Come l’AI può Fallire e Sopravvivere, Proprio come ha Fatto Internet

Le continue e drammatiche fluttuazioni del mercato tra i giganti della tecnologia guidati dall’AI, con aziende quotate che perdono più di $1 trilione di valutazione in meno di un mese, illustrano chiaramente che le valutazioni sono disconnesse dai fondamentali. Tuttavia, la vera domanda da porre in questo momento non è quando la bolla scoppierà, ma come l’industria possa responsabilmente sgonfiare la bolla e prepararsi per l’AI del futuro.

Negli ultimi anni, l’AI è diventata sinonimo di grandi valutazioni, scalabilità illimitata e la sensazione che nessuno possa competere con i giocatori più grandi. Ma la realtà tecnica è cambiata e punta a un tipo di futuro diverso per l’AI: il vero denaro non è nei modelli di AI enormemente costosi che un giorno pagheranno in ritorni fuori scala. Sempre più, il valore dell’AI sarà in come verrà integrata e utilizzata per fare soldi per le aziende, tenendo presente che i modelli di AI all’avanguardia dovrebbero diventare meno costosi, non più costosi. Il mito della singolarità è finito. La scala da sola non garantisce più guadagni a step-function. L’esecuzione, la distribuzione e l’ecosistema ora contano più della dimensione del modello grezzo.

Aggiustare le aspettative a questa nuova realtà permetterà alla bolla di AI in crescita di sgonfiarsi lentamente, piuttosto che scoppiare e provocare danni all’economia e ai mercati finanziari come la bolla delle dotcom un quarto di secolo fa.

Negli anni ’90, l’industria tecnologica presumeva che internet potesse e avrebbe fatto tutto; e che qualsiasi cosa costruita su internet sarebbe, per natura, riuscita. Erano sbagliati e la bolla è effettivamente scoppiata – ma internet è sopravvissuto. Il crollo ha messo in luce come il successo online non fosse solo la tecnologia sottostante – internet – ma la capacità di sviluppare casi d’uso intelligenti e efficaci, prodotti e hardware. Internet non ha vinto solo con i protocolli. Ha vinto quando i browser, le reti di distribuzione dei contenuti e gli ecosistemi degli sviluppatori lo hanno reso utilizzabile.

Amazon è sopravvissuta e prospera ancora, mentre Pets.com è fallita perché non aveva un modo proficuo per gestire la spedizione del cibo per cani, una sfida trascurata dall’idea allettante che sarebbe stata in grado di avere clienti in tutto il paese grazie all’avvento di internet.

È esattamente dove si trova il Big AI oggi, assorbito in sogni e aspettative sul potenziale futuro della tecnologia. Non c’è dubbio che sia la tecnologia più incredibile che abbiamo oggi. Ma i modelli di AI sono solo la tecnologia sottostante, non le risposte stesse, e sicuramente non dove il denaro e il valore rimarranno. In effetti, le architetture di trasformazione e diffusione, che sono alla base della maggior parte dell’AI generativa, sono pubbliche; i framework di ottimizzazione sono aperti; la potenza di calcolo è sempre più accessibile. La barriera non è più il know-how teorico. È l’arte di costruire sistemi affidabili e integrarli nei pipeline creative e di produzione esistenti che determinerà chi avrà successo. Questi prodotti e servizi non richiedono più che gli investitori anticipino trilioni di dollari. Lo so dalla mia esperienza. Il nostro team a Gerusalemme ha costruito un modello audio-video open-source per creare video AI a un costo di circa un decimo di quello dei leader del mercato, e che genera scene continue più lunghe, spesso con una risoluzione e una velocità più elevate. Ciò è stato realizzato con circa 100 milioni di dollari, non miliardi. La nostra storia mostra che i progressi dell’AI moderna sono meno legati al “salsa segreta” e più all’ingegneria disciplinata.

Come per internet, coloro che sopravvivranno saranno quelli che sfrutteranno l’AI per i migliori casi d’uso, applicazioni hardware, prodotti e servizi. È vero che è difficile prevedere esattamente quali saranno. Dopotutto, all’inizio degli anni ’90, quando la gente usava AOL o Prodigy, nessuno avrebbe potuto immaginare Gmail.

Tuttavia, in assenza del potere della chiaroveggenza, ci sono domande intelligenti da porre lungo la strada per guidare l’industria dell’AI e i suoi investitori a lavorare in un modo che possa sia sgonfiare lentamente la bolla, sia costruire l’economia del futuro.

Gli investitori, compresi i venture capitalist e i fondi pensione che investono denaro in aziende di AI, devono chiedersi quale valore, esattamente, stia venendo creato. Miliardi di dollari sono stati investiti nella ricerca presso le grandi aziende tecnologiche per costruire AI che alla fine è stato facilmente replicato in altri luoghi. I grandi budget per l’AI non garantiscono più proprietà intellettuale unica, il blocco degli utenti o un’economia difendibile. Ora gli investitori devono valutare come le aziende costruiscono, ottimizzano e integrano modelli in workflow reali dei clienti, creando prodotti e servizi reali. Gli investitori dovrebbero chiedere metriche come l’economia per carico di lavoro quando si guarda alle applicazioni di AI.

Queste, e non solo i talenti o la natura proprietaria del modello stesso, sono gli elementi chiave del valore. È anche importante capire il valore dei modelli open source. Questi spesso superano le API chiuse perché i ricercatori e gli sviluppatori possono adattarli localmente. Quell’adozione si traduce in un fossato intorno a un’azienda o prodotto, aiutando a garantire profitti e successo

Sia gli investitori che gli imprenditori preoccupati per l’uso efficiente del capitale devono fare un passo indietro e valutare il vero costo dell’AI e di tutti i componenti correlati; questi sono spesso gonfiati e più alti di quanto non debbano essere. L’approccio generale dovrebbe essere che i costi dell’hardware sono volatili, quindi la progettazione dell’AI non dovrebbe dipendere da un dispositivo o hardware specifico. Il valore e ciò che differenzia un’azienda è il suo throughput per dollaro, non gli sconti del fornitore a favore di un certo tipo di hardware. La difensibilità della spesa per l’AI ora risiede nell’ottimizzazione dell’infrastruttura, nei dati proprietari e nella profondità di integrazione. Gli imprenditori con buone idee per soluzioni che utilizzano attentamente o utilizzano modelli con quel rendimento finale in mente vinceranno su quelli che cercano modelli massicci che possono essere scalati in seguito per diversi utilizzi potenziali. Un altro vantaggio è offrire opzioni di distribuzione aperte per studi e piattaforme che non possono dipendere da un’API remota per esperienze in tempo reale.

I responsabili delle politiche e l’industria devono anche pensare più logicamente alla regolamentazione. I progressi in queste aree sono stati lenti e si concentrano fortemente sui modelli all’avanguardia eseguiti su grandi dispositivi; questo non è più un approccio pratico. La tendenza è schiacciante verso tali modelli in grado di eseguire su dispositivi consumer, rendendo la regolamentazione dei modelli stessi impossibile. La natura open source di molti modelli presenta un’altra sfida formidabile all’approccio attuale alla regolamentazione. Ancora una volta, l’approccio giusto è concentrarsi sulla distribuzione tramite applicazioni e prodotti e sviluppare framework regolatori intorno a quelli per vari settori, non politiche onnicomprensive sui modelli. L’obiettivo dovrebbe essere regolare le applicazioni e i settori, con standard per la provenienza, le barriere di sicurezza nei prodotti e la divulgazione per i media sintetici. La storia degli anni ’90 e dei primi anni 2000 tiene ancora una volta una lezione saggia su questo concetto: il caso contro la popolare azienda di condivisione di file musicali Napster non ha limitato la condivisione di file in sé – quella tecnologia è cresciuta e si è velocizzata, dando infine origine allo streaming – ma si è concentrata sulla distribuzione responsabile della tecnologia da parte di una piattaforma. (Anche attraverso la bancarotta, Napster è riuscita a mantenere il marchio aggiustando la distribuzione della tecnologia ed è stata acquistata per oltre 200 milioni di dollari all’inizio di quest’anno.)

In sintesi, il mercato si consoliderà intorno a pochi modelli di AI multimodali unificati che possono essere distillati per l’efficienza e adattati per diversi utilizzi. Tutti gli stakeholder devono prestare molta più attenzione alle applicazioni e al vero valore aziendale che l’AI può portare, e non perdere la testa nelle promesse dei modelli stessi. L’industria si sta gonfiando più velocemente di quanto stia creando valore. Se ciò si concluderà in una correzione drammatica – simile alla bolla di internet all’inizio – è aperto al dibattito. Ma la chiarezza adesso significa resilienza dopo.