AI-boomen brøt ikke sammen, men AI-regnskaping endrer seg definitivt

Vær ikke for redd for AI-bjørnene. De undrer seg høyt over om den store boomen i AI-investeringer allerede har kommet og gått, om mye markedsspenning og utgifter til massive AI-treningsystemer drevet av mange høytytende GPU-er har spilt seg ut, og om forventningene til AI-æraen bør radikalt skaleres ned.

Men hvis du tar en nærmere titt på planene til de store hyperskalerne, er AI-investeringen levende og vel. Meta, Amazon (AMZN ), Microsoft (MSFT ) og Google har alle nylig doblet ned på å investere i AI-teknologi. Deres kollektive forpliktelse for 2025 utgjør over 300 milliarder dollar, ifølge en nylig artikkel i Financial Times. Microsofts CEO Satya Nadella sa at Microsoft kunne bruke 80 milliarder dollar alene på AI i år. Meta-grunnlegger og CEO Mark Zuckerberg sa på Facebook: “Vi planlegger å investere 60-65 milliarder dollar i kapitalutgifter i år, samtidig som vi øker våre AI-lag betydelig, og vi har kapitalen til å fortsette å investere i årene som kommer.”

Dette er ikke lyden av en AI-boom som går bankrupt, men det har vært en økende uro om hvor mye penger som brukes på å muliggjøre AI-applikasjoner. Etter minst to år med teknologigigantene som sa at de så et tydelig etterspørsel etter mer databehandlingskraft for å hjelpe med å trene store AI-modeller, har 2025 begynt med at disse samme selskapene blir kalt på teppet daglig av forretningsmedier for å bygge opp så mye AI-hype.

Hvorfor har det vært en så plutselig skifte fra håp til bekymring? Svaret kan finnes delvis i den raske oppblomstringen av en ny AI-applikasjon fra Kina. Men for å fullt forstå hva som virkelig skjer, og hva det betyr for AI-investeringer og teknologiprogrammer i årene som kommer, må vi erkjenne at AI-æraen går inn i en ny fase av sin utvikling.

DeepSeeking the Truth

Verden kjenner nå til DeepSeek, det kinesiske AI-selskapet som hevder å ha brukt inferensmotorer og statistisk resonnering til å trene store språkmodeller mye mer effektivt og med mindre kostnader enn andre selskaper har trent sine modeller.

Spesifikt hevdet DeepSeek at deres metoder resulterte i at de trengte langt færre GPU-er (så få som 2048 GPU-er), samt mindre kraftfulle GPU-er (Nvidia (NVDA ) H800) enn de hundredtusener av premium-ytelse GPU-er (tenk Nvidia H100) som noen hyperskale-selskaper har trengt for å trene sine modeller. I terms of kostnadsbesparelse, mens OpenAI brukte milliarder av dollar på å trene ChatGPT, skal DeepSeek ifølge rapporter ha brukt så lite som 6,5 millioner dollar for å trene sin R1-modell.

Det bør bemerkes at mange eksperter har tvilt på DeepSeeks påstander om utgifter, men skaden var allerede gjort, da nyheten om deres forskjellige metoder drev en dypt fall i aksjeverdiene til hyperskalerne og selskapene hvis GPU-er de har brukt milliarder av dollar på for å trene sine AI-modeller.

Likevel ble noen viktige punkter tapt i kaoset. Det ene var en forståelse av at DeepSeek ikke “oppfant” en ny måte å arbeide med AI på. Det andre er at mye av AI-økosystemet har vært godt klar over en forestående skifte i hvordan AI-investeringsdollarene må brukes, og hvordan AI selv vil bli brukt i årene som kommer.

Vedrørende DeepSeeks metoder, er ideen om å bruke AI-inferensmotorer og statistisk resonnering ikke ny. Bruken av statistisk resonnering er ett aspekt av den bredere konseptet om inferensmodell-resonnering, som innebærer at AI kan trekke slutninger basert på mønsterkjennelse. Dette er essensielt lik den menneskelige evnen til å lære forskjellige måter å nærme seg et problem og sammenligne dem for å finne den beste mulige løsningen. Inferensbasert modell-resonnering kan brukes i dag og er ikke eksklusiv for et kinesisk startup.

I mellomtiden har AI-økosystemet for en stund allerede vært klar over en grunnleggende endring i hvordan vi arbeider med AI og de nødvendige databehandlingsresursene. De første årene av AI-æraen har vært all about det store arbeidet med å trene store AI-modeller på svært store datamengder, som alle har krevd mye prosessering, komplekse beregninger, vektjusteringer og minneavhengighet. Etter at AI-modellene er trenet, endrer ting seg. AI kan bruke inferens til å anvende alt det har lært på nye datamengder, oppgaver og problemer. Inferens, som en mindre databehandlingsintens prosess enn trening, krever ikke like mange GPU-er eller andre databehandlingsresurser.

Den ultimate sannheten om DeepSeek er at mens deres metoder ikke sjokkerte de fleste av oss i AI-økosystemet like mye som det gjorde for casualt interesserte aksjemarkedsinvestorer, har det høylysning en av måtene hvorpå inferens vil være kjernen i den neste fasen av AI-utviklingen.

AI: Den neste generasjonen

Løftet og potensialet til AI har ikke endret seg. De pågående massive AI-investeringene fra de store hyperskalerne viser troen de har på den fremtidige verdien de kan låse opp fra AI, samt måtene AI kan endre hvordan nesten alle industrier fungerer, og hvordan nesten alle mennesker går omkring i sine daglige liv.

Hva som har endret seg for disse hyperskalerne, er hvordan disse dollarene sannsynligvis vil bli brukt. I de første årene av AI-æraen, var de fleste investeringene nødvendigvis på trening. Hvis du tenker på AI som et barn, med en hjjerne som fortsatt er under utvikling, har vi brukt mye penger på å sende det til de beste skolene og universitetene. Nå er barnet en utdannet voksen – og det trenger å få en jobb for å støtte seg selv. I virkeligheten betyr dette at vi har investert mye i å trene AI, og nå må vi se avkastningen på denne investeringen ved å bruke AI til å generere ny inntekt.

For å oppnå denne avkastningen, må AI bli mer effektivt og mindre kostbart for å hjelpe selskaper å maksimere sin markedstiltrekning og nytten for så mange applikasjoner som mulig. De mest lukrative nye tjenestene vil være de autonome som ikke krever menneskelig overvåking og styring.

For mange selskaper betyr dette å utnytte ressurs-effektive AI-databehandlingsteknikker, som f.eks. inferensmodell-resonnering, for å raskt og kostnadseffektivt muliggjøre autonome maskin-til-maskin-kommunikasjoner. For eksempel, i trådløs industri, kan AI brukes til å autonome analysere sanntidsdata om spektrumbruk på et mobilnett for å optimere kanalbruk og minimere interferens mellom brukere, noe som til slutt tillater en mobiloperatør å støtte mer dynamisk spektrumdeling over hele nettverket. Dette typen mer effektiv, autonom AI-drevet maskin-til-maskin-kommunikasjon vil definere AI-s next generasjon.

Som har vært tilfelle med hver annen stor databehandlingsæra, fortsetter AI-databehandling å utvikle seg. Hvis historien om databehandling har lært oss noe, er det at ny teknologi alltid krever mye oppfront-investering, men kostnadene vil gå ned og effektiviteten vil gå opp når vi begynner å utnytte forbedrede teknikker og bedre praksis for å skape mer benefiske og rimelige produkter og tjenester for å tiltrekke seg de største mulige markedene. Innovasjon finner alltid en måte.

AI-sektoren kan ha syntes å lide et tilbakeslag hvis du lytter til AI-bjørnene, men dollarene hyperskalerne planlegger å bruke i år og den økende bruken av inferensbaserte tekniker forteller en annen historie: AI-databehandling endrer seg faktisk, men AI-løftet er fullstendig intakt.

Ovrasjon alltid finner en måte. AI-sektoren kan ha syntes å lide et tilbakeslag hvis du lytter til AI-bjørnene, men dollarene hyperskalerne planlegger å bruke i år og den økende bruken av inferensbaserte tekniker forteller en annen historie: AI-databehandling endrer seg faktisk, men AI-løftet er fullstendig intakt.