Trillion-Dollarowy Problem Sztucznej Inteligencji

Wchodząc w rok 2025, sektor sztucznej inteligencji stoi u ważnego punktu zwrotnego. Chociaż branża nadal przyciąga bezprecedensowe poziomy inwestycji i uwagi – szczególnie w obszarze generatywnej sztucznej inteligencji – kilka podstawowych dynamik rynkowych wskazuje, że w nadchodzącym roku możemy spodziewać się znaczących zmian w krajobrazie sztucznej inteligencji.

W oparciu o moje doświadczenie w prowadzeniu startupu sztucznej inteligencji i obserwowanie szybkiej ewolucji branży, uważam, że ten rok przyniesie wiele podstawowych zmian: od dużych modeli pojęciowych (LCM), które mają szansę stać się poważnymi konkurentami dla dużych modeli językowych (LLM), po rozwój specjalistycznego sprzętu sztucznej inteligencji, aż po rozpoczęcie przez duże firmy technologiczne budowy infrastruktury sztucznej inteligencji, co w końcu pozwoli im konkurować z startupami takimi jak OpenAI i Anthropic – i może nawet zabezpieczyć ich monopol na sztuczną inteligencję.

Unikalne Wyzwanie Firm Sztucznej Inteligencji: Nie Oprogramowanie, Nie Sprzęt

Podstawowy problem leży w tym, jak firmy sztucznej inteligencji działają w dotychczas niewidzianej przestrzeni pomiędzy tradycyjnymi firmami oprogramowania i sprzętu. W przeciwieństwie do czystych firm oprogramowania, które głównie inwestują w kapitał ludzki z relatywnie niskimi wydatkami operacyjnymi, lub firm sprzętu, które dokonują długoterminowych inwestycji kapitałowych z wyraźnymi ścieżkami do zwrotu, firmy sztucznej inteligencji stają w obliczu unikalnej kombinacji wyzwań, które sprawiają, że ich obecne modele finansowania są niepewne.

Te firmy wymagają ogromnych wydatków początkowych na klaster GPU i infrastrukturę, wydając 100-200 milionów dolarów rocznie tylko na zasoby obliczeniowe. Jednak w przeciwieństwie do firm sprzętu, nie mogą one amortyzować tych inwestycji w dłuższych okresach. Zamiast tego działają w skompresowanych dwuletnich cyklach pomiędzy rundami finansowania, każdy raz potrzebując udowodnić wykładniczy wzrost i najnowocześniejszą wydajność, aby uzasadnić ich następną wycenę.

Problem Różnicowania LLM

Dodając do tego strukturalnego wyzwania, pojawia się niepokojąca tendencja: szybka konwergencja możliwości dużych modeli językowych (LLM). Startupy, takie jak francuski startup Mistral AI, i inne, udowodniły, że modele open-source mogą osiągnąć wyniki porównywalne do ich zamkniętych odpowiedników, ale techniczne różnicowanie, które wcześniej uzasadniało wysokie wyceny, staje się coraz trudniejsze do utrzymania.

Innymi słowy, podczas gdy każdy nowy LLM chwali się imponującą wydajnością na podstawie standardowych benchmarków, naprawdę znacząca zmiana w podstawowej architekturze modelu nie ma miejsca.

Obecne ograniczenia w tym obszarze wynikają z trzech krytycznych obszarów: dostępności danych, ponieważ wyczerpujemy się z wysokiej jakości materiału szkoleniowego (jak potwierdził niedawno Elon Musk); metod kuracji, ponieważ wszystkie przyjmują podobne podejścia z wykorzystaniem opinii ludzi, zapoczątkowane przez OpenAI; oraz architektury obliczeniowej, ponieważ polegają one na tym samym ograniczonym puli specjalistycznego sprzętu GPU.

To, co się pojawia, to wzorzec, w którym zyski coraz częściej pochodzą z wydajności, a nie skali. Firmy koncentrują się na kompresowaniu większej wiedzy w mniejszą liczbę tokenów i rozwijaniu lepszych artefaktów inżynierskich, takich jak systemy odzyskiwania, jak graficzne RAG (retrieval-augmented generation). Podstawowo, zbliżamy się do naturalnego pułapu, w którym rzucanie większych zasobów na problem daje malejące zwroty.

Ze względu na bezprecedensowy tempa innowacji w ciągu ostatnich dwóch lat, ta konwergencja możliwości LLM następuje szybciej, niż ktokolwiek przewidywał, tworząc wyścig z czasem dla firm, które pozyskały fundusze.

Na podstawie najnowszych trendów badawczych, następny front w rozwiązaniu tego problemu to pojawienie się dużych modeli pojęciowych (LCM) jako nowej, przełomowej architektury konkurującej z LLM w ich podstawowym obszarze, którym jest zrozumienie języka naturalnego (NLP).

Technicznie rzecz biorąc, LCM będą posiadać kilka zalet, w tym potencjał lepszej wydajności z mniejszą liczbą iteracji i możliwość osiągnięcia podobnych wyników z mniejszymi zespołami. Uważam, że te następne LCM zostaną opracowane i skomercjalizowane przez spin-offowe zespoły, słynne ‘ex-big tech’ pionierów zakładających nowe startupy, aby przewodzić tej rewolucji.

Niepasujący Się Czas Monetyzacji

Skompresowanie cykli innowacji stworzyło kolejny krytyczny problem: niepasujący się czas pomiędzy czasem wejścia na rynek a trwałą monetyzacją. Podczas gdy widzimy bezprecedenską szybkość w wertykalizacji aplikacji sztucznej inteligencji – z agentami głosowymi, na przykład, przechodzącymi od koncepcji do produktów generujących przychody w zaledwie kilka miesięcy – ta szybka komercjalizacja maskuje głębszy problem.

Rozważmy to: startup sztucznej inteligencji wyceniany na 20 miliardów dolarów dziś będzie prawdopodobnie musiał wygenerować około 1 miliarda dolarów rocznego przychodu w ciągu 4-5 lat, aby uzasadnić wejście na giełdę przy rozsądnym mnożniku. To wymaga nie tylko doskonałości technologicznej, ale także dramatycznej transformacji całego modelu biznesowego, od skupionego na badaniach i rozwoju do ukierunkowanego na sprzedaż, przy jednoczesnym utrzymaniu tempa innowacji i zarządzaniu ogromnymi kosztami infrastruktury.

W tym sensie nowe startupy skupione na LCM, które pojawią się w 2025 roku, będą lepiej pozycjonowane, aby pozyskać fundusze, z niższymi wstępnymi wyceniami, co sprawi, że staną się bardziej atrakcyjnymi celami dla inwestorów.

Brak Sprzętu i Pojawiające Się Alternatywy

Zajmijmy się bliżej infrastrukturą. Dziś każdy nowy klaster GPU jest kupowany, zanim jeszcze zostanie zbudowany, przez duże graczy, zmuszając mniejsze podmioty do zobowiązania się do długoterminowych umów z dostawcami chmury lub ryzykowania wykluczenia z rynku.

Jednakże to, co jest naprawdę interesujące, to fakt, że podczas gdy wszyscy walczą o GPU, nastąpiła fascynująca zmiana w pejzażu sprzętu, która jest wciąż w dużej mierze pomijana. Obecna architektura GPU, zwana GPGPU (General Purpose GPU), jest niezwykle niewydajna dla tego, czego większość firm potrzebuje w produkcji. To jak używanie superkomputera do uruchomienia aplikacji kalkulatora.

To dlatego wierzę, że specjalistyczny sprzęt sztucznej inteligencji będzie następną dużą zmianą w naszej branży. Firmy, takie jak Groq i Cerebras (CBRS ), budują sprzęt inferencyjny, który jest 4-5 razy tańszy w eksploatacji niż tradycyjne GPU. Tak, jest wyższy koszt inżynierski na początku, aby zoptymalizować modele dla tych platform, ale dla firm prowadzących duże obciążenia inferencyjne, zyski z wydajności są wyraźne.

Gęstość Danych i Wzrost Mniejszych, Inteligentniejszych Modeli

Przechodząc do następnego obszaru innowacji w sztucznej inteligencji, prawdopodobnie wymaga to nie tylko większej mocy obliczeniowej – szczególnie dla dużych modeli, takich jak LCM – ale także bogatszych, bardziej kompleksowych zbiorów danych.

Interesujące jest to, że mniejsze, bardziej wydajne modele zaczynają wyzwaniać większe, wykorzystując gęstość, z jaką są szkolone na dostępnych danych. Na przykład, modele takie jak FeeFree od Microsoftu lub Gema2B od Google, działają z znacznie mniej parametrów – często około 2 do 3 miliardów – a jednak osiągają poziomy wydajności porównywalne do znacznie większych modeli z 8 miliardami parametrów.

Te mniejsze modele stają się coraz bardziej konkurencyjne dzięki wysokiej gęstości danych, co sprawia, że są one solidne, pomimo swojego rozmiaru. Ta tendencja ku kompaktowym, a jednocześnie potężnym modelom, jest zgodna ze strategicznymi zaletami, które posiadają firmy takie jak Microsoft (MSFT ) i Google: dostęp do ogromnych, zróżnicowanych zbiorów danych za pośrednictwem platform takich jak Bing i Google Search.

Ta dynamika ujawnia dwie krytyczne “wojny” rozwijające się w rozwoju sztucznej inteligencji: jedną nad mocą obliczeniową i drugą nad danymi. Podczas gdy zasoby obliczeniowe są niezbędne do przesunięcia granic, gęstość danych staje się równie – jeśli nie bardziej – krytyczna. Firmy z dostępem do ogromnych zbiorów danych są unikalnie pozycjonowane, aby trenować mniejsze modele z niezrównaną wydajnością i solidnością, umacniając swoją dominację w ewoluującym pejzażu sztucznej inteligencji.

Kto Wygra Wojnę Sztucznej Inteligencji?

W tym kontekście, każdy lubi się zastanawiać, kto w obecnej sytuacji sztucznej inteligencji jest najlepiej pozycjonowany, aby wyjść zwycięzcą. Oto kilka myśli.

Duże firmy technologiczne pre-purchased całe klastry GPU przed ich budową, tworząc środowisko niedoboru dla mniejszych graczy. Zamówienie Oracle na ponad 100 000 GPU i podobne ruchy Meta i Microsoft ilustrują tę tendencję.

Inwestując setki miliardów w inicjatywy sztucznej inteligencji, te firmy wymagają tysięcy specjalistów i badaczy sztucznej inteligencji. To tworzy bezprecedensowy popyt na talent, który może być zaspokojony tylko przez strategiczne przejęcia – co prawdopodobnie spowoduje, że wiele startupów zostanie wchłoniętych w nadchodzących miesiącach.

Podczas gdy 2025 rok będzie spędzony na dużych R&D i budowie infrastruktury dla takich podmiotów, do 2026 roku będą one w stanie uderzyć jak nigdy wcześniej dzięki nieporównywalnym zasobom.

To nie oznacza, że mniejsze firmy sztucznej inteligencji są skazane – wręcz przeciwnie. Branża będzie nadal innowować i tworzyć wartość. Niektóre kluczowe innowacje w sektorze, takie jak LCM, prawdopodobnie będą prowadzone przez mniejsze, wschodzące podmioty w nadchodzącym roku, obok Meta, Google/Alphabet (GOOG ) i OpenAI z Anthropic, wszystkie z których pracują nad interesującymi projektami w tej chwili.

Jednakże, prawdopodobnie zobaczymy fundamentalną reorganizację, w jaki sposób firmy sztucznej inteligencji są finansowane i wyceniane. Podczas gdy kapitał venture staje się bardziej dyskryminujący, firmy będą musiały udowodnić wyraźne ścieżki do zrównoważonej ekonomiki jednostkowej – szczególny wyzwanie dla firm open-source konkurujących z dobrze wyposażonymi alternatywami własnościowymi.

Dla firm sztucznej inteligencji open-source konkretnie, droga do przodu może wymagać skupienia się na konkretnych aplikacjach wertykalnych, w których ich przejrzystość i możliwości dostosowywania zapewniają wyraźne przewagi nad rozwiązaniami własnościowymi.