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

De pågående dramatiske markedssvingningene 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 den virkelige spørsmålet å stille nå er ikke når boblen vil sprenges, men hvordan industrien kan ansvarlig nedblåse 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 enormt dyre AI-modeller som en dag skal gi avkastning i overdimensjonerte avkastninger. Økende, ligger verdien av AI i hvordan den integreres og brukes til å tjene penger for bedrifter, med tanke på at grensepushende AI-modeller bør bli billigere, ikke dyrere. Singulærmyten er over. Skala alene gir ikke lenger stegfunksjonsgevinster. 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 nedblåse, i stedet for å sprenges og ødelegge økonomien og markedene som dotcom-boblen gjorde for en kvart århundre siden.

På 90-tallet antok teknologiindustrien 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 suksess på nettet ikke bare var om den underliggende teknologien – internettet – men om evnen til å utvikle smarte og effektive bruksområder, produkter og maskinvare. Internettet vant ikke bare på grunn av protokollene. 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 hundefor på, en utfordring som ble overseen av den forlokkende ideen om at det ville kunne ha kunder over hele landet på grunn av internettets oppkomst.

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-modellene er bare den underliggende teknologien, ikke svarene selv, og sikkert ikke der pengene og verdien vil forbli. Faktisk er transformer- og diffusjonsarkitekturer, som ligger til grunn for de fleste generative AI, offentlige; optimeringsrammeverk er åpne; beregningskraft er stadig mer tilgjengelig. Barrieren er ikke lenger teoretisk kunnskap. Det er ferdigheten til å bygge pålitelige systemer og integrere dem i eksisterende kreative og produksjonskanaler som vil avgjøre hvem som lykkes. Disse produktene og tjenestene trenger ikke lenger at investorer forhåndsgir milliarder av dollar. Jeg vet dette fra min egen erfaring. Vårt team i Jerusalem bygget 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 for omtrent 100 millioner dollar, ikke milliarder. Vår historie viser at moderne AI-fremgang er mindre om hemmelig saus og mer om disiplinert ingeniørarbeid.

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

Likevel, uten kraften av klarsyn, er det smarte spørsmål å stille underveis for å guide AI-industrien og dens investorer til å arbeide på en måte som både sakte og gradvis nedblåser boblen, samtidig som de bygger ut fremtidens økonomi.

Investorer, inkludert venturekapitalister og pensjonsfond som pumper penger inn i AI-selskaper, må spørre hva slags verdi som faktisk 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. Store AI-budsjett garanterer ikke unik åndseiegendom, brukerlås eller forsvarbare økonomi lenger. Nå må investorer 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 modellens egenskaper eller proprietære natur, er de viktigste verdiene. Det er også viktig å forstå verdien av åpne kildekodemodeller. Disse kan ofte utkonkurrere lukkede APIer fordi forskere og utviklere kan tilpasse dem lokalt. Denne tilpasningen akselerer til en voll rundt et selskap eller produkt, og hjelper til å garantere fortjeneste og suksess

Både investorer og entreprenører som er bekymret for effektiv bruk av kapital, må gå tilbake og vurdere de virkelige kostnadene til AI og alle relaterte komponenter; disse er ofte overvurdert og høyere enn de behøver å være. Den generelle tilnærmingen bør være at maskinkostnadene er volatile, så AI-design bør ikke være avhengig av en bestemt enhet eller maskinvare. Verdien og hva som skiller et selskap, er gjennomstrømning per dollar, ikke leverandør-rabatter som favoriserer en bestemt type maskinvare. Forsvarbarheten av AI-utgifter ligger nå i infrastruktur-optimisering, proprietær data og integrasjonsdybde. Entreprenører med gode ideer for løsninger som omsorgsfullt utformer eller bruker modeller med den endelige ytelsen i mente, vil vinne over de som søker massive modeller som kan skaleres for ulike potensielle bruksområder. En annen fordel er å tilby åpne distribusjonsalternativer for studioer og plattformer som ikke kan avhenge av en fjern API for sanntidsopplevelser.

Policymakers og industrien må også tenke mer logisk om regulering. Fremgangen har vært langsom i disse områdene og fokuserer tungt på grensemodeller 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 opphav, sikkerhetsrailer 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 musikkdelingselskapet Napster begrenset ikke fil-delings-teknologien i seg selv — den teknologien vokste bare og ble mye raskere, og ga til slutt vei for 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 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 taper seg i modellenes løfter. Industrien inflaterer raskere enn den skaper verdi. Om dette ender i en dramatisk korreksjon – lik den tidlige internett-boblen – er åpen for debatt. Men klarhet nå betyr motstandsevne senere.