Tekoälybuumi ei ole puhjennut, mutta tekoälylaskenta on muuttumassa

Älä pelkää tekoälykarhuja liikaa. He ihmettelevät ääneen, onko suuri tekoälysijoitusbuumi jo tullut ja mennyt, onko markkinoiden jännitys ja suurten tekoälykoulutusjärjestelmien rakentamiseen käytettyjen monien korkean suorituskyvyn GPU:n ostaminen osoittautunut turhaksi, ja tulisiko tekoälykauden odotuksia radikaalisti laskua.

Mutta jos tarkastelet tarkemmin suurten hyperskaleerijoiden suunnitelmia, tekoälysijoitus on edelleen elossa. Meta, Amazon (AMZN ), Microsoft (MSFT ) ja Google ovat kaikki hiljattain panostaneet tekoälytekniikkaan. Heidän yhteinen sitoutumisensa vuodelle 2025 on yhteensä yli 300 miljardia dollaria, kuten viimeaikaisessa Financial Timesin artikkelissa kerrotaan. Microsoftin toimitusjohtaja Satya Nadella sanoi, että Microsoft voi kuluttaa 80 miljardia dollaria tekoälyyn tänä vuonna. Meta-perustaja ja toimitusjohtaja Mark Zuckerberg sanoi Facebookissa: “Suunnittelemme investoimme 60-65 miljardia dollaria tänä vuonna ja kasvattamme tekoälytiimiämme merkittävästi, ja meillä on pääoma jatkaa sijoittamista tulevina vuosina.”

Tämä ei ole merkki siitä, että tekoälybuumi on puhjennut, mutta on ollut kasvavaa epävarmuutta siitä, kuinka paljon rahaa on käytetty tekoälysovellusten mahdollistamiseen. Kahden vuoden ajan teknologiajätit ovat sanoneet, että he näkevät selvän kysynnän lisääntyneelle laskentakapasiteetille tekoälymallien kouluttamiseksi, mutta vuosi 2025 on alkanut siitä, että nämä yritykset ovat joutuneet vastaamaan liiketoimintamedian kritiikkiin päivittäin siitä, että he ovat luoneet liian paljon tekoälyhypeä.

Miksi on ollut niin äkillinen muutos toiveista huoleen? Vastaus voidaan osittain löytää Kiinasta tulevasta uuden tekoälysovelluksen nopeasta noususta. Mutta voidaksemme täysin ymmärtää, mitä todella tapahtuu ja mitä se merkitsee tekoälysijoituksille ja -tekniikoille tulevina vuosina, meidän on tunnustettava, että tekoälykausi on siirtymässä uuteen evoluution vaiheeseen.

DeepSeeking the Truth

Maailma tietää jo kaiken DeepSeekistä, kiinalaisesta tekoälyyrityksestä, joka on kertonut käyttäneensä inference-moottoreita ja tilastollista päättelyä kouluttamaan suuria kielen malleja paljon tehokkaammin ja vähemmällä kustannuksilla kuin muut yritykset.

Nimenomaan DeepSeek on väittänyt, että heidän menetelmänsä johtivat siihen, että he tarvitsivat paljon vähemmän GPU:ita (vain 2 048 GPU:ta) ja vähemmän tehokkaita GPU:ita (Nvidian H800) kuin mihin joidenkin hyperskaleerijoiden koulutusmallit vaativat. Kustannussäästöjen osalta, kun OpenAI käytti miljardeja dollareita ChatGPT:n kouluttamiseen, DeepSeek ilmoitti käyttäneensä vain 6,5 miljoonaa dollaria R1-mallinsa kouluttamiseen. (NVDA )

On huomattava, että monet asiantuntijat ovat epäilleet DeepSeekin kuluväittämiä, mutta vahinko oli jo tehty, kun uutinen heidän erilaisista menetelmistään aiheutti hyperskaleerijoiden ja niiden GPU:iden arvon romahduksen.

Kuitenkin kaksi tärkeää seikkaa hävisi kaaoksen seasta. Ensimmäinen oli ymmärrys siitä, että DeepSeek ei “keksinyt” uutta tapaa tekoälyn kanssa työskentelyyn. Toinen on, että suurin osa tekoälyekosysteemistä on ollut tietoinen siitä, että tekoälysijoitukset tarvitsevat uuden suunnan.

DeepSeekin menetelmien osalta inference-moottorien ja tilastollisen päättelyn käyttö ei ole uusi asia. Tilastollisen päättelyn käyttö on yksi laajemman inference-mallipäättelyn konseptin osa, joka liittyy tekoälyyn, joka voi tehdä johtopäätöksiä mallintamisen perusteella. Tämä on olennaisesti samanlaista kuin ihmisen kyky oppia eri tapoja lähestyä ongelmaa ja vertailla niitä parhaan mahdollisen ratkaisun löytämiseksi. Inference-pohjainen mallipäättely voidaan käyttää tänään eikä se ole yksinomaan kiinalaisen startup-yrityksen ominaisuus.

Samaan aikaan tekoälyekosysteemi on jo jonkin aikaa odottanut perustavanlaatuista muutosta siinä, miten työskentelemme tekoälyn kanssa ja mitä laskentaresursseja vaadimme. Tekoälykauden alkuvuodet ovat olleet kaikki suurten tekoälymallien kouluttamisesta suurilla datamäärillä, mikä on vaatinut paljon laskentaa, monimutkaisia laskelmia, painotussopeutumista ja muistiriippuvuutta. Kun tekoälymallit on koulutettu, asiat muuttuvat. Tekoäly pystyy käyttämään inference-moottoreita soveltamaan kaikkea oppimaansa uusiin datamäärin, tehtäviin ja ongelmien ratkaisemiseen. Inference on vähemmän laskennallinen prosessi kuin koulutus eikä vaadi yhtä paljon GPU:ita tai muita laskentaresursseja.

DeepSeekin lopullinen totuus on, että vaikka heidän menetelmänsä eivät yllättäneet meitä tekoälyekosysteemissä yhtä paljon kuin ne yllättivät sijoittajia, se korosti yhtä tapaa, jolla inference on avain tekoälykauden seuraavaan vaiheeseen.

AI: The Next Generation

Tekoälyn lupa ja potentiaali eivät ole muuttuneet. Hyperskaleerijoiden jatkuvat massiiviset tekoälysijoitukset osoittavat heidän uskonsa tulevaisuuden arvoon, jonka he voivat vapauttaa tekoälystä, sekä tavoista, joilla tekoäly voi muuttaa lähes jokaisen alan toimintaa ja tapaa, jolla ihmiset elävät arkipäiväänsä.

Mitä on muuttunut hyperskaleerijoille, on se, miten nämä dollarit ovat todennäköisesti käytettävä. Tekoälykauden alkuvuosina suurin osa sijoituksesta kohdistui välttämättä koulutukseen. Jos ajattelet tekoälyä lapsena, jonka mieli on vielä kehityksessä, olemme käyttäneet paljon rahaa lähettääksemme sen parhaisiin kouluun ja yliopistoihin. Nyt tämä lapsi on koulutettu aikuinen – ja se tarvitsee työn tukemaan itseään. Todellisessa maailmassa olemme investoineet paljon tekoälyyn, ja nyt meidän on näytettävä sijoituksen tuotto käyttämällä tekoälyä uuden liikevaihdon luomiseen.

Tämän sijoituksen tuoton saavuttamiseksi tekoälylle on muututtava tehokkaammaksi ja vähemmän kalliiksi, jotta yritykset voivat maksimoida sen markkinoiden vetovoiman ja sen soveltamisen mahdollisimman moniin sovelluksiin. Tuottavimmat uudet palvelut ovat autonomiset, jotka eivät vaadi ihmisen valvontaa ja hallintaa.

Monille yrityksille tämä tarkoittaa resursseja tehokkaiden tekoälylaskentatekniikoiden, kuten inference-mallipäättelyn, hyödyntämistä nopeasti ja kustannustehokkaasti mahdollistaakseen autonomisen kone-kone-viestinnän. Esimerkiksi langattomassa teollisuudessa tekoälyä voidaan käyttää autonomisesti analysoimaan reaaliaikaisia tietoja kanavan käytöstä mobiiliverkossa optimoidakseen kanavan käytön ja vähentääkseen häiriötä käyttäjien välillä, mikä lopulta sallii mobiiliverkon operaattorin jakaa dynaamisesti kanavia verkossaan. Tämänkaltaista tehokkaampaa, autonomista tekoälypohjaista kone-kone-viestintää määrittää tekoälykauden seuraava sukupolvi.

Kuten jokaisen muun suuren laskentakauden opettanut, uusi teknologia vaatii aina paljon alkuvaiheen sijoitusta, mutta kustannukset tulevat laskemaan ja tehokkuus paraneemaan, kunnes pystymme hyödyntämään parannettuja tekniikoita ja parempia käytäntöjä luodaksemme edullisempia ja saatavampia tuotteita ja palveluita suurimmalle mahdolliselle markkinalle. Innovointi löytää aina tien.

Tekoälysektori saattaa viime aikoina näyttää kärsineen takaiskun, jos kuuntelet tekoälykarhuja, mutta hyperskaleerijoiden suunnittelemat dollarit, jotka he aikovat käyttää tänä vuonna, ja inference-pohjaisen tekniikan kasvava käyttö kertovat toisenlaisen tarinan: tekoälylaskenta on muuttumassa, mutta tekoälyn lupa on täysin koskematon.