Τα Mega Μοντέλα Δεν Είναι το Κεντρικό Ζήτημα της Κρίσης Υπολογισμού

Κάθε φορά που κυκλοφορεί ένα νέο μοντέλο AI – ενημερώσεις GPT, DeepSeek, Gemini – οι άνθρωποι κοιτάζουν με θαυμασμό το μέγεθος, την πολυπλοκότητα και όλο και περισσότερο, την πείνα για υπολογιστική ισχύ αυτών των mega-μοντέλων. Η υπόθεση είναι ότι αυτά τα μοντέλα ορίζουν τις ανάγκες σε πόρους της επανάστασης του AI.

Αυτή η υπόθεση είναι λάθος.

Ναι, τα μεγαλύτερα μοντέλα είναι πεινασμένα για υπολογιστική ισχύ. Αλλά η μεγαλύτερη πίεση στα υποδομή του AI δεν προέρχεται από ένα χέρι μερικών mega-μοντέλων – προέρχεται από την σιωπηλή εξάπλωση των μοντέλων AI σε όλους τους κλάδους, κάθε ένα από τα οποία έχει ρυθμιστεί για συγκεκριμένες εφαρμογές, κάθε ένα καταναλώνοντας υπολογιστική ισχύ σε μια άνευ προηγουμένου κλίμακα.

Παρά την πιθανή ανταγωνιστική διαδικασία που αναπτύσσεται μεταξύ των LLM, το τοπίο του AI στο σύνολό του δεν κεντρικοποιείται – κατακερματίζεται. Κάθε επιχείρηση δεν χρησιμοποιεί μόνο AI – εκπαιδεύει, προσαρμόζει και αναπτύσσει ιδιωτικά μοντέλα που έχουν ρυθμιστεί για τις ανάγκες τους. Είναι η δεύτερη κατάσταση που θα δημιουργήσει μια καμπύλη ζήτησης υποδομής που οι παρόχοι cloud, οι επιχειρήσεις και οι κυβερνήσεις δεν είναι έτοιμες να αντιμετωπίσουν.

Έχουμε δει αυτό το πρότυπο πριν. Το cloud δεν συνένωσε τις εργασίες IT – δημιούργησε ένα εκτενές υβριδικό οικοσύστημα. Πρώτα, ήταν η διασπορά των server. Στη συνέχεια, η διασπορά των εικονικών μηχανών. Τώρα; Η διασπορά του AI. Κάθε κύμα υπολογισμού οδήγησε σε εξάπλωση, όχι σε απλοποίηση. Το AI δεν είναι διαφορετικό.

Η Διασπορά του AI: Γιατί το Μέλλον του AI Είναι Ένα Εκατομμύριο Μοντέλα, Όχι Ένα

Χρηματοοικονομικά, λογιστικά, κυβερνοασφάλεια, εξυπηρέτηση πελατών, έρευνα και ανάπτυξη – κάθε ένα από αυτά έχει το δικό του μοντέλο AI που έχει ρυθμιστεί για τη δική του λειτουργία. Οι οργανισμοί δεν εκπαιδεύουν ένα μοντέλο AI για να κυβερνήσει όλη την επιχείρησή τους. Εκπαιδεύουν χιλιάδες. Αυτό σημαίνει περισσότερους κύκλους εκπαίδευσης, περισσότερη υπολογιστική ισχύ, περισσότερη ζήτηση αποθήκευσης και περισσότερη διασπορά υποδομής.

Αυτό δεν είναι θεωρητικό. Ακόμη και σε κλάδους που είναι παραδοσιακά προσεκτικοί στην υιοθέτηση τεχνολογίας, η επένδυση σε AI επιταχύνεται. Μια έκθεση του McKinsey το 2024 διαπίστωσε ότι οι οργανισμοί χρησιμοποιούν τώρα AI σε μέσο όρο τρεις επιχειρηματικές λειτουργίες, με την παραγωγή, την αλυσίδα εφοδιασμού και την ανάπτυξη προϊόντων να ηγούνται της επίθεσης (McKinsey).

Η υγεία είναι ένα πρωτοφανές παράδειγμα. Η Navina, μια εταιρεία που ενσωματώνει το AI στα ηλεκτρονικά ιατρικά αρχεία για να επιφέρουν κλινικές εντυπώσεις, μόλις raised $55 εκατομμύρια σε Σειρά C χρηματοδότησης από τη Goldman Sachs (Business Insider). Η ενέργεια δεν είναι διαφορετική – οι ηγέτες της βιομηχανίας έχουν εκκινήσει το Open Power AI Consortium για να φέρουν την βελτιστοποίηση του AI στις επιχειρήσεις του δικτύου και των εγκαταστάσεων (Axios).

Η Πίεση Υπολογισμού που Κανείς Δεν Μιλάει

Το AI έχει ήδη σπάσει τα παραδοσιακά μοντέλα υποδομής. Η υπόθεση ότι το cloud μπορεί να κλιμακωθεί άπειρα για να υποστηρίξει την ανάπτυξη του AI είναι εντελώς λάθος. Το AI δεν κλιμακώνεται όπως οι παραδοσιακές εργασίες. Η καμπύλη ζήτησης δεν είναι σταδιακή – είναι εκθετική, και οι hyperscalers δεν τηρούν το ρυθμό.

• Περιορισμοί Ισχύος: Τα κέντρα δεδομένων AI-specific κατασκευάζονται τώρα γύρω από τη διαθεσιμότητα ισχύος, όχι μόνο τους πίσω σκελετούς δικτύου.
• Ενδοδικές Σωληνώσεις Δικτύου: Τα υβριδικά περιβάλλοντα IT γίνονται αδιαχειρήσιμα χωρίς αυτοματοποίηση, η οποία θα επιδεινωθεί από τις εργασίες AI.
• Οικονομική Πίεση: Οι εργασίες AI μπορούν να καταναλώσουν εκατομμύρια σε ένα μόνο μήνα, δημιουργώντας οικονομική αβεβαιότητα.

Τα κέντρα δεδομένων ήδη αντιπροσωπεύουν το 1% της παγκόσμιας κατανάλωσης ηλεκτρικής ενέργειας. στην Ιρλανδία, καταναλώνουν τώρα το 20% του εθνικού δικτύου, μια μετοχή που αναμένεται να αυξηθεί σημαντικά μέχρι το 2030 (IEA).

Προσθέστε σε αυτό την επικείμενη πίεση στις GPU. Η Bain & Company πρόσφατα προειδοποίησε ότι η ανάπτυξη του AI ρυθμίζει το σκηνικό για έλλειψη ημιαγωγών, οδηγούμενη από την εκρηκτική ζήτηση για τσιπ κέντρων δεδομένων (Bain).

Εν τω μεταξύ, το πρόβλημα βιωσιμότητας του AI μεγαλώνει. Μια ανάλυση του 2024 στο Sustainable Cities and Society προειδοποιεί ότι η ευρεία υιοθέτηση του AI στην υγεία θα αυξήσει σημαντικά την κατανάλωση ενέργειας και τις εκπομπές αερίων του θερμοκηπίου του τομέα, εκτός εάν αντισταθμιστεί από στοχευμένες αποδοτικότητες (ScienceDirect).

Η Διασπορά του AI Είναι Μεγαλύτερη Από την Αγορά – Είναι Ένα Ζήτημα Κρατικής Ισχύος

Αν νομίζετε ότι η διασπορά του AI είναι ένα εταιρικό πρόβλημα, σκεφτείτε ξανά. Ο σημαντικότερος οδηγός της διασποράς του AI δεν είναι ο ιδιωτικός τομέας – είναι οι κυβερνήσεις και οι αμυντικές υπηρεσίες, που αναπτύσσουν το AI σε μια κλίμακα που κανένας hyperscaler ή entreprise δεν μπορεί να ανταγωνιστεί.

Η κυβέρνηση των ΗΠΑ έχει αναπτύξει το AI σε πάνω από 700 εφαρμογές σε 27 υπηρεσίες, καλύπτοντας την ανάλυση πληροφοριών, τη λογιστική και άλλα (FedTech Magazine).

Ο Καναδάς επενδύει μέχρι $700 εκατομμύρια για να επεκτείνει την εγχώρια υπολογιστική ικανότητα του AI, εκκινώντας μια εθνική πρόκληση για να ενισχύσει την υποδομή των εθνικών κέντρων δεδομένων (Innovation, Science and Economic Development Canada).

Και υπάρχουν αυξανόμενες κλήσεις για ένα “πρόγραμμα Apollo” για την υποδομή του AI – υπογραμμίζοντας την άνοδο του AI από εμπορικό πλεονέκτημα σε εθνική απαισιοδοξία (MIT Technology Review).

Το στρατιωτικό AI δεν θα είναι αποτελεσματικό, συντονισμένο ή βελτιστοποιημένο για κόστος – θα οδηγείται από εθνικές ασφαλιστικές απαιτήσεις, γεωπολιτική επείγουσα ανάγκη και την ανάγκη για κλειστά, εθνικά συστήματα AI. Ακόμη και αν οι επιχειρήσεις περιορίσουν τη διασπορά του AI, ποιος θα πει στις κυβερνήσεις να επιβραδύνουν;

Γιατί όταν η εθνική ασφάλεια είναι στην γραμμή, κανείς δεν σταματάει να ρωτάει αν το δίκτυο ηλεκτρικής ενέργειας μπορεί να το χειριστεί.