Τι μπορεί να μας διδάξει το DeepSeek για το κόστος και την αποτελεσματικότητα του AI

Με το χαριτωμένο λογότυπο του κήτους, η πρόσφατη κυκλοφορία του DeepSeek θα μπορούσε να ήταν απλώς ένα ακόμη αντίγραφο του ChatGPT. Αυτό που την έκανε τόσο ενημερωτική – και αυτό που έστειλε τις μετοχές των ανταγωνιστών σε μια πτώση – ήταν το πόσο λίγο κόστισε να δημιουργηθεί. Αποτέλεσε ένα εργαλείο που έριξε ένα μπουλόνι στοアメリカνο σύστημα της επένδυσης που απαιτείται για την εκπαίδευση ενός υψηλής απόδοσης Μεγάλου Μοντέλου Γλώσσας (LLM).

Το DeepSeek υποτίθεται ότι δαπάνησε μόνο 6 εκατομμύρια δολάρια για την εκπαίδευση του μοντέλου AI. Σε σύγκριση με τα 80-100 εκατομμύρια δολάρια που δαπάνησε η OpenAI για το Chat GPT-4 ή τα 1 δισεκατομμύριο δολάρια που έχουν αποθηκεύσει για το GPT-5, το DeepSeek θέτει υπό αμφισβήτηση αυτό το επίπεδο επένδυσης και αφήνει μεγάλες εταιρείες όπως η Nvidia (NVDA ) – η οποία είδε την αξία των μετοχών της να πέφτει κατά 600 δισεκατομμύρια δολάρια σε μια μέρα – TSMC και Microsoft (MSFT ) να ανησυχούν για την μακροπρόθεσμη οικονομική βιωσιμότητα του AI. Αν είναι δυνατό να εκπαιδευτούν μοντέλα AI για σημαντικά λιγότερο από ό,τι υποτίθεται προηγουμένως, τι σημαίνει αυτό για τις δαπάνες του AI συνολικά;

Αν και η διαταραχή του DeepSeek οδήγησε σε σημαντικές συζητήσεις, κάποια βασικά σημεία φαίνεται να χάνονται στην αναταραχή. Ωστόσο, τα νέα που αναφέρθηκαν προκαλούν μια μεγαλύτερη εστίαση στο πόσο κοστίζει η καινοτομία και την πιθανή οικονομική επίδραση του AI. Εδώ υπάρχουν τρεις σημαντικές εντυπώσεις που προκύπτουν από τα νέα αυτά:

1. Το κόστος των 6 εκατομμυρίων δολαρίων του DeepSeek είναι παραπλανητικό

Οι εταιρείες πρέπει να κατανοήσουν το συνολικό κόστος ιδιοκτησίας της υποδομής τους (TCO). Αν και το κόστος των 6 εκατομμυρίων δολαρίων του DeepSeek έχει αναφερθεί πολύ, αυτό είναι πιθανότατα το κόστος μόνο της προ-εκπαίδευσης και όχι της ολικής επένδυσης. Το συνολικό κόστος – όχι μόνο της εκτέλεσης, αλλά και της δημιουργίας και εκπαίδευσης του DeepSeek – είναι πιθανότατα πολύ υψηλότερο. Η εταιρεία ανάλυσης SemiAnalysis αποκάλυψε ότι η εταιρεία πίσω από το DeepSeek δαπάνησε 1,6 δισεκατομμύρια δολάρια σε υλικό για να κάνει το LLM πραγματικότητα. Έτσι, το πιθανό κόστος είναι κάπου στη μέση.

Ανεξάρτητα από το ποιο είναι το πραγματικό κόστος, η έλευση του DeepSeek έχει δημιουργήσει μια εστίαση στην καινοτομία που είναι αποτελεσματική στο κόστος, η οποία μπορεί να είναι μετασχηματιστική. Η καινοτομία συχνά προκύπτει από περιορισμούς, και η επιτυχία του DeepSeek υπογραμμίζει τον τρόπο με τον οποίο η καινοτομία μπορεί να συμβεί όταν οι ομάδες μηχανικών βελτιστοποιούν τους πόρους τους αντιμετωπίζοντας πραγματικούς περιορισμούς.

2. Η συλλογή είναι αυτό που κάνει το AI πολύτιμο, όχι η εκπαίδευση

Είναι σημαντικό να προσεχθεί το πόσο κοστίζει η εκπαίδευση του μοντέλου AI, αλλά η εκπαίδευση αντιπροσωπεύει ένα μικρό μέρος του συνολικού κόστους για την κατασκευή και εκτέλεση ενός μοντέλου AI. Η συλλογή — οι πολλαπλοί τρόποι με τους οποίους το AI αλλάζει τον τρόπο με τον οποίο οι άνθρωποι εργάζονται, αλληλεπιδρούν και ζουν — είναι εκεί όπου το AI γίνεται πραγματικά πολύτιμο.

Αυτό αναφέρει το парадόξο του Jevons, μια οικονομική θεωρία που προτείνει ότι καθώς οι τεχνολογικές προόδους κάνουν τη χρήση ενός πόρου πιο αποτελεσματική, η συνολική κατανάλωση του πόρου μπορεί να αυξηθεί. Με άλλα λόγια, καθώς τα κόστη εκπαίδευσης μειώνονται, η συλλογή και η κατανάλωση θα αυξηθούν, και οι συνολικές δαπάνες θα ακολουθήσουν.

Η αποτελεσματικότητα του AI μπορεί, στην πραγματικότητα, να οδηγήσει σε μια αυξανόμενη δαπάνη του AI, η οποία θα ανυψώσει όλα τα πλοία, όχι μόνο τα κινεζικά. Υποθέτοντας ότι θα επιβιβαστούν στο κύμα της αποτελεσματικότητας, εταιρείες όπως η OpenAI και η Nvidia θα ωφεληθούν επίσης.

3. Αυτό που παραμένει αληθινό είναι ότι οι οικονομικές μονάδες έχουν τη μεγαλύτερη σημασία

Η βελτίωση της αποτελεσματικότητας του AI δεν είναι μόνο για τη μείωση των κοστών, αλλά και για την βελτίωση των οικονομικών μονάδων. Η Motley Fool προβλέπει ότι αυτό το έτος θα είναι το έτος της αποτελεσματικότητας του AI. Αν έχουν δίκιο, οι εταιρείες πρέπει να προσεχθούν τη μείωση των κοστών εκπαίδευσης του AI, καθώς και των κοστών κατανάλωσης του AI.

Οι οργανισμοί που κατασκευάζουν ή χρησιμοποιούν AI πρέπει να γνωρίζουν τις οικονομικές μονάδες τους και όχι να επισημαίνουν εντυπωσιακά στοιχεία όπως το κόστος εκπαίδευσης των 6 εκατομμυρίων δολαρίων του DeepSeek. Η πραγματική αποτελεσματικότητα περιλαμβάνει την κατανομή όλων των κοστών, την παρακολούθηση της ζήτησης που οδηγείται από το AI και τη διατήρηση συνεχούς εποπτείας του κόστους-τιμής.

Η οικονομική μονάδα του cloud (CUE) έχει να κάνει με τη μέτρηση και τη μεγιστοποίηση του κέρδους που οδηγείται από το cloud. Η CUE συγκρίνει τα κόστη του cloud με μετρικές εσόδων και ζήτησης, αποκαλύπτοντας πόσο αποτελεσματική είναι η δαπάνη του cloud, πώς έχει αλλάξει με τον καιρό και (αν έχετε τη σωστή πλατφόρμα) τους καλύτερους τρόπους για την αύξηση της αποτελεσματικότητας.

Η κατανόηση της CUE έχει ακόμη μεγαλύτερη उपयτικότητα σε ένα контέκστ AI, δεδομένου ότι είναι φυσικά πιο ακριβό να καταναλώνεται από τις παραδοσιακές υπηρεσίες cloud που πωλούνται από τους υπερ-παρόχους. Οι εταιρείες που κατασκευάζουν εφαρμογές με代理 possono να υπολογίσουν το κόστος ανά συναλλαγή (π.χ. κόστος ανά τιμολόγιο, κόστος ανά παράδοση, κόστος ανά συναλλαγή, κ.λπ.) και να το χρησιμοποιήσουν για να αξιολογήσουν την απόδοση της επένδυσης σε συγκεκριμένες υπηρεσίες, προϊόντα και λειτουργίες που οδηγούνται από το AI. Όσο αυξάνονται οι δαπάνες του AI, οι εταιρείες θα πρέπει να το κάνουν αυτό. Κανένα εταιρεία δεν μπορεί να ρίχνει ατελείωτα δολάρια σε πειραματική καινοτομία για πάντα. Τελικά, πρέπει να έχει επιχειρηματική λογική.

Προς μεγαλύτερη αποτελεσματικότητα

Ανεξάρτητα από το πόσο σημαντικό είναι το ποσό των 6 εκατομμυρίων δολαρίων, το DeepSeek μπορεί να έχει προσφέρει μια στιγμή που ξυπνά την τεχνολογική βιομηχανία στην αναπόφευκτη σημασία της αποτελεσματικότητας. Ας ελπίσουμε ότι αυτό θα ανοίξει τις πύλες για αποτελεσματική εκπαίδευση, συλλογή και εφαρμογές που ξεκλειδώνουν το πραγματικό потенシャル και την απόδοση του AI.