Problema cu trilioane de dolari a inteligenței artificiale

Pe măsură ce intrăm în 2025, sectorul inteligenței artificiale se află la un punct de inflexiune crucial. În timp ce industria continuă să atragă niveluri fără precedent de investiții și atenție – în special în peisajul inteligenței artificiale generative – mai multe dinamici de piață subiacente sugerează că ne îndreptăm către o schimbare majoră în peisajul inteligenței artificiale în anul următor.

În urma experienței mele în conducerea unei companii de inteligență artificială și observarea evoluției rapide a industriei, cred că acest an va aduce multe schimbări fundamentale: de la modelele conceptuale mari (LCM) care sunt așteptate să apară ca concurenți serioși pentru modelele de limbaj mare (LLM), la apariția hardware-ului specializat pentru inteligență artificială, până la începerea de către companiile Big Tech a unor construcții majore de infrastructură pentru inteligență artificială care le vor pune în sfârșit într-o poziție în care să poată concura startup-urile precum OpenAI și Anthropic – și, cine știe, poate chiar să obțină monopolul asupra inteligenței artificiale.

Provocarea unică a companiilor de inteligență artificială: nici software, nici hardware

Problema fundamentală constă în modul în care companiile de inteligență artificială operează într-un teren intermediar, necunoscut anterior, între afacerile tradiționale de software și hardware. În contrast cu companiile de software pur, care investesc în principal în capitalul uman, cu cheltuieli de operare relativ scăzute, sau cu companiile de hardware, care fac investiții pe termen lung în capital, cu căi clare către rentabilitate, companiile de inteligență artificială se confruntă cu o combinație unică de provocări care fac ca modelele lor actuale de finanțare să fie precare.

Aceste companii necesită cheltuieli masive inițiale pentru cluster-e de GPU și infrastructură, cheltuind 100-200 de milioane de dolari pe an doar pentru resurse de calcul. Cu toate acestea, spre deosebire de companiile de hardware, nu pot amortiza aceste investiții pe perioade lungi de timp. În schimb, operează pe cicluri comprimate de doi ani între rundele de finanțare, necesitând în fiecare moment să demonstreze creștere exponențială și performanță de ultimă generație pentru a justifica următoarea majorare a valorii.

Problema de diferențiere a LLM-urilor

Adăugând la această provocare structurală este o tendință îngrijorătoare: convergența rapidă a capacităților modelelor de limbaj mare (LLM). Startup-urile, precum unicornul Mistral AI și altele, au demonstrat că modelele deschise pot atinge performanțe comparabile cu cele ale modelelor închise, dar diferențierea tehnică care a justificat anterior valorile foarte mari este din ce în ce mai greu de menținut.

Cu alte cuvinte, în timp ce fiecare noul LLM se laudă cu performanțe impresionante pe baza standardelor de referință, o schimbare semnificativă reală în arhitectura modelului de bază nu are loc.

Limitările actuale în acest domeniu provin din trei domenii critice: disponibilitatea datelor, deoarece ne confruntăm cu lipsa de material de calitate pentru antrenare (așa cum a confirmat recent Elon Musk); metodele de curare, deoarece toate adoptă abordări asemănătoare de feedback uman, pionierate de OpenAI; și arhitectura computațională, deoarece se bazează pe același grup limitat de hardware GPU specializat.

Ce apare este un model în care câștigurile vin din ce în ce mai mult din eficiență, în loc de scară. Companiile se concentrează pe comprimarea mai multor cunoștințe în mai puține token-uri și pe dezvoltarea unor artefacte inginerești mai bune, cum ar fi sistemele de recuperare, cum ar fi grafurile RAG (retrieval-augmented generation). Esențial, ne apropiem de un platou natural în care aruncarea mai multor resurse la problema dă randamente din ce în ce mai mici.

Datorită ritmului fără precedent de inovare din ultimii doi ani, această convergență a capacităților LLM are loc mai repede decât s-a anticipat, creând o cursă contra cronometru pentru companiile care au strâns fonduri.

Pe baza tendințelor actuale de cercetare, următoarea frontieră pentru a aborda această problemă este apariția modelelor conceptuale mari (LCM) ca o nouă arhitectură revoluționară care concurează cu LLM-urile în domeniul lor principal, și anume înțelegerea limbajului natural (NLP).

Din punct de vedere tehnic, LCM-urile vor avea mai multe avantaje, inclusiv potențialul de a oferi o performanță mai bună cu mai puține iterații și capacitatea de a obține rezultate similare cu echipe mai mici. Cred că aceste LCM-uri de ultimă generație vor fi dezvoltate și comercializate de echipe derivate, faimoșii „ex-big tech” care vor fonda noi startup-uri pentru a conduce această revoluție.

Decalajul de timp pentru monetizare

Comprimarea ciclurilor de inovare a creat o altă problemă critică: decalajul dintre timpul de lansare pe piață și monetizarea durabilă. În timp ce vedem o viteză fără precedent în verticalizarea aplicațiilor de inteligență artificială – cu agenții de voce AI, de exemplu, trecând de la concept la produse care generează venituri în doar câteva luni – această comercializare rapidă maschează o problemă mai profundă.

Să considerăm următorul scenariu: o companie de inteligență artificială evaluată la 20 de miliarde de dolari astăzi va trebui probabil să genereze aproximativ 1 miliard de dolari venituri anuale în următorii 4-5 ani pentru a justifica ieșirea la bursă la un multiplicator rezonabil. Acest lucru necesită nu numai excelență tehnologică, ci și o transformare dramatică a întregului model de afaceri, de la focalizarea pe cercetare-dezvoltare la vânzări, și totul acesta în timp ce menține ritmul inovării și gestionează costurile uriașe ale infrastructurii.

În acest sens, noile startup-uri axate pe LCM care vor apărea în 2025 vor fi într-o poziție mai bună pentru a strânge fonduri, cu evaluări inițiale mai mici, făcându-le ținte mai atractive pentru investitori.

Lipsa de hardware și alternativele emergente

Să aruncăm o privire mai atentă asupra infrastructurii. Astăzi, fiecare cluster nou de GPU este cumpărat chiar înainte de a fi construit de jucătorii mari, forțând jucătorii mai mici să se angajeze în contracte pe termen lung cu furnizorii de servicii cloud sau să riște să fie excluși complet de pe piață.

Dar iată ce este cu adevărat interesant: în timp ce toată lumea se luptă pentru GPU-uri, a avut loc o schimbare fascinantă în peisajul hardware-ului, care este încă în mare măsură ignorată. Arhitectura actuală de GPU, numită GPGPU (General Purpose GPU), este incredibil de ineficientă pentru ceea ce au nevoie majoritatea companiilor în producție. Este ca și cum ai folosi un supercomputer pentru a rula o aplicație de calculator.

De aceea, cred că hardware-ul specializat pentru inteligență artificială va fi următoarea schimbare majoră în industria noastră. Companii precum Groq și Cerebras (CBRS ) construiesc hardware de inferență specializat, care este de 4-5 ori mai ieftin de operat decât GPU-urile tradiționale. Da, există un cost de inginerie mai mare la început pentru a optimiza modelele pentru aceste platforme, dar pentru companiile care rulează sarcini de inferență la scară largă, beneficiile de eficiență sunt clare.

Densitatea datelor și apariția modelelor mai mici și mai inteligente

Trecerea la următoarea frontieră a inovării în inteligența artificială va necesita probabil nu numai o putere de calcul mai mare – în special pentru modele mari, cum ar fi LCM-urile – ci și seturi de date mai bogate și mai cuprinzătoare.

Interesant, modelele mai mici și mai eficiente încep să provoace modelele mai mari, capitalizând pe densitatea cu care sunt antrenate pe datele disponibile. De exemplu, modele precum FeeFree de la Microsoft (MSFT ) sau Gema2B de la Google funcționează cu mult mai puțini parametri – adesea în jur de 2-3 miliarde – și totuși ating niveluri de performanță comparabile cu cele ale modelelor mult mai mari, cu 8 miliarde de parametri.

Aceste modele mai mici sunt din ce în ce mai competitive datorită densității ridicate a datelor cu care sunt antrenate, făcându-le robuste, în ciuda dimensiunii lor. Această schimbare către modele compacte, dar puternice, se aliniază cu avantajele strategice pe care le dețin companii precum Microsoft și Google: accesul la seturi masive și diverse de date prin platforme precum Bing și Google Search.

Această dinamică revelează două „războaie” critice care se desfășoară în dezvoltarea inteligenței artificiale: unul pentru puterea de calcul și altul pentru date. În timp ce resursele computaționale sunt esențiale pentru a împinge limitele, densitatea datelor devine la fel de critică, dacă nu și mai critică. Companiile care au acces la seturi masive de date sunt poziționate în mod unic pentru a antrena modele mai mici cu o eficiență și robustețe fără precedent, consolidându-și dominanța în peisajul evolutiv al inteligenței artificiale.

Cine va câștiga războiul inteligenței artificiale?

În acest context, toată lumea se întreabă cui din peisajul actual al inteligenței artificiale îi este mai bine poziționat să iasă învingător. Iată o reflexie.

Companiile mari de tehnologie au pre-cumpărat întregi cluster-e de GPU înainte de a fi construite, creând un mediu de penurie pentru jucătorii mai mici. Comanda Oracle de peste 100.000 de unități GPU și mișcările similare ale Meta și Microsoft exemplifică această tendință.

Având investit sute de miliarde de dolari în inițiative de inteligență artificială, aceste companii necesită mii de ingineri și cercetători specializați în inteligență artificială. Acest lucru creează o cerere fără precedent pentru talente care pot fi satisfăcute doar prin achiziții strategice – ceea ce va duce probabil la absorbția multor startup-uri în lunile următoare.

În timp ce 2025 va fi dedicat unor cercetări și construcții de infrastructură la scară largă pentru astfel de actori, până în 2026, ei vor fi într-o poziție de a lovi ca niciodată mai înainte, datorită resurselor de neegalat.

Acest lucru nu înseamnă că companiile mai mici de inteligență artificială sunt condamnate – departe de asta. Sectorul va continua să inoveze și să creeze valoare. Unele inovații cheie în sector, cum ar fi LCM-urile, sunt probabil să fie conduse de actori mai mici și emergenți în anul următor, alături de Meta, Google/Alphabet (GOOG ) și OpenAI cu Anthropic, toate lucrând la proiecte interesante în acest moment.

Cu toate acestea, suntem probabil să asistăm la o restructurare fundamentală a modului în care sunt finanțate și evaluate companiile de inteligență artificială. Pe măsură ce capitalul de risc devine mai discriminant, companiile vor trebui să demonstreze că au căi clare către o economie durabilă – o provocare particulară pentru afacerile cu sursă deschisă care concurează cu alternativele proprietare bine resurse.

Pentru companiile de inteligență artificială cu sursă deschisă, în special, drumul înainte poate necesita concentrarea asupra unor aplicații verticale specifice, în care transparența și capacitățile de personalizare oferă avantaje clare față de soluțiile proprietare.