AI i trådløs industri bruges til at autonome analysere realtidsdata om spektrumudnyttelse på et mobilt netværk til at optimere kanalbrug og mindske interferens mellem brugere, hvilket ultimativt giver en mobiloperatør mulighed for at støtte mere dynamisk spektrumdeling på tværs af sit netværk. Denne type mere effektiv, autonom AI-drevet maskine-til-maskine-kommunikation vil definere AI’s næste generation.

Som det har været tilfældet med hver anden stor regneæra, udvikler AI-regnskab sig fortsat. Hvis historien om regnskab har lært os noget, er det, at ny teknologi altid kræver en masse forudgående investering, men omkostningerne vil gå ned, og effektiviteten vil gå op, når vi begynder at udnytte forbedrede teknikker og bedre praksis til at skabe mere fordelagtige og billige produkter og tjenester til at appellere til de størst mulige markeder. Innovation finder altid en vej.

AI-sektoren kan have syntes at have lidt et tilbageslag, hvis man lytter til AI-bjørnene, men de dollars, hyperskalerne planlægger at bruge i år, og den øgede brug af inferensbaserede teknikker fortæller en anden historie: AI-regnskab er sandelig under forandring, men AI’s løfte er fuldstændig intakt.

Ovation finder altid en vej. AI-sektoren kan have syntes at have lidt et tilbageslag, hvis man lytter til AI-bjørnene, men de dollars, hyperskalerne planlægger at bruge i år, og den øgede brug af inferensbaserede teknikker fortæller en anden historie: AI-regnskab er sandelig under forandring, men AI’s løfte er fuldstændig intakt.