Boom AI nie zakończył się, ale obliczenia AI zmieniają się zdecydowanie

Nie bój się zbyt bardzo niedźwiedzi AI. Zastanawiają się głośno, czy wielki boom inwestycyjny w AI już się zakończył, czy wiele emocji i wydatków na ogromne systemy szkoleniowe AI zasilane przez wiele wysokowydajnych kart graficznych już się wyczerpało, i czy oczekiwania dotyczące ery AI powinny być radykalnie zmniejszone.

Jednak jeśli przyjrzysz się bliżej planom głównych hyperscalerów, inwestycje w AI są żywe i zdrowe. Meta, Amazon (AMZN ), Microsoft (MSFT ) i Google wszystkie niedawno podwoiły inwestycje w technologie AI. Ich łączne zobowiązanie na 2025 rok wynosi ponad 300 miliardów dolarów, według niedawnego artykułu w Financial Times. Prezes Microsoftu Satya Nadella powiedział, że Microsoft może wydać 80 miliardów dolarów tylko na AI w tym roku. Założyciel i prezes Meta Mark Zuckerberg powiedział na Facebooku: “Planujemy zainwestować 60-65 miliardów dolarów w wydatki kapitałowe w tym roku, a także znacznie zwiększyć nasze zespoły AI, i mamy kapitał, aby kontynuować inwestycje w nadchodzących latach”.

To nie jest dźwięk boomu AI, który się kończy, ale jest rosnące niepokoje dotyczące tego, ile pieniędzy jest wydawane na umożliwienie aplikacji AI. Po co najmniej dwóch latach, gdy giganci technologiczni mówili, że widzą wyraźne zapotrzebowanie na więcej mocy obliczeniowej, aby pomóc w szkoleniu dużych modeli AI, 2025 rok rozpoczął się od tego, że te same firmy są przywoływane na dywanik przez media biznesowe za budowanie tak dużej hossy AI.

Dlaczego nastąpiła taka gwałtowna zmiana od nadziei do obaw? Odpowiedź można znaleźć częściowo w gwałtownym wzroście nowej aplikacji AI z Chin. Ale aby w pełni zrozumieć, co się naprawdę dzieje, i co to oznacza dla inwestycji w AI i programów technologicznych w nadchodzących latach, musimy uznać, że era AI przechodzi w nową fazę swojego rozwoju.

Szukanie prawdy

Świat już wie wszystko o DeepSeek, chińskiej firmie AI, która chwali się tym, że używa silników inferencyjnych i rozumowania statystycznego do szkolenia dużych modeli językowych znacznie bardziej wydajnie i z mniejszymi kosztami niż inne firmy szkoliły swoje modele.

Konkretnie, DeepSeek twierdzi, że jego techniki spowodowały, że wymaga znacznie mniej kart graficznych (tylko 2048 kart graficznych), a także mniej wydajnych kart graficznych (Nvidia (NVDA ) H800) niż setki tysięcy kart graficznych premium (Nvidia H100), które niektóre firmy hyperskalowe wymagały do szkolenia swoich modeli. Jeśli chodzi o oszczędności kosztów, podczas gdy OpenAI wydał miliardy dolarów na szkolenie ChatGPT, DeepSeek podobno wydał tylko 6,5 miliona dolarów na szkolenie swojego modelu R1.

Należy zauważyć, że wielu ekspertów kwestionowało twierdzenia DeepSeek dotyczące wydatków, ale szkoda już się stała, ponieważ wieści o ich odmiennych metodach spowodowały gwałtowny spadek wartości akcji hyperscalerów i firm, których karty graficzne wydano miliardy dolarów na szkolenie ich modeli AI.

Jednak kilka ważnych punktów zostało utraconych w chaosie. Jednym z nich było zrozumienie, że DeepSeek nie “wynalazł” nowy sposób pracy z AI. Drugim jest to, że wiele ekosystemu AI było świadome nadchodzącej zmiany w tym, jak pieniądze inwestycyjne w AI muszą być wydawane, i jak AI będzie wykorzystywane w nadchodzących latach.

Jeśli chodzi o metody DeepSeek, pomysł użycia silników inferencyjnych i rozumowania statystycznego nie jest nowy. Użycie rozumowania statystycznego jest jednym z aspektów szerszego pojęcia rozumowania modelu inferencyjnego, które obejmuje możliwość AI wyciągania wniosków na podstawie rozpoznawania wzorców. Jest to podstawowo podobne do ludzkiej zdolności do uczenia się różnych sposobów podejścia do problemu i porównywania ich, aby znaleźć najlepsze możliwe rozwiązanie. Rozumowanie modelu inferencyjnego może być używane dzisiaj i nie jest wyłącznie zastrzeżone dla chińskiego startupu.

Tymczasem ekosystem AI od jakiegoś czasu już przewidywał fundamentalną zmianę w tym, jak pracujemy z AI i wymaganiami obliczeniowymi. Początkowe lata ery AI były wszystkie o wielkiej pracy szkolenia dużych modeli AI na bardzo dużych zbiorach danych, wszystko to wymagało dużej ilości przetwarzania, złożonych obliczeń, dostosowań wag i zależności od pamięci. Po tym, jak modele AI zostały wyszkolone, wszystko się zmienia. AI może używać inferencji, aby zastosować wszystko, czego się nauczyło, do nowych zbiorów danych, zadań i problemów. Inferencja, jako mniej intensywny proces obliczeniowy niż szkolenie, nie wymaga tylu kart graficznych ani innych zasobów obliczeniowych.

Ostateczna prawda o DeepSeek jest taka, że chociaż ich metody nie zaskoczyły nas tak bardzo, jak to zrobiły przypadkowo zainteresowanych inwestorów giełdowych, to one podkreśliły jeden ze sposobów, w jaki inferencja będzie kluczowa dla następnej fazy ewolucji AI.

AI: Następna generacja

Obietnica i potencjał AI nie zmieniły się. Trwające ogromne inwestycje w AI przez głównych hyperscalerów pokazują wiarę, którą mają w przyszłą wartość, którą mogą odblokować z AI, a także sposoby, w jakie AI może zmienić sposób, w jaki praktycznie każda branża działa, i w jaki ludzie prowadzą swoje codzienne życie.

To, co się zmieniło dla tych hyperscalerów, to sposób, w jaki te pieniądze będą wydawane. W początkowych latach ery AI większość inwestycji była koniecznie na szkolenie. Jeśli pomyślisz o AI jako o dziecku, z umysłem, który jeszcze się rozwija, wydaliśmy dużo pieniędzy, aby posłać je do najlepszych szkół i uczelni. Teraz, to dziecko jest wykształconym dorosłym – i musi dostać pracę, aby utrzymać się. W prawdziwym świecie wydaliśmy dużo pieniędzy na szkolenie AI, i teraz musimy zobaczyć zwrot z tej inwestycji, używając AI do generowania nowych przychodów.

Aby osiągnąć ten zwrot z inwestycji, AI musi stać się bardziej wydajne i mniej kosztowne, aby pomóc firmom maksymalizować jego atrakcyjność rynkową i użyteczność dla jak największej liczby aplikacji. Najbardziej lukratywne nowe usługi będą tymi, które nie wymagają monitorowania i zarządzania przez ludzi.

Dla wielu firm oznacza to wykorzystanie zasobowo wydajnych technik obliczeń AI, takich jak rozumowanie modelu inferencyjnego, aby szybko i tanio umożliwić autonomiczne komunikacje maszyna-maszyna. Na przykład, w branży bezprzewodowej, AI można użyć do autonomicznej analizy danych w czasie rzeczywistym dotyczących wykorzystania spektrum na sieci komórkowej, aby zoptymalizować wykorzystanie kanałów i zmniejszyć interferencję między użytkownikami, co ostatecznie pozwala operatorowi komórkowemu na bardziej dynamiczne dzielenie się spektrum na całej sieci. Ten rodzaj bardziej wydajnej, autonomicznej komunikacji maszyna-maszyna zasilanej przez AI będzie definiował następną generację AI.

Jak nauczyła nas historia każdej innej dużej ery obliczeniowej, obliczenia AI nadal ewoluują. Jeśli historia obliczeń nauczyła nas czegoś, to tego, że nowa technologia zawsze wymaga dużej ilości przedinwestycyjnej, ale koszty będą spadać, a wydajność będzie rosła, gdy zaczniemy wykorzystywać udoskonalone techniki i lepsze praktyki, aby tworzyć bardziej korzystne i przystępne produkty i usługi, aby przyciągnąć jak największy możliwy rynek. Innowacja zawsze znajduje sposób.

Sektor AI może ostatnio wydawać się, że poniósł porażkę, jeśli słuchasz niedźwiedzi AI, ale pieniądze, które hyperscalery planują wydać w tym roku, i rosnące wykorzystanie technik opartych na inferencji, mówią inną historię: obliczenia AI zmieniają się, ale obietnica AI jest w pełni nienaruszona.

Owacja zawsze znajduje sposób. Sektor AI może ostatnio wydawać się, że poniósł porażkę, jeśli słuchasz niedźwiedzi AI, ale pieniądze, które hyperscalery planują wydać w tym roku, i rosnące wykorzystanie technik opartych na inferencji, mówią inną historię: obliczenia AI zmieniają się, ale obietnica AI jest w pełni nienaruszona.