ТрILLИОННО-ДОЛЛАРОВАЯ ПРОБЛЕМА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Когда мы вступаем в 2025 год, сектор искусственного интеллекта стоит на критической инфлексии. Хотя отрасль продолжает привлекать беспрецедентные уровни инвестиций и внимания — особенно в области генеративного ИИ — несколько основных рыночных динамик предполагают, что мы движемся к большому сдвигу в ландшафте ИИ в этом году.

Основываясь на моем опыте руководства стартапом ИИ и наблюдении за быстрой эволюцией отрасли, я считаю, что в этом году произойдут многие фундаментальные изменения: от крупных концептуальных моделей (LCM), которые, как ожидается, станут серьезными конкурентами крупным языковым моделям (LLM), до появления специализированного оборудования для ИИ, и крупных технологических компаний, которые начинают крупные проекты по созданию инфраструктуры ИИ, которые наконец позволят им конкурировать со стартапами, такими как OpenAI и Anthropic — и, кто знает, может быть, даже обеспечат их монополию на ИИ.

Уникальная проблема компаний ИИ: ни программное обеспечение, ни оборудование

Основная проблема заключается в том, как компании ИИ работают в ранее не виденном среднем положении между традиционными программными и оборудовательными бизнесами. В отличие от чистых программных компаний, которые в основном инвестируют в человеческий капитал с относительно низкими операционными расходами, или оборудовательных компаний, которые делают долгосрочные инвестиции с четкими путями к доходам, компании ИИ сталкиваются с уникальной комбинацией проблем, которые делают их текущие модели финансирования хрупкими.

Эти компании требуют огромных первоначальных капитальных расходов на кластеры GPU и инфраструктуру, тратя 100-200 миллионов долларов в год только на вычислительные ресурсы. Однако, в отличие от оборудовательных компаний, они не могут амортизировать эти инвестиции в течение длительного периода. Вместо этого они работают в сжатых двухлетних циклах между раундами финансирования, каждый раз нуждаясь в демонстрации экспоненциального роста и передового опыта, чтобы оправдать свою следующую переоценку.

Проблема дифференциации LLM

Добавляя к этой структурной проблеме, тревожная тенденция заключается в том, что возможности крупных языковых моделей (LLM) быстро сходятся. Стартапы, такие как французский единорог Mistral AI и другие, продемонстрировали, что открытые модели могут достигать производительности, сравнимой с их закрытыми аналогами, но техническая дифференциация, которая ранее оправдывала высокие оценки, становится все более трудной для поддержания.

Иными словами, хотя каждая новая LLM хвастается впечатляющей производительностью на основе стандартных тестов,真正 значимый сдвиг в основной архитектуре модели не происходит.

Текущие ограничения в этой области исходят из трех критических областей: доступности данных, поскольку мы истощаем высококачественный обучающий материал (как недавно подтвердил Илон Маск); методов курирования, поскольку они все принимают подобные подходы с обратной связью человека, разработанные OpenAI; и вычислительной архитектуры, поскольку они полагаются на один и тот же ограниченный пул специализированного оборудования GPU.

Что появляется, так это закономерность, в которой выигрыши все больше исходят из эффективности, а не масштаба. Компании сосредотачиваются на сжатии большего количества знаний в меньшее количество токенов и разработке лучших инженерных артефактов, таких как системы извлечения, такие как графические RAG (генерация с помощью извлечения). По сути, мы приближаемся к естественному плато, где бросание большего количества ресурсов на проблему дает все более снижающиеся доходы.

Благодаря беспрецедентному темпу инноваций за последние два года, эта сходимость возможностей LLM происходит быстрее, чем кто-либо ожидал, создавая гонку против времени для компаний, которые привлекли средства.

На основе последних исследовательских тенденций, следующий рубеж для решения этой проблемы — это появление крупных концептуальных моделей (LCM) как новой, революционной архитектуры, конкурирующей с LLM в их основной области, которая представляет собой понимание естественного языка (NLP).

Технически говоря, LCM будут обладать несколькими преимуществами, включая потенциал для лучшей производительности с меньшим количеством итераций и возможность достижения подобных результатов с меньшими командами. Я считаю, что эти новые LCM будут разработаны и коммерциализированы спин-офф командами, знаменитыми «бывшими» мavericks из крупных технологических компаний, основывающими новые стартапы для возглавления этой революции.

Несовпадение графика монетизации

Сжатие циклов инноваций создало еще одну критическую проблему: несоответствие между временем выхода на рынок и устойчивой монетизацией. Хотя мы видим беспрецедентную скорость вертикализации приложений ИИ — с голосовыми агентами ИИ, например, переходящими от концепции к выгодным продуктам за несколько месяцев — эта быстрая коммерциализация скрывает более глубокую проблему.

Рассмотрим это: стартап ИИ, оцененный в 20 миллиардов долларов сегодня, вероятно, потребует генерировать около 1 миллиарда долларов дохода в год в течение 4-5 лет, чтобы оправдать выход на биржу при разумном множителе. Это требует не только технологического совершенства, но и драматической трансформации всей бизнес-модели, от ориентированной на исследования к ориентированной на продажи, все это время поддерживая темп инноваций и управляя огромными затратами на инфраструктуру.

В этом смысле новые стартапы, ориентированные на LCM, которые появятся в 2025 году, будут лучше позиционированы для привлечения средств, с более низкими первоначальными оценками, что делает их более привлекательными для инвесторов.

Нехватка оборудования и появление альтернатив

Давайте посмотрим ближе на инфраструктуру. Сегодня каждый новый кластер GPU покупается даже до его строительства крупными игроками, заставляя более мелких игроков либо обязаться к долгосрочным контрактам с провайдерами облачных услуг, либо рисковать быть исключенными из рынка полностью.

Но вот что действительно интересно: пока все борются за GPU, произошел fascинirующий сдвиг в ландшафте оборудования, который все еще в значительной степени упускается из виду. Текущая архитектура GPU, называемая GPGPU (универсальный GPU), невероятно неэффективна для того, что большинство компаний действительно нужно в производстве. Это как использование суперкомпьютера для запуска приложения калькулятора.

Это почему я считаю, что специализированное оборудование для ИИ будет следующим большим сдвигом в нашей отрасли. Компании, такие как Groq и Cerebras (CBRS ), строят оборудование, специально предназначенное для вывода, которое в 4-5 раз дешевле в эксплуатации, чем традиционные GPU. Да, есть более высокая инженерная стоимость вначале для оптимизации моделей для этих платформ, но для компаний, которые запускают крупномасштабные рабочие нагрузки вывода, выигрыши от эффективности очевидны.

Плотность данных и подъем меньших, умных моделей

Переход к следующему рубежу инноваций в ИИ, вероятно, потребует не только большей вычислительной мощности — особенно для крупных моделей, таких как LCM — но и более богатых, комплексных наборов данных.

Интересно, что меньшие, более эффективные модели начинают бросать вызов более крупным, используя плотность, с которой они обучаются на доступных данных. Например, модели, такие как FeeFree от Microsoft (MSFT ) или Gema2B от Google, работают с гораздо меньшим количеством параметров — часто около 2-3 миллиардов — и достигают уровня производительности, сравнимого с более крупными моделями с 8 миллиардами параметров.

Эти меньшие модели становятся все более конкурентоспособными благодаря их высокой плотности данных, что делает их устойчивыми, несмотря на их размер. Этот сдвиг в сторону компактных, но мощных, моделей соответствует стратегическим преимуществам, которыми обладают компании, такие как Microsoft и Google: доступ к огромным, разнообразным наборам данных через платформы, такие как Bing и Google Search.

Эта динамика раскрывает две критические «войны», разворачивающиеся в разработке ИИ: одну за вычислительную мощность и другую за данные. Хотя вычислительные ресурсы необходимы для продвижения границ, плотность данных становится равной — если не более — критической. Компании, которые имеют доступ к огромным наборам данных, уникально позиционированы для обучения меньших моделей с непревзойденной эффективностью и устойчивостью, укрепляя свое доминирование в эволюционирующем ландшафте ИИ.

Кто выиграет войну ИИ?

В этом контексте все интересуются, кто в текущем ландшафте ИИ лучше всего позиционирован, чтобы выйти победителем. Вот некоторая пища для размышлений.

Крупные технологические компании заранее покупают целые кластеры GPU до их строительства, создавая среду нехватки для более мелких игроков. Заказ Oracle на 100 000+ GPU и подобные шаги Meta и Microsoft демонстрируют эту тенденцию.

Поскольку они инвестировали сотни миллиардов долларов в инициативы ИИ, эти компании требуют тысяч специализированных инженеров и исследователей ИИ. Это создает беспрецедентный спрос на таланты, который может быть удовлетворен только через стратегические приобретения — вероятно, в результате чего многие стартапы будут поглощены в ближайшие месяцы.

Хотя 2025 год будет потрачен на крупномасштабные исследования и разработку и создание инфраструктуры для таких акторов, к 2026 году они будут в позиции, чтобы нанести удар, как никогда раньше, благодаря беспрецедентным ресурсам.

Это не означает, что более мелкие компании ИИ обречены — далеко от этого. Сектор продолжит инновации и создавать ценность. Некоторые ключевые инновации в секторе, такие как LCM, вероятно, будут возглавлены более мелкими, появляющимися акторами в этом году, наряду с Meta, Google/Alphabet (GOOG ) и OpenAI с Anthropic, все из которых работают над интересными проектами в настоящее время.

Однако мы, вероятно, увидим фундаментальную перестройку того, как компании ИИ финансируются и оцениваются. Поскольку венчурный капитал становится более дискриминационным, компании должны будут продемонстрировать четкие пути к устойчивой экономике — особая проблема для открытых бизнесов, конкурирующих с хорошо обеспеченными проприетарными альтернативами.

Для открытых компаний ИИ, в частности, путь вперед может потребовать сосредоточения внимания на конкретных вертикальных приложениях, где их прозрачность и возможности настройки обеспечивают явные преимущества над проприетарными решениями.