Бум ИИ не лопнул, но вычисления ИИ определенно меняются

Не бойтесь слишком сильно ИИ-медведей. Они громко задумываются, не закончился ли большой бум инвестиций в ИИ, не закончилась ли массовая эйфория и траты на огромные системы обучения ИИ, работающие на множестве высокопроизводительных GPU, и не следует ли радикально сократить ожидания от эры ИИ.

Но если вы присмотритесь к планам крупных гиперскелеров, инвестиции в ИИ живы и здоровы. Meta, Amazon (AMZN ), Microsoft (MSFT ) и Google недавно удвоили инвестиции в технологии ИИ. Их общая инвестиция в 2025 году составляет более 300 миллиардов долларов, согласно недавней статье в Financial Times. Генеральный директор Microsoft Сатья Наделла сказал, что Microsoft может потратить 80 миллиардов долларов только на ИИ в этом году. Основатель и генеральный директор Meta Марк Цукерберг сказал на Facebook: “Мы планируем инвестировать 60-65 миллиардов долларов в капитальные вложения в этом году, а также значительно увеличивать наши команды ИИ, и у нас есть капитал, чтобы продолжать инвестировать в будущем”.

Это не звучит как бум ИИ, который лопнул, но вокруг трат на реализацию приложений ИИ растет беспокойство. После как минимум двух лет, когда технологические гиганты говорили, что они видят четкий спрос на большую вычислительную мощность для обучения крупных моделей ИИ, 2025 год начался с того, что эти компании ежедневно вызываются на ковер деловой прессой за создание слишком большого ажиотажа вокруг ИИ.

Почему произошел такой внезапный сдвиг от надежды к беспокойству? Ответ можно найти частично в быстром росте нового приложения ИИ из Китая. Но чтобы полностью понять, что происходит на самом деле, и что это значит для инвестиций в ИИ и технологических программ в ближайшие годы, мы должны признать, что эра ИИ переходит в новую фазу своей эволюции.

Глубокий поиск истины

К настоящему времени весь мир знает о DeepSeek, китайской компании ИИ, которая хвастается тем, что использовала движки вывода и статистическое рассуждение для обучения крупных языковых моделей гораздо более эффективно и с меньшими затратами, чем другие компании обучали свои модели.

В частности, DeepSeek заявила, что ее методы привели к тому, что для обучения требовалось гораздо меньше GPU (до 2048 GPU), а также менее мощные GPU (Nvidia (NVDA ) H800), чем сотни тысяч высокопроизводительных GPU (например, Nvidia H100), которые некоторые гиперскелеры требовали для обучения своих моделей. В плане экономии средств, в то время как OpenAI потратила миллиарды долларов на обучение ChatGPT, DeepSeek якобы потратила всего 6,5 миллиона долларов на обучение своей модели R1.

Следует отметить, что многие эксперты поставили под сомнение заявления DeepSeek о затратах, но ущерб был нанесен, поскольку новости о ее разных методах привели к глубокому падению стоимости акций гиперскелеров и компаний, чьи GPU они потратили миллиарды на обучение моделей ИИ.

Однако были потеряны несколько важных моментов в хаосе. Одним из них было понимание того, что DeepSeek не “изобрела” новый способ работы с ИИ. Вторым моментом было то, что большая часть экосистемы ИИ уже давно знала о предстоящем сдвиге в том, как инвестиционные доллары ИИ нужно тратить, и как ИИ будет использоваться в ближайшие годы.

Что касается методов DeepSeek, идея использования движков вывода ИИ и статистического рассуждения не нова. Использование статистического рассуждения является одним аспектом более широкой концепции вывода моделей рассуждения, которая включает в себя возможность ИИ делать выводы на основе распознавания образов. Это по сути похоже на человеческую способность учиться разным подходам к решению проблемы и сравнивать их, чтобы найти лучшее возможное решение. Вывод модели рассуждения можно использовать сегодня и не является эксклюзивным для китайского стартапа.

Между тем, экосистема ИИ уже некоторое время ожидает фундаментального изменения в том, как мы работаем с ИИ и вычислительными ресурсами. Первоначальные годы эры ИИ были все о большой задаче обучения крупных моделей ИИ на очень больших наборах данных, все из которых требовали много обработки, сложных расчетов, корректировки весов и зависимости от памяти. После того, как модели ИИ были обучены, все меняется. ИИ может использовать вывод, чтобы применить все, что он узнал, к новым наборам данных, задачам и проблемам. Вывод, как менее вычислительно интенсивный процесс, чем обучение, не требует столько GPU или других вычислительных ресурсов.

Окончательная правда о DeepSeek заключается в том, что, хотя ее методы не удивили многих из нас в экосистеме ИИ так же, как они удивили случайных инвесторов на фондовом рынке, они подчеркнули один из способов, которыми вывод будет центральным для следующей фазы эволюции ИИ.

ИИ: Следующее поколение

Обещание и потенциал ИИ не изменились. Продолжающиеся огромные инвестиции в ИИ со стороны крупных гиперскелеров показывают их веру в будущую ценность, которую они могут открыть с помощью ИИ, а также способы, которыми ИИ может изменить работу практически каждой отрасли и то, как практически все люди живут своей повседневной жизнью.

Что изменилось для этих гиперскелеров, так это то, как эти доллары, вероятно, будут потрачены. В первые годы эры ИИ большинство инвестиций было необходимо на обучение. Если вы думаете об ИИ как о ребенке, с разумом, который еще развивается, мы тратили много денег на то, чтобы отправить его в лучшие школы и университеты. Теперь этот ребенок – образованный взрослый – и ему нужно найти работу, чтобы содержать себя. В реальном мире мы инвестировали много в обучение ИИ, и теперь нам нужно увидеть возврат на эти инвестиции, используя ИИ для генерации новых доходов.

Чтобы достичь этого возврата на инвестиции, ИИ нужно стать более эффективным и менее дорогим, чтобы помочь компаниям максимизировать его рыночную привлекательность и полезность для как можно большего количества приложений.

Для многих компаний это означает использование ресурсоэффективных методов вычислений ИИ, таких как вывод моделей рассуждения, для быстрого и экономически эффективного обеспечения автономных машинно-машины коммуникаций. Например, в беспроводной промышленности ИИ можно использовать для автономного анализа данных о использовании спектра на мобильной сети в режиме реального времени для оптимизации использования каналов и смягчения помех между пользователями, что в конечном итоге позволяет мобильному оператору поддерживать более динамичное разделение спектра на своей сети. Этот тип более эффективного, автономного ИИ-обеспеченного машинно-машины коммуникаций определит следующее поколение ИИ.

Как и в случае с каждой другой крупной эрой вычислений, вычисления ИИ продолжают эволюционировать. Если история вычислений чему-то нас научила, так это тому, что новая технология всегда требует много первоначальных инвестиций, но затраты уменьшаются, а эффективность увеличивается, когда мы начинаем использовать улучшенные методы и лучшие практики для создания более полезных и доступных продуктов и услуг для привлечения крупнейших возможных рынков. Инновации всегда находят способ.

Сектор ИИ может показаться недавно пережившим спад, если вы слушаете медведей ИИ, но доллары, которые гиперскелеры планируют потратить в этом году, и растущее использование методов, основанных на выводе, рассказывают другую историю: вычисления ИИ действительно меняются, но обещание ИИ остается полностью целым.