Hur AI kan gå bust och överleva, precis som internet gjorde

De pågående dramatiska marknadssvängningarna bland AI-drivna techjättar, med offentliga företag som förlorar mer än 1 biljard dollar i värdering på mindre än en månad, visar tydligt att värderingarna är kopplade från grundläggande faktorer. Men den riktiga frågan att ställa just nu är inte när bubblan kommer att brista, utan hur branschen kan ansvarsfullt urholka bubblan och förbereda sig för AI:s framtid.

Under de senaste åren har AI blivit synonymt med stora värderingar, oändlig skalbarhet och en känsla av att ingen kan konkurrera med de största spelarna. Men den tekniska verkligheten har förändrats och pekar på en annan typ av framtid för AI: De riktiga pengarna ligger inte i enormt dyra AI-modeller som en dag kommer att ge avkastning i form av överdimensionerade avkastningar. Alltmer kommer AI:s värde att ligga i hur det integreras och används för att skapa pengar för företag, med tanke på att gränsöverskridande AI-modeller bör bli billigare, inte dyrare. Singularity-myten är över. Skalbarhet i sig ger inte längre stegvisa vinster. Exekvering, distribution och ekosystem är viktigare än rå modellstorlek.

Att anpassa förväntningarna till denna nya verklighet kommer att tillåta den växande AI-bubblan att långsamt urholkas, snarare än att brista och förstöra ekonomin och finansiella marknader som internetbubblan gjorde för en kvartsekel sedan.

På 90-talet antog tech-industrin att internet kunde och skulle göra allt; och att allt som byggdes på internet skulle, av naturen, lyckas. De hade fel och bubblan brast verkligen – men internet överlevde. Kraschen belyste hur onlineframgång inte bara handlade om den underliggande tekniken – internet – utan om förmågan att utveckla smarta och effektiva användningsfall, produkter och hårdvara. Internet vann inte på protokoll ensam. Det vann när webbläsare, innehållsdistributionsnät och utvecklarekosystem gjorde det användbart.

Amazon överlevde och blomstrar fortfarande, medan Pets.com misslyckades eftersom de aldrig hade en lönsam metod för att hantera leverans av deras hundmat, en utmaning som förbises av den förtrollande idén att de skulle kunna ha kunder över hela landet tack vare internet.

Det är exakt där Big AI är idag, uppslukad av drömmar och förväntningar om teknologins framtida potential. Det finns ingen tvekan om att det är den mest fantastiska tekniken vi har idag. Men AI-modeller är bara den underliggande tekniken, inte svaren i sig, och definitivt inte där pengarna och värdet kommer att ligga. Faktum är att transformer- och diffusionsarkitekturer, som ligger till grund för de flesta generativa AI, är offentliga; optimeringsramverk är öppna; beräkningskraft är alltmer tillgänglig. Hinder är inte längre teoretisk kunskap. Det är hantverket att bygga tillförlitliga system och integrera dem i befintliga kreativa och produktionsflöden som kommer att avgöra vem som lyckas. Dessa produkter och tjänster kräver inte heller att investerare förser dem med trillions dollar. Jag vet detta från min egen erfarenhet. Vårt team i Jerusalem byggde en öppen källkodsmodell för att skapa AI-videor för cirka en tiondel av kostnaden för de som tillverkades av marknadsledarna, och som genererar längre sammanhängande scener, ofta med högre upplösning och hastighet. Detta uppnåddes för cirka 100 miljoner dollar, inte miljarder. Vår historia visar att modern AI-förbättring är mindre om hemlig sås och mer om disciplinerad ingenjörskonst.

Liksom med internet kommer de som överlever att vara de som utnyttjar AI för de bästa användningsfallen, hårdvaruapplikationerna, produkterna och tjänsterna. Det är sant att det är svårt att förutsäga vad exakt dessa kommer att vara. När människor använde AOL eller Prodigy i början av 90-talet kunde ingen ha föreställt sig Gmail.

Men utan kraften att se in i framtiden finns det smarta frågor att ställa på vägen för att vägleda AI-branschen och dess investerare att arbeta på ett sätt som kommer att långsamt och gradvis urholka bubblan, samtidigt som de bygger ut ekonomin för framtiden.

Investerare, inklusive riskkapitalister och pensionsfonder som pumpar in pengar i AI-företag, behöver fråga vilket värde som skapas exakt. Miljarder dollar pumpades in i forskning på de stora techföretagen för att bygga AI som i slutändan lätt kunde replikeras på andra platser. Stora AI-budgetar garanterar inte unik immateriell egendom, användarbindning eller försvarbar ekonomi längre. Nu behöver investerare utvärdera hur företag bygger, optimerar och integrerar modeller i verkliga arbetsflöden för kunder, skapar verkliga produkter och tjänster. Investerare bör fråga efter mått som ekonomi per arbetsbelastning när de tittar på AI-applikationer.

Dessa, inte bara modellens talanger eller proprietära natur, är nyckelelementen i värde. Det är också viktigt att förstå värdet av öppen källkodsmodeller. Dessa itererar ofta snabbare än stängda API:er eftersom forskare och utvecklare kan anpassa dem lokalt. Den adoptionen ackumuleras till en vallgrav runt ett företag eller en produkt, vilket hjälper till att garantera vinster och framgång

Både investerare och entreprenörer som är oroliga för effektiv användning av kapital behöver ta ett steg tillbaka och utvärdera den riktiga kostnaden för AI och alla relaterade komponenter; dessa är ofta inflaterade och högre än de behöver vara. Den allmänna strategin bör vara att hårdvarukostnader är volatila, så AI-design bör inte bero på en specifik enhet eller hårdvara. Värdet och vad som differentierar ett företag är dess genomströmning per dollar, inte leverantörsrabatter som gynnar en viss typ av hårdvara. Försvarbarheten av AI-utgifter ligger nu i infrastrukturoptimering, proprietär data och integreringsdjup. Entreprenörer med bra idéer för lösningar som noggrant konstruerar eller använder modeller med det slutliga prestandamålet i åtanke kommer att vinna över dem som söker stora modeller som kan skalas för olika potentiella användningar. En annan fördel är att erbjuda öppna distributionsalternativ för studior och plattformar som inte kan förlita sig på en fjärr-API för realtidsupplevelser.

Beslutsfattare och branschen behöver också tänka mer logiskt om reglering. Framsteg har varit långsamma i dessa områden och fokuserar tungt på frontmodeller som körs på stora enheter; detta är inte längre en praktisk tillvägagångssätt. Momentum är överväldigande mot att sådana modeller kan köras på konsumentenheter, vilket gör reglering av modellerna i sig omöjlig. Den öppna källkodsnaturen hos många modeller presenterar en annan formidabel utmaning för det nuvarande tillvägagångssättet för reglering. Återigen är rätt tillvägagångssätt att fokusera på distribution via applikationer och produkter och utveckla regleringsramar runt dessa för olika industrier, inte övergripande principer om modeller. Målet bör vara att reglera applikationer och sektorer, med standarder för ursprung, säkerhetsräcken i produkter och avslöjande för syntetisk media. Historien från 90-talet och tidigt 2000-tal håller återigen en visdomsfull läxa på detta koncept: Fallet mot den populära musikfildelningföretaget Napster begränsade inte fildelning i sig — den tekniken växte och blev mycket snabbare, och gav till slut plats för streaming – men fokuserade på en plattforms ansvarsfulla distribution av tekniken. (Även genom konkurs lyckades Napster faktiskt hålla fast vid varumärket genom att anpassa hur de distribuerade sin teknik och köptes för mer än 200 miljoner dollar tidigare i år.)

Slutsatsen är att marknaden kommer att konsolideras runt ett fåtal enhetliga multimodala AI-modeller som kan destilleras för effektivitet och anpassas för olika användningar. Alla intressenter behöver fokusera mycket mer på applikationer och det faktiska affärsvärdet som AI kan bringa, och inte förlora sig i modellernas löften. Branschen inflatar snabbare än den skapar värde. Om detta slutar i en dramatisk korrektion — liknande den tidiga internetbubblan — är öppet för debatt. Men klarhet nu betyder motståndskraft senare.