Mitä DeepSeek voi opettaa meille AI-kustannuksista ja tehokkuudesta

DeepSeekin söttävän valaslogon kanssa sen viimeaikainen julkaisu olisi voinut olla vain yksi ChatGPT-kopio. Se, mikä teki siitä uutisarvon ja lähetti kilpailijoiden osakkeet paniikkiin, oli se, kuinka vähän se maksoi luoda. Se heitti käsisyttimen Yhdysvaltojen käsitykseen sijoituksesta, joka vaaditaan koulutettaessa korkean tason Large Language Model (LLM):ia.

DeepSeek ilmoitti käyttäneensä vain 6 miljoonaa dollaria kouluttaakseen AI-mallinsa. Vertaa tätä siihen, että OpenAI raportoi käyttäneensä 80-100 miljoonaa dollaria Chat GPT-4:n kehittämiseen tai 1 miljardin dollarin sijoitukseen GPT-5:een. DeepSeek asettaa kyseenalaiseksi tämänkaltaisen sijoituksen ja jättää suuret toimijat, kuten Nvidian – jonka osakkeen arvo putosi 600 miljardia dollaria yhdessä päivässä – TSMC:n ja Microsoftin, huolehtimaan AI:n taloudellisesta kestävyydestä. Jos on mahdollista kouluttaa AI-malleja huomattavasti vähemmällä kuin aiemmin oletettiin, mitä tämä merkitsee AI-kulujen kokonaisuudelle?

Vaikka DeepSeekin häirintä on johtanut tärkeisiin keskusteluihin, jotkut avainkohdat näyttävät unohtuneen hälinässä. Uutinen kuitenkin herättää suuremman keskustelun siitä, kuinka paljon innovaatio maksaa ja mahdollisista taloudellisista vaikutuksista AI:sta. Tässä on kolme tärkeää näkökulmaa, jotka nousevat tästä uutisesta:

1. DeepSeekin 6 miljoonan dollarin hintalappu on harhaa

Yritysten on ymmärrettävä infrastruktuurinsa kokonaiskustannukset. Vaikka DeepSeekin 6 miljoonan dollarin hintalappu on mainittu usein, se on todennäköisesti vain ennakoulutuksen kustannus eikä koko sijoitusta. Koko kustannus – ei vain pyörittämiseen vaan myös rakentamiseen ja koulutukseen – on todennäköisesti paljon suurempi. Teollisuusanalyytikko SemiAnalysis paljasti, että DeepSeekin taustalla oleva yritys käytti 1,6 miljardia dollaria laitteistoon LLM:n luomiseksi. Todennäköinen kustannus on jossakin välissä.

Riippumatta siitä, mikä on todellinen kustannus, DeepSeekin ilmestyminen on luonut keskustelun kustannustehokkaasta innovaatiosta, josta voi seurata muodonmuutos. Innovointi usein tapahtuu rajoitusten myötä, ja DeepSeekin menestys korostaa sitä, kuinka innovaatio voi tapahtua, kun insinööritiimit optimoivat resurssejaan todellisten rajoitusten edessä.

2. Inferenssi on se, mikä tekee AI:sta arvokkaan, ei koulutus

On tärkeää kiinnittää huomiota siihen, kuinka paljon AI-mallin koulutus maksaa, mutta koulutus edustaa vain pientä osaa koko AI-mallin rakentamis- ja pyörittämisestä. Inferenssi — moninaiset tavat, joilla AI muuttaa, miten ihmiset työskentelevät, vuorovaikuttavat ja elävät — on se, missä AI todella arvokas.

Tämä herättää Jevonsin paradoksin, taloudellisen teorian, joka ehdottaa, että teknologisen edistymisen myötä resurssin käytön tehokkuus voi johtaa resurssin kokonaiskulutuksen lisääntymiseen. Toisin sanoen, kun koulutuskustannukset laskevat, inferenssi- ja agenssikulutus lisääntyy, ja kokonaiskulutus seuraa perässä.

AI-tehokkuus voi johtaa AI-kulutuksen kasvuun, mikä voi hyödyttää kaikkia, ei vain kiinalaisia yrityksiä. Olettaen, että he hyödyntävät tehokkuuden aaltoa, yritykset kuten OpenAI ja Nvidia (NVDA ) hyötyvät myös.

3. Se, mikä pysyy totena, on, että yksikkötaloudellisuus on tärkeintä

AI:n tehostaminen ei ole vain kustannusten alentamista, vaan myös yksikkötaloudellisuuden optimointia. The Motley Fool ennustaa, että tämä vuosi on AI-tehokkuuden vuosi. Jos he ovat oikein, yritysten on kiinnitettävä huomiota sekä AI-koulutuskustannusten alentamiseen että AI-kulutuksen kustannusten alentamiseen.

Organisaatioiden, jotka rakentavat tai käyttävät AI:ta, on tiedettävä yksikkötaloudellisuutensa eikä vain korostettu lukuja, kuten DeepSeekin 6 miljoonan dollarin koulutuskustannus. Todellinen tehokkuus edellyttää kaikkien kustannusten aloittamista, AI-vetovoiman seuraamista ja jatkuvaa seuraamista arvon ja kustannuksen suhteesta.

Pilviyksikkötaloudellisuus (CUE) liittyy pilvikustannusten ja tuotto- ja kysyntämittareiden vertailuun, jolloin paljastuu, kuinka tehokas pilvikulutus on, miten se on muuttunut ajan myötä ja (jos oikea alusta on käytössä) parhaat tavat lisätä tehokkuutta.

CUE:n ymmärtäminen on vielä tärkeämpää AI-kontekstissa, koska se on luonnostaan kalliimpi kuin perinteiset pilvipalvelut, jotka hyperskaleerit myyvät. Yritykset, jotka rakentavat agenssiohjelmia, voivat laskea kustannuksensa transaktiokohtaisesti (esim. laskun kustannus, toimituskustannus, kaupankäyntikustannus jne.) ja käyttää tätä arvioimaan tiettyjen AI-vetovoimaisien palveluiden, tuotteiden ja ominaisuuksien tuottavuutta. Kun AI-kulutus lisääntyy, yritysten on tehtävä tämä; mikään yritys ei voi heittää loputtomasti rahaa kokeelliseen innovaatioon. Lopulta se on oltava liiketoimintalogiikkaa.

Kohti suurempaa tehokkuutta

Vaikka 6 miljoonan dollarin luku on merkittävä, DeepSeek on saattanut tarjota käännekohtamomentin, joka herättää teknologia-alan tietoisuuden tehokkuuden vääjäämättömään tärkeyteen. Toivotaan, että tämä avaa portit kustannustehokkaalle koulutukselle, inferenssille ja agenssiohjelmille, jotka lukitsevat AI:n todellisen potentiaalin ja tuottavuuden.