Hvordan AI kan gå bankerott og overleve, akkurat som internettet gjorde

Den pågående dramatiske markedssvingning blant AI-drevne teknologigiganter, med offentlige selskaper som taper mer enn $1 billion i verdi på mindre enn en måned, illustrerer tydelig at verdier er frakoblet fundamentene. Men det virkelige spørsmålet å stille nå er ikke når boblen vil sprenges, men hvordan industrien kan ansvarlig avvikle boblen og forberede seg på AI i fremtiden.

Over de siste årene har AI blitt synonymt med store verdier, ubegrenset skalerbarhet og en følelse av at ingen kan konkurrere med de største aktørene. Men den tekniske virkeligheten har skiftet og peker mot en annen type fremtid for AI: De virkelige pengene ligger ikke i usedvanlig dyre AI-modeller som en dag skal gi avkastning i overskudd. I økende grad vil verdien av AI ligge i hvordan den integreres og brukes til å tjene penger for bedrifter, med tanke på at grensepushende frontier AI-modeller bør bli billigere, ikke dyrere. Singulæritetsmyten er over. Skala alene gir ikke lenger steg-funksjonsgevinster. Utførelse, distribusjon og økosystem teller nå mer enn rå modellstørrelse.

Å justere forventningene til denne nye virkeligheten vil tillate den voksende AI-boblen å sakte avvikle, i stedet for å sprenges og ødelegge økonomien og markedene som dotcom-boblen gjorde for en kvart århundre siden.

På 90-tallet antok teknologibransjen at internettet kunne og ville gjøre alt; og at alt som ble bygget på internettet ville, av natur, lykkes. De hadde feil og boblen sprengte faktisk – men internettet overlevde. Krasjet viste hvordan online-suksess ikke bare var om den underliggende teknologien – internettet – men om evnen til å utvikle smarte og effektive bruksområder, produkter og maskinvare. Internettet vant ikke på protokoller alene. Det vant når nettlesere, innholdsdistribusjonsnettverk og utviklerøkosystemer gjorde det brukbart.

Amazon overlevde og trives fortsatt, mens Pets.com feilet fordi det aldri hadde en lønnsom måte å håndtere frakt av hundemat, en utfordring som ble oversett av den forlokkende ideen om at det ville kunne ha kunder over hele landet takket være internettet.

Det er akkurat der Big AI er i dag, opptatt av drømmer og forventninger om teknologiens fremtidige potensiale. Det er ingen tvil om at det er den mest fantastiske teknologien vi har i dag. Men AI-modeller er bare den underliggende teknologien, ikke svarene selv, og sikkert ikke der pengene og verdien vil forbli. I virkeligheten er transformer- og diffusjonsarkitekturer, som ligger under de fleste generative AI, offentlige; optimaliseringsrammeverk er åpne; beregningskraft er økende tilgjengelig. Barrieren er ikke lenger teoretisk know-how. Det er faget å bygge pålitelige systemer og integrere dem i eksisterende kreative og produksjonsrørledninger som vil bestemme hvem som lykkes. Disse produktene og tjenestene trenger heller ikke lenger at investorer må fremme milliarder av dollar. Jeg vet dette fra min egen erfaring. Vårt team i Jerusalem bygde en åpen kildekode-audiovideo-modell for å lage AI-videor for omtrent en tiendedel av kostnadene til markedets ledere, og som genererer lengre sammenhengende scener, ofte med høyere oppløsning og hastighet. Dette ble oppnådd på omtrent $100 millioner, ikke milliarder. Vår historie viser at moderne AI-fremgang er mindre om hemmelig saus og mer om disiplinert ingeniørarbeid.

Liksom med internettet, vil de som overlever være de som utnytter AI for de beste bruksområdene, maskinvaruapplikasjonene, produktene og tjenestene. Det er sant at hva disse nøyaktig er, er vanskelig å forutsi. Tilbake på begynnelsen av 90-tallet, da folk brukte AOL eller Prodigy, kunne ingen ha forestilt seg Gmail.

Likevel, uten kraften til klarsyn, er det smarte spørsmål å stille underveis for å guide AI-bransjen og dens investorer til å arbeide på en måte som både sakte og gradvis avvikler boblen, samtidig som den bygger ut økonomien i fremtiden.

Investorer, inkludert VCs og pensjonsfondene som øser penger i AI-selskaper, trenger å spørre hva verdi, nøyaktig, som skapes. Milliarder av dollar ble pumpet inn i forskning hos de store teknologiselskapene for å bygge AI som til slutt lett kunne replikeres andre steder. Massive AI-budsjett garanterer ikke unik åndelig eiendom, brukerlås eller forsvarbare økonomi lenger. Nå trenger investorer å vurdere hvordan selskaper bygger, optimaliserer og integrerer modeller i virkelige arbeidsflyter for kunder, og skaper faktiske produkter og tjenester. Investorer bør spørre om målinger som økonomi per arbeidsbyrde når de ser på AI-applikasjoner.

Disse, og ikke bare talentene eller den proprietære naturen til modellen selv, er nøkkel-elementene av verdi. Det er også viktig å forstå verdien av åpne kildekodemodeller. Disse itererer ofte raskere enn lukkede APIer fordi forskere og utviklere kan tilpasse dem lokalt. Denne tilpasningen akselererer til en voll rundt et selskap eller produkt, og hjelper til å garantere profitt og suksess

Både investorer og entreprenører som er bekymret for effektiv bruk av kapital, må trekke seg tilbake og vurdere den virkelige kostnaden av AI og alle relaterte komponenter; disse er ofte oppblåst og høyere enn de trenger å være. Den generelle tilnærmingen bør være at maskinvarekostnader er volatile, så AI-design bør ikke være avhengig av en bestemt enhet eller maskinvare. Verdien og hva som skiller et selskap, er gjennomstrømming per dollar, ikke leverandør-rabatter som favorerer en bestemt type maskinvare. Forsvarlig AI-utgifter ligger nå i infrastruktur-optimiering, proprietær data og integrasjon dybde. Entreprenører med gode ideer for løsninger som omsorgsfullt konstruerer eller bruker modeller med den endelige ytelsen i mente, vil vinne over de som søker massive modeller som kan senere skaleres for forskjellige potensielle bruksområder. En annen fordel er å tilby åpne distribusjonsalternativer for studioer og plattformer som ikke kan avhenge av en fjern API for sanntids-erfaringer.

Policymakers og industrien må også tenke mer logisk om regulering. Fremgangen har vært langsom i disse områdene og fokuserer tungt på frontier-modeller som kjøres på store enheter; dette er ikke lenger en praktisk tilnærming. Momentum er overveldende mot at slike modeller kan kjøres på forbrukerenheter, og gjør regulering av modellene selv umulig. Den åpne kildekoden til mange modeller presenterer en annen formidabel utfordring for den nåværende tilnærmingen til regulering. Igjen er den riktige tilnærmingen å fokusere på distribusjon via applikasjoner og produkter, og utvikle reguleringssystemer rundt disse for ulike industrier, ikke overordnede politikker om modeller. Målet bør være å regulere applikasjoner og sektorer, med standarder for proveniens, sikkerhetsræling i produkter og åpenhet for syntetisk media. Historien fra 90-tallet og tidlig på 2000-tallet holder igjen en visdomsfull lære på dette konseptet: Saken mot den populære musikkdelings-selskapet Napster gjorde ikke fil-delings-teknologien per se — den teknologien vokste bare og ble mye raskere, og ga til slutt plass til strømming – men fokuserte på en plattforms ansvarlige distribusjon av teknologien. (Selv gjennom konkurs, klarte Napster faktisk å holde på som et merke ved å justere hvordan det distribuerte teknologien, og ble kjøpt for over 200 millioner dollar tidligere i år.)

Bunnpunktet er at markedet vil konsolidere seg rundt noen få forente multimodale AI-modeller som kan destilleres for effisiens og tilpasses for ulike bruksområder. Alle interessenter må være mer oppmerksomme på applikasjoner og den faktiske forretningsverdien som AI kan bringe, og ikke tape seg i løftene om modellene selv. Industrien blæser raskere opp enn den skaper verdi. Om dette ender i en dramatisk korreksjon – lignende den tidlige internett-boblen – er åpen for debatt. Men klarhet nå betyr motstandsevne senere.