Mega Μοντέλα Δεν Είναι το Κεντρικό Ζήτημα της Κρίσης Υπολογισμού

Κάθε φορά που κυκλοφορεί ένα νέο μοντέλο AI—ενημερώσεις GPT, DeepSeek, Gemini—οι άνθρωποι θαυμάζουν το μέγεθος, τη复雑ότητα και όλο και περισσότερο, την πείνα για υπολογιστική ισχύ αυτών των mega-μοντέλων. Η υπόθεση είναι ότι αυτά τα μοντέλα ορίζουν τις ανάγκες πόρων της επανάστασης του AI.

Αυτή η υπόθεση είναι λάθος.

Ναι, τα μεγάλα μοντέλα είναι πεινασμένα για υπολογιστική ισχύ. Αλλά η μεγαλύτερη πίεση στην υποδομή του AI δεν προέρχεται από ένα χέρι mega-μοντέλων—έρχεται από τη σιωπηλή διάδοση των μοντέλων AI σε διάφορους κλάδους, το καθένα από τα οποία είναι εξειδικευμένο για συγκεκριμένες εφαρμογές, το καθένα καταναλώνοντας υπολογιστική ισχύ σε άνευ προηγουμένου κλίμακα.

Παρά την πιθανή ανταγωνιστική διαδικασία που αναπτύσσεται μεταξύ των LLMs, το τοπίο του AI στο σύνολό του δεν κεντρικοποιείται—αποσπάται. Κάθε επιχείρηση δεν χρησιμοποιεί μόνο AI—εκπαιδεύει, εξατομικεύει και αναπτύσσει ιδιωτικά μοντέλα που προσαρμόζονται στις ανάγκες τους. Η τελευταία κατάσταση θα δημιουργήσει μια καμπύλη ζήτησης υποδομής που οι παρόχοι cloud, οι επιχειρήσεις και οι κυβερνήσεις δεν είναι έτοιμες για αυτή.

Έχουμε δει αυτό το πρότυπο trước. Το cloud δεν ενοποίησε τους IT φόρτους εργασίας—δημιούργησε ένα εκτεταμένο υβριδικό οικοσύστημα. Πρώτα, ήταν η διασπορά των server. Στη συνέχεια, η διασπορά των VM. Τώρα; Διασπορά AI. Κάθε κύμα υπολογισμού οδήγησε σε διάδοση, όχι σε απλοποίηση. Το AI δεν είναι διαφορετικό.

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

Χρηματοοικονομικά, λογιστικά, κυβερνοασφάλεια, εξυπηρέτηση πελατών, έρευνα και ανάπτυξη—καθένας έχει το δικό του μοντέλο AI που είναι εξειδικευμένο για τη δική του λειτουργία. Οι οργανισμοί δεν εκπαιδεύουν ένα μοντέλο AI για να κυβερνήσουν όλη την επιχείρησή τους. Εκπαιδεύουν χιλιάδες. Αυτό σημαίνει περισσότεροι κύκλοι εκπαίδευσης, περισσότερη υπολογιστική ισχύ, περισσότερη ζήτηση αποθήκευσης και περισσότερη διασπορά υποδομής.

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

Η υγεία είναι ένα πρωταρχικό παράδειγμα. Η Navina, μια εταιρεία που ενσωματώνει το AI στα ηλεκτρονικά ιατρικά αρχεία για να επιφέρουν κλινικές εικασίες, μόλις ανέβηκε 55 εκατομμύρια δολάρια σε χρηματοδότηση Σειράς C 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 σε λειτουργίες πλέγματος και σταθμών (Axios).

Η Πίεση Υπολογισμού που Κανείς Δεν Μιλάει

Το AI ήδη σπάει 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 φόρτοι εργασίας. Η καμπύλη ζήτησης δεν είναι σταδιακή—είναι εκθετική, και οι hyperscalers δεν τηρούν το ρυθμό.

• Περιορισμοί Ισχύος: Τα κέντρα δεδομένων AI κατασκευάζονται τώρα γύρω από τη διαθεσιμότητα ισχύος, όχι μόνο τα δίκτυα.
• Δίκτυα Bottlenecks: Τα υβριδικά περιβάλλοντα IT γίνονται αδιαχειρίστα χωρίς αυτοματοποίηση, η οποία θα επιδεινώσει τις φόρτους εργασίας του AI.
• Οικονομική Πίεση: Οι φόρτοι εργασίας του 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 πλέγματος, μια μετοχή που αναμένεται να αυξηθεί σημαντικά μέχρι το 2030 (IEA).

Προσθέστε σε αυτό την επικείμενη πίεση στα GPU. Η Bain & Company προειδοποίησε πρόσφατα ότι η ανάπτυξη του AI δημιουργεί 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 μπορούσε να αυξήσει σημαντικά την κατανάλωση ενέργειας και τις εκπομπές αερίων του θερμοκηπίου του τομέα, trừ Тиς στοχευμένες αποδοτικότητες (ScienceDirect).

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

Αν νομίζετε ότι η διασπορά AI είναι ένα εταιρικό πρόβλημα, σκεφτείτε ξανά. Ο πιο σημαντικός οδηγός της διασποράς AI δεν είναι ο ιδιωτικός τομέας—είναι οι κυβερνήσεις και οι αμυντικές υπηρεσίες, που αναπτύσσουν το AI σε κλίμακα που κανείς hyperscaler ή επιχείρηση 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 δολάρια για να επεκτείνει την εγχώρια υπολογιστική ικανότητα του AI, εκκινώντας μια εθνική πρόκληση για να ενισχύσει την υποδομή των 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 προτεραιότητα (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, κυρίαρχα συστήματα AI. Ακόμη και αν οι επιχειρήσεις περιορίσουν τη διασπορά AI, ποιος θα πει στις κυβερνήσεις να επιβραδύνουν;

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