Jak AI może zbankrutować i przetrwać, podobnie jak Internet

Trwające dramatyczne wahania rynkowe wśród firm technologicznych napędzanych przez AI, z publicznymi firmami, które straciły więcej niż 1 bilion dolarów w wartości w ciągu mniej niż miesiąca, wyraźnie pokazują, że wyceny są odłączone od fundamentów. Jednak prawdziwe pytanie, które należy zadać teraz, to nie kiedy pęcherz pęknie, ale jak branża może odpowiedzialnie rozładować pęcherz i przygotować się do AI przyszłości.

W ciągu ostatnich kilku lat AI stało się synonimem dużych wycen, nieograniczonej skalowalności i poczucia, że nikt nie może konkurować z największymi graczami. Ale techniczna rzeczywistość uległa zmianie i wskazuje na inny typ przyszłości dla AI: Prawdziwe pieniądze nie leżą w ogromnie drogich modelach AI, które pewnego dnia przyniosą ogromne zwroty. Coraz bardziej, wartość AI będzie polegać na tym, jak jest ona integrowana i wykorzystywana do generowania zysków dla firm, biorąc pod uwagę, że modele AI powinny być tanie, a nie drogie. Mit o singularności jest skończony. Skalowalność sama w sobie nie daje już skokowych zysków. Wykonanie, dystrybucja i ekosystem mają teraz większe znaczenie niż surowa wielkość modelu.

Dostosowanie oczekiwań do nowej rzeczywistości pozwoli na stopniowe rozładowanie rosnącego pęcherza AI, zamiast na jego gwałtowny pęknięcie, które mogłoby spowodować chaos w gospodarce i rynkach finansowych, podobnie jak pęknięcie bańki internetowej przed kwartałem wieku temu.

W latach 90. branża technologiczna założyła, że Internet może i będzie mógł zrobić wszystko; i że wszystko, co zostało zbudowane na Internecie, będzie miało sukces. Byli w błędzie, a pęcherz rzeczywiście pękł – ale Internet przetrwał. Krach pokazał, że sukces w sieci nie był tylko kwestią podstawowej technologii – Internetu – ale umiejętnością tworzenia inteligentnych i skutecznych przypadków użycia, produktów i sprzętu. Internet nie wygrał tylko dzięki protokołom. Wygrał, gdy przeglądarki, sieci dostarczania treści i ekosystemy deweloperskie uczyniły go użytecznym.

Amazon przetrwał i nadal prosperuje, podczas gdy Pets.com nie powiódł się, ponieważ nie miał opłacalnego sposobu na obsługę wysyłki swojego jedzenia dla psów, wyzwania, które zostało zignorowane przez kuszącą ideę, że będą mogli mieć klientów z całego kraju dzięki pojawieniu się Internetu.

To jest dokładnie tam, gdzie duże AI jest dzisiaj, pochłonięte marzeniami i oczekiwaniami dotyczącymi przyszłych możliwości tej technologii. Nie ma wątpliwości, że jest to najbardziej niesamowita technologia, jaką mamy dzisiaj. Ale modele AI są tylko podstawową technologią, a nie samymi odpowiedziami, i na pewno nie miejscem, w którym pieniądze i wartość pozostaną. W rzeczywistości architektury transformatorów i dyfuzji, które leżą u podstaw większości generatywnych AI, są publiczne; ramy optymalizacyjne są otwarte; moc obliczeniowa staje się coraz bardziej dostępna. Bariera nie leży już w teoretycznej wiedzy. Leży w umiejętności budowania niezawodnych systemów i integrowania ich z istniejącymi kreatywnymi i produkcyjnymi potokami, co określi, kto odniesie sukces. Produkty i usługi te nie wymagają już, aby inwestorzy wyłożyli biliony dolarów. Wiem to z własnego doświadczenia. Nasz zespół w Jerozolimie zbudował model audio-wideo open-source do tworzenia filmów AI za około jedną dziesiątą kosztów tych, które zostały zbudowane przez liderów rynku, i który generuje dłuższe ciągłe sceny, często z wyższą rozdzielczością i szybkością. To zostało osiągnięte za około 100 milionów dolarów, a nie miliardów. Nasza historia pokazuje, że postęp w dziedzinie AI jest mniej uzależniony od tajnego sosu i bardziej od zdyscyplinowanego inżynierii.

Podobnie jak w przypadku Internetu, ci, którzy przetrwają, będą tymi, którzy wykorzystają AI do najlepszych przypadków użycia, aplikacji sprzętowych, produktów i usług. Prawdą jest, że trudno przewidzieć, jakie będą te przypadki użycia. W końcu, na początku lat 90., gdy ludzie używali AOL lub Prodigy, nikt nie mógł wyobrazić sobie Gmaila.

Jednakże, nieobecna moc przewidywania, istnieją inteligentne pytania, które można zadać po drodze, aby kierować branżą AI i jej inwestorami w taki sposób, aby stopniowo i powoli rozładować pęcherz, jednocześnie budując gospodarkę przyszłości.

Inwestorzy, w tym VC i fundusze emerytalne, które wpompowują pieniądze w firmy AI, muszą zapytać, jaka wartość jest tworzona. Biliony dolarów zostały zainwestowane w badania w dużych firmach technologicznych, aby zbudować AI, które ostatecznie mogło być łatwo skopiowane w innych miejscach. Ogromne budżety AI nie gwarantują unikalnej własności intelektualnej, blokady użytkowników ani defensywnych ekonomii. Teraz inwestorzy muszą ocenić, jak firmy budują, optymalizują i integrują modele w rzeczywistej pracy klientów, tworząc rzeczywiste produkty i usługi. Inwestorzy powinni pytać o takie wskaźniki, jak ekonomia według obciążenia, gdy patrzą na aplikacje AI.

To, a nie same talenty lub natura modelu, są kluczowymi elementami wartości. Ważne jest również zrozumienie wartości modeli open-source. Często one wyprzedzają zamknięte API, ponieważ badacze i deweloperzy mogą adaptować je lokalnie. To przyjęcie kumuluje się wokół firmy lub produktu, pomagając gwarantować zyski i sukces

Zarówno inwestorzy, jak i przedsiębiorcy, którzy są zainteresowani efektywnym wykorzystaniem kapitału, muszą się wycofać i ocenić prawdziwy koszt AI i wszystkich powiązanych komponentów; te są często nadmuchane i wyższe, niż muszą być. Ogólny podejście powinno być takie, że koszty sprzętu są niestabilne, więc projekt AI nie powinien zależeć od konkretnego urządzenia lub sprzętu. Wartość i to, co różni firmę, to jej przepływ na dolar, a nie rabaty dostawców na określony typ sprzętu. Defensywność wydatków AI leży teraz w optymalizacji infrastruktury, danych własnych i głębokości integracji. Przedsiębiorcy z dobrymi pomysłami na rozwiązania, które starannie projektują lub wykorzystują modele z tym samym wydajnym końcowym wynikiem, wyjdą na prowadzenie nad tymi, którzy szukają ogromnych modeli, które mogą być później skalowane dla różnych potencjalnych zastosowań. Kolejnym plusem jest oferowanie otwartych opcji wdrożeniowych dla studiów i platform, które nie mogą polegać na zdalnym API dla czasu rzeczywistego.

Policymakers i branża również muszą myśleć bardziej logicznie o regulacji. Postęp był powolny w tych obszarach i koncentruje się głównie na modelach granicznych uruchamianych na dużych urządzeniach; to już nie jest praktyczne podejście. Momentum jest ogromnie skierowane ku tym modelom, które mogą działać na urządzeniach konsumentów, co sprawia, że regulacja samych modeli jest niemożliwa. Otwarta natura wielu modeli przedstawia kolejne wyzwania dla obecnego podejścia do regulacji. Ponownie, słuszne podejście polega na skupieniu się na wdrożeniu za pomocą aplikacji i produktów oraz na opracowaniu ram regulacyjnych wokół nich dla różnych branż, a nie ogólnych polityk dotyczących modeli. Celem powinno być regulowanie aplikacji i sektorów, z normami dla pochodzenia, barier bezpieczeństwa w produktach i ujawniania syntetycznych mediów. Historia z lat 90. i wczesnych 2000. ponownie zawiera mądrą lekcję na ten temat: Sprawa przeciwko popularnej firmie muzycznej Napster nie ograniczyła samych udostępniania plików — ta technologia tylko rosła i stawała się coraz szybsza, ostatecznie dając początek streamingu – ale raczej skupiła się na odpowiedzialnym wdrożeniu technologii przez platformę. (Nawet poprzez bankructwo, Napster rzeczywiście udało się utrzymać jako marka, dostosowując sposób wdrożenia swojej technologii i został kupiony za ponad 200 milionów dolarów na początku tego roku.)

Podsumowując, rynek będzie konsolidowany wokół kilku zunifikowanych wielomodalnych modeli AI, które mogą być destylowane dla wydajności i dostosowane do różnych zastosowań. Wszystkie strony muszą zwrócić większą uwagę na aplikacje i rzeczywistą wartość biznesową, jaką AI może przynieść, i nie tracić się w obietnicach samych modeli. Branża napompowuje się szybciej, niż tworzy wartość. Czy to skończy się dramatyczną korektą – podobną do wczesnej bańki internetowej – jest otwarte do debaty. Ale klarowność teraz oznacza odporność później.