Hoe AI Failliet Kan Gaan en Overleven, Net Als Het Internet

De voortdurende dramatische marktschommelingen onder AI-gedreven technologiebedrijven, met beursgenoteerde bedrijven die meer dan $1 biljoen aan waarde verliezen in minder dan een maand, laten duidelijk zien dat de waarderingen losgekoppeld zijn van de fundamenten. Echter, de echte vraag die nu gesteld moet worden, is niet wanneer de bubbel zal barsten, maar hoe de industrie de bubbel verantwoordelijk kan laten leeglopen en zich kan voorbereiden op de AI van de toekomst.

In de afgelopen jaren is AI synoniem geworden met hoge waarderingen, onbeperkte schaalbaarheid en het gevoel dat niemand kan concurreren met de grootste spelers. Maar de technische realiteit is veranderd en wijst op een andere toekomst voor AI: het echte geld zit niet in enorm dure AI-modellen die op een dag zullen opleveren in buitensporige rendementen. Steeds vaker zal de waarde van AI liggen in hoe het geïntegreerd en gebruikt wordt om geld te verdienen voor bedrijven, met in gedachten dat grensverleggende AI-modellen goedkoper moeten worden, niet duurder. De mythe van de singulariteit is voorbij. Schaalbaarheid alleen levert geen stapfunctie-groei meer op. Uitvoering, distributie en ecosysteem zijn nu belangrijker dan de raw modelgrootte.

De verwachtingen aanpassen aan deze nieuwe realiteit zal de groeiende AI-bubbel langzaam laten leeglopen, in plaats van dat deze barst en ravage aanricht in de economie en financiële markten, zoals de dotcom-bubbel een kwart eeuw geleden.

In de jaren 90 nam de technologie-industrie aan dat het internet alles kon en zou doen; en dat alles wat op het internet was gebouwd, van nature zou slagen. Ze hadden het mis en de bubbel barstte inderdaad – maar het internet overleefde. De crash benadrukte dat online succes niet alleen afhing van de onderliggende technologie – het internet – maar van de mogelijkheid om slimme en effectieve use-cases, producten en hardware te ontwikkelen. Het internet won niet alleen op protocols. Het won toen browsers, content delivery networks en developer-ecosystemen het bruikbaar maakten.

Amazon overleefde en bloeit nog steeds, terwijl Pets.com faalde omdat het nooit een winstgevende manier had om de verzending van hun hondenvoer af te handelen, een uitdaging die over het hoofd werd gezien door de verleidelijke gedachte dat het klanten over het hele land kon hebben vanwege de komst van het internet.

Dat is precies waar Big AI vandaag staat, opgeslorpt in dromen en verwachtingen over de toekomstige potentie van de technologie. Er is geen twijfel dat het de meest verbazingwekkende technologie is die we vandaag hebben. Maar AI-modellen zijn slechts de onderliggende technologie, niet de antwoorden zelf, en zeker niet waar het geld en de waarde zullen blijven. In feite zijn transformer- en diffusie-architecturen, die de meeste generatieve AI ondersteunen, openbaar; optimalisatiekaders zijn open; rekenkracht is steeds toegankelijker. De barrière ligt niet langer in theoretische kennis. Het is de kunst van het bouwen van betrouwbare systemen en het integreren ervan in bestaande creatieve en productiepijplijnen die zal bepalen wie slaagt. Deze producten en diensten hebben ook geen investeerders nodig die triljarden dollars vooruitbetalen. Ik weet dit uit eigen ervaring. Ons team in Jeruzalem bouwde een open-source audio-video-model voor het maken van AI-videos voor ongeveer een tiende van de kosten van die gemaakt door marktleiders, en dat genereert langere continue scènes, vaak met hogere resolutie en snelheid. Dit werd bereikt met ongeveer $100 miljoen, niet miljarden. Ons verhaal laat zien dat moderne AI-vooruitgang minder te maken heeft met geheime sauzen en meer met gedisciplineerd ingenieurswerk.

Net als met het internet, zullen degenen die overleven, degene zijn die AI gebruiken voor de beste use-cases, hardware-toepassingen, producten en diensten. Het is waar dat het moeilijk is om te voorspellen wat die precies zullen zijn. Toen mensen in de vroege jaren 90 AOL of Prodigy gebruikten, kon niemand hebben voorspeld Gmail.

Echter, zonder de kracht van helderziendheid, zijn er slimme vragen die onderweg gesteld kunnen worden om de AI-industrie en haar investeerders te leiden naar een manier van werken die zowel de bubbel langzaam en geleidelijk zal laten leeglopen als de economie van de toekomst zal opbouwen.

Investeerders, waaronder venture capitalists en de pensioenfondsen die geld in AI-bedrijven steken, moeten vragen wat voor waarde precies wordt gecreëerd. Miljarden dollars werden gestoken in onderzoek bij de grote technologiebedrijven om AI te bouwen die uiteindelijk gemakkelijk kon worden gerepliceerd op andere plaatsen. Grote AI-begrotingen garanderen geen unieke intellectuele eigendom, gebruikersbinding of verdedigbare economie meer. Nu moeten investeerders evalueren hoe bedrijven modellen bouwen, optimaliseren en integreren in echte workflows van klanten, waarmee ze echte producten en diensten creëren. Investeerders moeten vragen om metrics zoals economie per workload bij het bekijken van AI-toepassingen.

Deze, en niet alleen de talenten of de proprietary-natuur van het model zelf, zijn de sleutel-elementen van waarde. Het is ook belangrijk om de waarde van open-source-modellen te begrijpen. Deze itereren vaak sneller dan gesloten API’s omdat onderzoekers en ontwikkelaars ze lokaal kunnen aanpassen. Die adoptie versterkt een moat rond een bedrijf of product, waardoor winst en succes worden gegarandeerd

Zowel investeerders als ondernemers die bezorgd zijn over het efficiënte gebruik van kapitaal, moeten een stap terug doen en de echte kosten van AI en alle gerelateerde componenten evalueren; deze zijn vaak opgeblazen en hoger dan nodig. De algemene aanpak moet zijn dat hardwarekosten volatiel zijn, dus AI-ontwerp niet afhankelijk moet zijn van een specifiek apparaat of hardware. De waarde en wat een bedrijf onderscheidt, is zijn throughput per dollar, niet leverancierskortingen die een bepaald type hardware bevoronen. De verdediging van AI-uitgaven ligt nu in infrastructuuroptimalisatie, propriëtaire data en integratiediepte. Ondernemers met goede ideeën voor oplossingen die zorgvuldig modellen bouwen of gebruiken met dat eindresultaat in gedachten, zullen winnen van degene die massive modellen zoeken die later kunnen worden geschaald voor verschillende potentiële gebruiken. Een pluspunt is het aanbieden van open deployment-opties voor studios en platforms die niet afhankelijk kunnen zijn van een externe API voor real-time-ervaringen.

Beleidsmakers en de industrie moeten ook logischer nadenken over regulering. Vooruitgang is langzaam in deze gebieden en richt zich zwaar op frontier-modellen die op grote apparaten draaien; dit is geen praktische aanpak meer. De momentum is overweldigend naar modellen die kunnen draaien op consumentenapparaten, waardoor regulering van modellen zelf onmogelijk wordt. De open-source-natuur van veel modellen presenteert een andere formidabele uitdaging voor de huidige aanpak van regulering. Opnieuw is de juiste aanpak om te focussen op implementatie via applicaties en producten, en om regelgevingskaders te ontwikkelen rond die voor verschillende industrieën, niet-overkoepelende beleidsregels over modellen. Het doel moet zijn om applicaties en sectoren te reguleren, met standaarden voor herkomst, veiligheidsrailings in producten en openbaarmaking voor synthetische media. De geschiedenis van de jaren 90 en het begin van de jaren 2000 houdt opnieuw een wijze les in dit concept: De zaak tegen het populaire muziekbestanddelingsbedrijf Napster beperkte niet het bestanddelen zelf – die technologie groeide alleen maar en werd veel sneller, en gaf uiteindelijk plaats aan streaming – maar richtte zich op de verantwoorde implementatie van de technologie door een platform. (Zelfs door faillissement kon Napster eigenlijk overleven als een merk door de manier waarop het zijn technologie implementeerde en werd gekocht voor meer dan $200 miljoen eerder dit jaar.)

De bodemlijn is dat de markt zal consolideren rond een paar geünificeerde multimodale AI-modellen die kunnen worden gedistilleerd voor efficiëntie en aangepast voor verschillende gebruiken. Alle stakeholders moeten veel meer aandacht besteden aan applicaties en de echte businesswaarde die AI kan brengen, en niet verloren gaan in de beloften van de modellen zelf. De industrie zet sneller op dan het waarde creëert. Of dit eindigt in een dramatische correctie – vergelijkbaar met de vroege internetbubbel – is onderwerp van discussie. Maar duidelijkheid nu betekent veerkracht later.