Что может научить нас DeepSeek о стоимости и эффективности ИИ

С его милым логотипом кита, недавний выпуск DeepSeek мог бы оказаться просто еще одной копией ChatGPT. Что сделало его новостным – и что отправило акции конкурентов в пике – было то, сколько стоило его создание. Это эффективно бросило вызов представлению США об инвестициях, необходимых для обучения высокофункциональной большой языковой модели (LLM).

DeepSeek якобы потратил всего 6 миллионов долларов на обучение своей модели ИИ. Напротив, OpenAI потратил 80-100 миллионов долларов на Chat GPT-4 или 1 миллиард долларов, которые они отложили для GPT-5. DeepSeek ставит под сомнение этот уровень инвестиций и оставляет крупные игроки, такие как Nvidia (NVDA ) – чья стоимость акций упала на 600 миллиардов долларов за один день – TSMC и Microsoft (MSFT ), беспокоясь о долгосрочной финансовой жизнеспособности ИИ. Если возможно обучать модели ИИ за значительно меньшие деньги, чем считалось ранее, что это значит для расходов на ИИ в целом?

Хотя срыв DeepSeek привел к важным обсуждениям, некоторые ключевые моменты, кажется, теряются в суматохе. Однако, что эта новость поднимает, – это более сильный фокус на том, сколько стоит инновация и возможном экономическом влиянии ИИ. Вот три важных вывода, возникающих из этой новости:

1. Цена DeepSeek в 6 миллионов долларов вводит в заблуждение

Компаниям необходимо понять полную стоимость владения своей инфраструктурой (TCO). Хотя цена DeepSeek в 6 миллионов долларов много обсуждается, это, вероятно, стоимость только его предварительного обучения, а не всей инвестиции. Полная стоимость – не только эксплуатации, но и создания и обучения DeepSeek – вероятно, намного выше. Аналитическая фирма SemiAnalysis показала, что компания, стоящая за DeepSeek, потратила 1,6 миллиарда долларов на оборудование, чтобы сделать свою LLM реальностью. Итак, вероятная стоимость находится где-то посередине.

Какова бы ни была истинная стоимость, появление DeepSeek создало фокус на инновациях, эффективных по стоимости, который может быть трансформационным. Инновации часто стимулируются ограничениями, и успех DeepSeek подчеркивает, как инновации могут произойти, когда инженерные команды оптимизируют свои ресурсы перед лицом реальных ограничений.

2. Вывод – это то, что делает ИИ ценным, а не обучение

Важно обратить внимание на то, сколько стоит обучение модели ИИ, но обучение представляет собой небольшую часть общей стоимости создания и эксплуатации модели ИИ. Вывод — многообразные способы, которыми ИИ меняет, как люди работают, взаимодействуют и живут, — это то, где ИИ становится действительно ценным.

Это поднимает теорию парадокса Джевонса, экономическую теорию, предполагающую, что по мере того, как технологические достижения делают использование ресурса более эффективным, общее потребление этого ресурса может фактически увеличиться. Другими словами, по мере того, как затраты на обучение снижаются, вывод и агентное потребление увеличатся, и общая трата последует за этим.

Эффективность ИИ может, в самом деле, привести к растущему потоку расходов на ИИ, который должен поднять все лодки, а не только китайские. Предполагая, что они катятся на волне эффективности, компании, такие как OpenAI и Nvidia, также выиграют.

3. То, что остается истинным, – это то, что экономика единиц имеет наибольшее значение

Сделать ИИ более эффективным – это не только снижение затрат, но и оптимизация экономики единиц. The Motley Fool прогнозирует, что в этом году будет год эффективности ИИ. Если они правы, компании должны обратить внимание на снижение затрат на обучение ИИ, а также на затраты на потребление ИИ.

Организациям, которые строят или используют ИИ, необходимо знать свою экономику единиц, а не выделять впечатляющие цифры, такие как стоимость обучения DeepSeek в 6 миллионов долларов. Реальная эффективность включает в себя распределение всех затрат, отслеживание спроса, стимулируемого ИИ, и постоянный контроль над соотношением затрат и ценности.

Экономика единиц облака (CUE) связана с измерением и максимизацией прибыли, стимулируемой облаком. CUE сравнивает ваши затраты на облако с метриками дохода и спроса, показывая, насколько эффективны ваши затраты на облако, как это изменилось со временем и (если у вас есть правильная платформа) лучшие способы увеличить эту эффективность.

Понимание CUE имеет еще большую полезность в контексте ИИ, учитывая, что оно по своей сути более дорогое в потреблении, чем традиционные облачные услуги, продаваемые гиперскалерами. Компании, строящие агентные приложения, могли бы рассчитать свою стоимость за транзакцию (например, стоимость за счет, стоимость за доставку, стоимость за сделку и т. д.) и использовать это для оценки возврата инвестиций от конкретных услуг, продуктов и функций, стимулируемых ИИ. По мере увеличения расходов на ИИ компании будут вынуждены делать это; ни одна компания не может бесконечно бросать деньги на экспериментальную инновацию. В конце концов, это должно иметь бизнес- смысл.

К большей эффективности

Как бы ни было значимо число 6 миллионов долларов, DeepSeek, возможно, предоставил момент, который пробудит отрасль технологий к неизбежному важности эффективности. Давайте надеемся, что это откроет ворота для эффективного обучения, вывода и агентных приложений, которые открывают истинный потенциал и ROI ИИ.