De AI-boom is niet geïmplozeerd, maar AI-computing verandert zeker

Wees niet te bang voor de AI-beren. Ze vragen zich hardop af of de grote boom in AI-investeringen al is gekomen en gegaan, of een groot deel van de marktuitbarsting en uitgaven voor massive AI-trainingsystemen die worden aangedreven door honderden hoge prestatie-GPU’s, zichzelf heeft uitgespeeld, en of de verwachtingen voor de AI-era drastisch moeten worden teruggeschroefd.

Maar als je een nauwere blik werpt op de plannen van de grote hyperscalers, is AI-investering nog steeds springlevend. Meta, Amazon (AMZN ), Microsoft (MSFT ) en Google hebben allemaal onlangs hun inzet voor AI-technologie verdubbeld. Hun collectieve toezegging voor 2025 bedraagt meer dan $300 miljard, volgens een recent artikel in de Financial Times. Microsoft CEO Satya Nadella zei dat Microsoft alleen al $80 miljard kan uitgeven aan AI dit jaar. Meta-oprichter en CEO Mark Zuckerberg zei op Facebook: “We zijn van plan om $60-65 miljard te investeren in kapitaaluitgaven dit jaar, terwijl we onze AI-teams ook aanzienlijk uitbreiden, en we hebben het kapitaal om in de komende jaren te blijven investeren.”

Dit is niet het geluid van een AI-boom die implodeert, maar er is een groeiende onrust over hoeveel geld wordt uitgegeven aan het mogelijk maken van AI-toepassingen. Na minstens twee jaar waarin technologiebedrijven zeiden dat ze een duidelijke vraag zagen naar meer rekenkracht om grote AI-modellen te trainen, is 2025 begonnen met het feit dat deze bedrijven elke dag door de zakenmedia worden aangesproken over het opbouwen van zoveel AI-hype.

Waarom is er zo’n plotselinge verschuiving van hoop naar bezorgdheid? Het antwoord kan deels worden gevonden in de snelle opkomst van een nieuwe AI-toepassing uit China. Maar om volledig te begrijpen wat er echt gebeurt en wat het betekent voor AI-investeringen en technologieprogramma’s in de komende jaren, moeten we erkennen dat de AI-era een nieuwe fase van zijn evolutie ingaat.

Diep zoeken naar de waarheid

Inmiddels weet de hele wereld alles over DeepSeek, het Chinese AI-bedrijf dat beweert dat het inference-motoren en statistische redenering gebruikt om grote taalmodellen veel efficiënter en met minder kosten te trainen dan andere bedrijven hun modellen hebben getraind.

In het bijzonder beweerde DeepSeek dat zijn technieken ervoor zorgden dat het veel minder GPU’s (slechts 2.048 GPU’s) en minder krachtige GPU’s (Nvidia (NVDA ) H800’s) nodig had dan de honderden duizenden premium-prestatie-GPU’s (denk aan Nvidia H100’s) die sommige hyperscale-bedrijven nodig hadden om hun modellen te trainen. Wat betreft de kostenbesparingen, terwijl OpenAI miljarden dollars uitgaf aan het trainen van ChatGPT, zou DeepSeek volgens rapporten zo weinig als $6,5 miljoen hebben uitgegeven om zijn R1-model te trainen.

Het moet worden opgemerkt dat veel deskundigen de uitgavenclaims van DeepSeek in twijfel hebben getrokken, maar de schade was al aangericht, aangezien het nieuws over zijn verschillende methoden een diepe daling van de aandelenkoersen van de hyperscalers en de bedrijven wiens GPU’s ze miljarden hadden uitgegeven om hun AI-modellen te trainen, veroorzaakte.

Echter, een paar belangrijke punten gingen verloren in de chaos. Een daarvan was het begrip dat DeepSeek geen nieuwe manier had uitgevonden om met AI te werken. De tweede is dat een groot deel van de AI-ecosysteem zich al bewust was van een aanstaande verschuiving in hoe AI-investeringsdollars moeten worden uitgegeven en hoe AI zelf in de komende jaren zal worden gebruikt.

Wat betreft de methoden van DeepSeek, is het idee van het gebruik van AI-inferentie-motoren en statistische redenering niets nieuws. Het gebruik van statistische redenering is één aspect van het bredere concept van inferentie-modelredenering, dat inhoudt dat AI in staat is om conclusies te trekken op basis van patroonherkenning. Dit is in wezen vergelijkbaar met de menselijke capaciteit om verschillende manieren te leren om een probleem aan te pakken en ze te vergelijken om de beste mogelijke oplossing te vinden. Inferentie-gebaseerde modelredenering kan vandaag worden gebruikt en is niet exclusief voor een Chinees startup.

Ondertussen was de AI-ecosysteem al enige tijd aan het anticiperen op een fundamentele verandering in hoe we met AI en de benodigde rekenbronnen werken. De eerste jaren van de AI-era zijn allemaal over het grote werk van het trainen van grote AI-modellen op zeer grote datasets, die allemaal veel verwerking, complexe berekeningen, gewichtsaanpassingen en geheugenafhankelijkheid vereisten. Nadat AI-modellen zijn getraind, verandert alles. AI kan inferentie gebruiken om alles wat het heeft geleerd toe te passen op nieuwe datasets, taken en problemen. Inferentie, als een minder rekenintensief proces dan training, vereist niet zo veel GPU’s of andere rekenbronnen.

De uiteindelijke waarheid over DeepSeek is dat, hoewel zijn methoden de meesten van ons in de AI-ecosysteem niet zo veel hebben verrast als het de casual geïnteresseerde aandeelhouders heeft gedaan, het wel een van de manieren heeft benadrukt waarop inferentie centraal zal staan in de volgende fase van de evolutie van AI.

AI: De volgende generatie

De belofte en het potentieel van AI zijn niet veranderd. De aanhoudende massale AI-investeringen door de grote hyperscalers laten zien dat ze vertrouwen hebben in de toekomstige waarde die ze kunnen ontgrendelen met AI, evenals de manieren waarop AI bijna elke industrie kan veranderen en hoe bijna alle mensen hun dagelijks leven leiden.

Wat is veranderd voor die hyperscalers, is hoe die dollars waarschijnlijk zullen worden uitgegeven. In de eerste jaren van de AI-era was de meeste investering noodzakelijkerwijs op training gericht. Als je aan AI denkt als een kind, met een geest die nog in ontwikkeling is, hebben we veel geld uitgegeven om het naar de beste scholen en universiteiten te sturen. Nu is dat kind een opgeleide volwassene – en het moet een baan krijgen om zichzelf te onderhouden. In werkelijke zin hebben we veel geïnvesteerd in het trainen van AI, en nu moeten we de terugverdientijd van die investering zien door AI te gebruiken om nieuwe inkomsten te genereren.

Om deze terugverdientijd te bereiken, moet AI efficiënter en minder duur worden om bedrijven te helpen de marktwaarde en het nut van AI voor zoveel mogelijk toepassingen te maximaliseren. De meest lucratieve nieuwe diensten zullen de autonome diensten zijn die geen menselijke monitoring en beheer vereisen.

Voor veel bedrijven betekent dit het gebruik van resource-efficiënte AI-computingtechnieken, zoals inferentie-modelredenering, om autonome machine-tot-machine-communicatie snel en kostenefficiënt mogelijk te maken. Bijvoorbeeld, in de draadloze industrie kan AI worden gebruikt om autonoom real-time gegevens over spectrumgebruik op een mobiel netwerk te analyseren om kanaalgebruik te optimaliseren en interferentie tussen gebruikers te mitigeren, wat uiteindelijk een mobiele operator in staat stelt om dynamische spectraumdeling over zijn netwerk te ondersteunen. Dit type meer efficiënte, autonome AI-gepowered machine-tot-machine-communicatie zal AI’s volgende generatie definiëren.

Net als bij elke andere grote computerepoque, evolueert AI-computing verder. Als de geschiedenis van de computertechnologie ons iets heeft geleerd, is het dat nieuwe technologie altijd veel voorafgaande investeringen vereist, maar de kosten zullen dalen en de efficiëntie zal toenemen naarmate we beginnen om verbeterde technieken en betere praktijken te gebruiken om meer voordelige en betaalbare producten en diensten te creëren om de grootste mogelijke markten aan te spreken. Innovatie vindt altijd een manier.

De AI-sector mag onlangs een terugslag hebben geleden, als je naar de AI-beren luistert, maar de dollars die de hyperscalers van plan zijn uit te geven dit jaar en het toenemende gebruik van inferentie-gebaseerde technieken vertellen een ander verhaal: AI-computing verandert inderdaad, maar de belofte van AI is volledig intact.