Czy modele AI stają się towarami?

Prezes Microsoft (MSFT ), Satya Nadella, wywołał niedawno debatę, sugerując, że zaawansowane modele AI są na drodze do komodyfikacji. W podcaście Nadella zauważył, że modele podstawowe stają się coraz bardziej podobne i powszechnie dostępne, do tego stopnia, że „same modele nie są wystarczające” do utrzymania trwałej przewagi konkurencyjnej. Wskazał, że OpenAI – pomimo swoich najnowocześniejszych sieci neuronowych – „nie jest firmą modelową, ale firmą produkcyjną, która posiada fantastyczne modele”, podkreślając, że prawdziwa przewaga pochodzi z budowania produktów wokół modeli.

Innymi słowy, posiadanie najbardziej zaawansowanego modelu nie gwarantuje już przewodnictwa na rynku, ponieważ jakakolwiek przewaga wydajnościowa może być krótkotrwała wobec szybkiego tempa innowacji w dziedzinie AI.

Perspektywa Nadelli ma znaczenie w branży, w której giganci technologiczni rywalizują o szkolenie coraz większych modeli. Jego argument sugeruje zmianę focusu: zamiast obsesji na temat supremacji modelu, firmy powinny skierować energię na integrację AI z „pełnym stosiem systemów i udanymi produktami”.

To odzwierciedla szerszy sentyment, że dzisiejsze przełomy w dziedzinie AI szybko stają się jutrzejszymi cechami podstawowymi. W miarę jak modele stają się bardziej standaryzowane i dostępne, uwaga przenosi się na to, jak AI jest stosowana w usługach świata rzeczywistego. Firmy takie jak Microsoft i Google (GOOGL ), z ogromnymi ekosystemami produktów, mogą być najlepiej przygotowane do wykorzystania tego trendu komodyfikacji AI, włączając modele w łatwe w użyciu oferty.

Poszerzanie dostępu i modele otwarte

Niedawno tylko garstka laboratoriów mogła budować modele AI najnowszej generacji, ale ta ekskluzywność zanika szybko. Możliwości AI stają się coraz bardziej dostępne dla organizacji i nawet osób fizycznych, napędzając pomysł, że modele są towarami. Badacz AI, Andrew Ng, już w 2017 roku porównywał potencjał AI do „nowej elektryczności”, sugerując, że tak jak elektryczność stała się powszechnym towarem podtrzymującym życie nowoczesne, modele AI mogą stać się podstawowymi usługami dostępnymi od wielu dostawców.

Niedawne rozpowszechnienie modeli open-source przyspieszyło ten trend. Meta (firmą macierzystą Facebooka), na przykład, wywołała falę, udostępniając potężne modele językowe, takie jak LLaMA, otwarcie badaczom i deweloperom bezpłatnie. Powodem jest strategia: udostępniając AI, Meta może pobudzić szersze przyjęcie i uzyskać wkład społeczności, jednocześnie podcinając przewagę konkurentów. I jeszcze bardziej niedawno, świat AI wybuchł wraz z wydaniem chińskiego modelu DeepSeek.

W dziedzinie generacji obrazu, model Stable Diffusion firmy Stability AI pokazał, jak szybko przełom może stać się towarem: w ciągu kilku miesięcy od jego otwartego wydania w 2022 roku, stał się znany w generatywnej AI, dostępny w niezliczonej liczbie aplikacji. W rzeczywistości, ekosystem open-source wybucha – istnieją dziesiątki tysięcy modeli AI dostępnych publicznie w repozytoriach takich jak Hugging Face.

To powszechność oznacza, że organizacje nie muszą już wybierać między płaceniem za tajny model jednego dostawcy a niczym. Zamiast tego, mogą wybierać spośród menu modeli (otwartych lub komercyjnych) lub nawet dostosowywać własne, podobnie jak wybór towarów z katalogu. Ogromna liczba opcji jest silnym wskaźnikiem, że zaawansowane AI stają się powszechnie dostępnym zasobem, a nie ściśle strzeżoną przywilejem.

Olbrzymy chmury zmieniają AI w usługę użyteczności publicznej

Główni dostawcy chmury byli kluczowymi katalizatorami – i napędzającymi – komodyfikacji AI. Firmy takie jak Microsoft, Amazon (AMZN ) i Google oferują modele AI jako usługi na żądanie, podobne do usług dostarczanych przez chmurę. Nadella zauważył, że „modele są komodyfikowane w [chmurze]”, podkreślając, jak chmura sprawia, że potężne AI są powszechnie dostępne.

Rzeczywiście, chmura Azure firmy Microsoft ma partnerstwo z OpenAI, pozwalające każdemu deweloperowi lub firmie skorzystać z GPT-4 lub innych najlepszych modeli za pomocą wywołania API, bez budowania własnego AI od podstaw. Usługi Amazon Web Services (AWS) poszły o krok dalej z platformą Bedrock, która działa jako rynek modeli. Platforma AWS Bedrock oferuje wybór modeli podstawowych z wielu wiodących firm AI – od modeli Amazonu po modele Anthropic, AI21 Labs, Stability AI i innych – wszystkie dostępne za pośrednictwem jednej usługi zarządzanej.

Ten „wiele modeli, jedna platforma” podejście ilustruje komodyfikację: klienci mogą wybrać model, który odpowiada ich potrzebom, i przełączyć się na innego dostawcę z względnie łatwością, tak jakby robili zakupy w sklepie z towarami.

W praktyce oznacza to, że firmy mogą polegać na platformach chmury, aby zawsze mieć dostęp do najnowocześniejszych modeli, podobnie jak energia elektryczna z sieci – i jeśli nowy model zyska popularność (np. przełom startupu), chmura szybko zaoferuje go.

Różnicowanie poza samym modelem

Jeśli każdy ma dostęp do podobnych modeli AI, jak firmy AI różnicują się? To jest sedno debaty na temat komodyfikacji. Konsensus wśród liderów branży jest taki, że wartość będzie leżała w zastosowaniu AI, a nie tylko w algorytmie. Własna strategia OpenAI odzwierciedla tę zmianę. Focus firmy w ostatnich latach koncentrował się na dostarczaniu wykończonego produktu (ChatGPT i jego API) oraz ekosystemu ulepszeń – takich jak usługi dostosowywania, wtyczki i interfejsy użytknika – zamiast po prostu wydania surowego kodu modelu.

W praktyce oznacza to oferowanie niezawodnej wydajności, opcji dostosowywania i narzędzi deweloperskich wokół modelu. Podobnie, zespoły DeepMind i Brain w Google, obecnie część Google DeepMind, kierują swoje badania do produktów Google, takich jak wyszukiwarka, aplikacje biurowe i interfejsy API chmury – wbudowując AI, aby uczynić te usługi bardziej inteligentnymi. Techniczna złożoność modelu jest oczywiście ważna, ale Google wie, że użytkownicy naprawdę dbają o doświadczenia umożliwione przez AI (lepsza wyszukiwarka, bardziej pomocny asystent cyfrowy itp.), a nie nazwę lub rozmiar modelu.

Widzimy również, jak firmy różnicują się poprzez specjalizację. Zamiast jednego modelu, który wszystko ogarnia, niektóre firmy AI budują modele dostosowane do konkretnych dziedzin lub zadań, gdzie mogą twierdzić, że mają lepszą jakość, nawet w komodyfikowanym krajobrazie. Na przykład, istnieją startupy AI, które koncentrują się wyłącznie na diagnostyce medycznej, finansach lub prawie – obszarach, w których własne dane i doświadczenie w dziedzinie mogą dać lepszy model dla tej niszy niż system ogólnego przeznaczenia. Te firmy wykorzystują dostosowywanie otwartych modeli lub mniejsze modele na zamówienie, połączone z własnymi danymi, aby wyróżnić się.

Interfejs ChatGPT i kolekcja specjalistycznych modeli (Unite AI/Alex McFarland)

Inna forma różnicowania to wydajność i koszt. Model, który dostarcza równą wydajność przy ułamku kosztu obliczeniowego, może być przewagą konkurencyjną. To zostało podkreślone przez pojawienie się modelu R1 DeepSeek, który miał za zadanie dopasować niektóre możliwości GPT-4 OpenAI z kosztem szkolenia poniżej 6 milionów dolarów, znacznie poniżej szacowanych 100+ milionów dolarów wydanych na GPT-4. Taki zysk wydajności sugeruje, że podczas gdy wyniki różnych modeli mogą stać się podobne, jeden dostawca może wyróżnić się, osiągając te wyniki taniej lub szybciej.

Wreszcie, jest wyścig do budowy lojalności użytkowników i ekosystemów wokół usług AI. Gdy firma głęboko integruje konkretny model AI ze swoim workflow (z niestandardowymi podpowiedziami, integracjami i dostosowanymi danymi), przełączenie na inny model nie jest bezproblemowe. Dostawcy takie jak OpenAI, Microsoft i inni starają się zwiększyć tę trwałość, oferując kompleksowe platformy – od SDK deweloperskich po rynki wtyczek AI – które czynią ich AI bardziej rozwiązaniem pełnego stosu niż towarem, który można zamienić.

Firmy przenoszą się w górę łańcucha wartości: gdy sam model nie jest already, różnicowanie pochodzi z wszystkiego, co otacza model – danych, doświadczenia użytkownika, specjalistycznej wiedzy i integracji z istniejącymi systemami.

Ekonomiczne efekty falowe komodyfikacji AI

Komodyfikacja modeli AI niesie znaczące implikacje ekonomiczne. W krótkim terminie, napędza ona spadek kosztów zdolności AI. Z wieloma konkurentami i otwartymi alternatywami, ceny usług AI są w spiralnej zniżki, przypominającej klasyczne rynki towarowe.

W ciągu ostatnich dwóch lat OpenAI i inni dostawcy znacznie obniżyli ceny dostępu do modeli językowych. Na przykład, cena tokenów OpenAI dla serii GPT spadła o ponad 80% od 2023 do 2024 roku, co przypisuje się zwiększonej konkurencji i zyskom wydajności.

Podobnie, nowi uczestnicy oferujący tańsze lub otwarte modele zmuszają dotychczasowych liderów do oferowania więcej za mniej – czy to poprzez bezpłatne wersje, wydania open-source, czy oferty pakietowe. To jest dobra wiadomość dla konsumentów i firm, które przyjmują AI, ponieważ zaawansowane możliwości stają się coraz bardziej przystępne. Oznacza to również, że technologia AI rozprzestrzenia się szybciej w całej gospodarce: gdy coś staje się tańsze i bardziej standaryzowane, więcej branż włącza je, napędzając innowacje (podobnie jak tanie, komodyfikowane sprzęt komputerowy w latach 2000. doprowadziło do eksplozji oprogramowania i usług internetowych).

Już teraz obserwujemy falę przyjęcia AI w sektorach takich jak obsługa klienta, marketing i operacje, napędzaną przez łatwo dostępne modele i usługi. Szeroka dostępność może więc rozszerzyć cały rynek rozwiązań AI, nawet jeśli marże zysku na samych modelach maleją.

Ekonomiczna dynamika komodyfikacji AI (Unite AI/Alex McFarland)

Jednak komodyfikacja może również zmienić krajobraz konkurencyjny w sposób wyzywający. Dla ustanowionych laboratoriów AI, które zainwestowały miliardy w rozwój modeli na czele, perspektywa, że te modele dadzą tylko przejściową przewagę, podnosi pytania o zwrot z inwestycji. Mogą one musieć dostosować swoje modele biznesowe – na przykład, koncentrując się na usługach przedsiębiorstw, przewagach danych własnościowych lub produktach subskrypcyjnych zbudowanych na podstawie modeli, zamiast sprzedaży samych API.

Istnieje również element wyścigu zbrojeń: gdy każdy przełom w wydajności jest szybko spotkany lub przewyższony przez innych (lub nawet przez społeczności open-source), okno na zarobienie pieniędzy na nowym modelu zwęża się. To napędza firmy do poszukiwania alternatywnych fortyfikacji ekonomicznych. Jedną z takich fortyfikacji jest integracja z danymi własnościowymi (które nie są komodyfikowane) – AI dostosowane do danych własnych firmy mogą być bardziej wartościowe dla tej firmy niż jakikolwiek model zewnętrzny.

Inna jest cecha regulacyjna lub zgodności, gdzie dostawca może oferować modele z gwarantowaną prywatnością lub zgodnością dla użytku przedsiębiorstw, różnicując się w sposób wykraczający poza surową technologię. W skali makro, jeśli podstawowe modele AI staną się tak powszechne jak bazy danych lub serwery sieciowe, możemy zaobserwować zmianę, w której usługi wokół AI (hosting w chmurze, konsulting, dostosowania, konserwacja) staną się głównymi generatorami przychodu. Już teraz dostawcy chmury korzystają na wzroście popytu na infrastrukturę obliczeniową (procesory, karty graficzne itp.) do uruchomienia wszystkich tych modeli – trochę jak firma użyteczności publicznej korzysta na zużyciu, nawet jeśli urządzenia są komodyfikowane.

W istocie, ekonomia AI może odzwierciedlać ekonomię innych towarów IT: niższe koszty i większy dostęp napędzają powszechne użycie, tworząc nowe możliwości zbudowane na warstwie komodyfikowanej, nawet jeśli dostawcy tej warstwy stają twarzą w twarz z mniejszymi marżami i potrzebą innowacji lub różnicowania gdzie indziej.