AI-boomen har inte spruckit, men AI-beräkningarna förändras definitivt

Var inte för rädd för AI-björnarna. De undrar högt om den stora boomen i AI-investeringar redan har kommit och gått, om en stor del av marknadens entusiasm och utgifter för stora AI-träningsystem som drivs av många högpresterande GPU:er har spelat ut sin roll, och om förväntningarna på AI-eran bör skalas tillbaka radikalt.

Men om man tittar närmare på planerna för de stora hyperskalarna, är AI-investeringarna fortfarande vid liv. Meta, Amazon (AMZN ), Microsoft (MSFT ) och Google har alla nyligen dubblat sina investeringar i AI-teknologi. Deras kollektiva åtagande för 2025 uppgår till över 300 miljarder dollar, enligt en nylig artikel i Financial Times. Microsofts VD Satya Nadella sa att Microsoft kan spendera 80 miljarder dollar ensam på AI i år. Meta-grundare och VD Mark Zuckerberg sa på Facebook: “Vi planerar att investera 60-65 miljarder dollar i kapitalutgifter i år, samtidigt som vi också växer våra AI-lag betydligt, och vi har kapitalet för att fortsätta investera i åren som kommer.”

Detta är inte ljudet av en AI-boom som spricker, men det har funnits en växande oro kring hur mycket pengar som spenderas på att möjliggöra AI-applikationer. Efter minst två år av teknologijättar som sa att de såg en tydlig efterfrågan på mer beräkningskraft för att hjälpa till att träna stora AI-modeller, har 2025 börjat med att dessa företag dagligen kallas till ordning av affärsmédia för att ha byggt upp så mycket AI-hype.

Varför har det skett en sådan plötslig förändring från hopp till oro? Svaret kan delvis hittas i den snabba uppgången av en ny AI-applikation från Kina. Men för att fullständigt förstå vad som verkligen händer, och vad det betyder för AI-investeringar och teknologiprogram i de kommande åren, måste vi erkänna att AI-eran går in i en ny fas av sin utveckling.

DeepSeeking sanningen

Världen känner nu till allt om DeepSeek, det kinesiska AI-företaget som skryter om hur de använde inferensmotorer och statistisk resonemang för att träna stora språkmodeller mycket mer effektivt och till lägre kostnad än andra företag har tränat sina modeller.

Specifikt hävdade DeepSeek att deras metoder resulterade i att de behövde betydligt färre GPU:er (så få som 2 048 GPU:er), samt mindre kraftfulla GPU:er (Nvidia (NVDA ) H800) än de hundratusentals premium-GPU:er (t.ex. Nvidia H100) som vissa hyperskalföretag har krävt för att träna sina modeller. När det gäller kostnadsbesparingar, medan OpenAI spenderade miljarder dollar på att träna ChatGPT, ska DeepSeek enligt uppgift ha spenderat så lite som 6,5 miljoner dollar för att träna sin R1-modell.

Det bör noteras att många experter har ifrågasatt DeepSeeks utgifter, men skadan var redan skedd, eftersom nyheten om deras olika metoder drev en djup nedgång i aktievärdena för hyperskalarna och de företag vars GPU:er de har spenderat miljarder på för att träna sina AI-modeller.

Men ett par viktiga punkter gick förlorade i kaoset. En var en förståelse för att DeepSeek inte “uppfunnit” en ny metod för att arbeta med AI. Den andra är att mycket av AI-ekosystemet redan var medvetet om en förestående förändring i hur AI-investeringarna behöver spenderas, och hur AI själv kommer att användas i de kommande åren.

När det gäller DeepSeeks metoder är idén att använda AI-inferensmotorer och statistiskt resonemang ingenting nytt. Användningen av statistiskt resonemang är ett aspekt av det bredare begreppet inferensmodellsresonemang, som innebär att AI kan dra slutsatser baserat på mönsterigenkänning. Detta är i princip liknande den mänskliga förmågan att lära sig olika sätt att närma sig ett problem och jämföra dem för att hitta den bästa möjliga lösningen. Inferensbaserat modellsresonemang kan användas idag och är inte exklusivt för ett kinesiskt startup-företag.

Under tiden har AI-ekosystemet under en tid redan förutsett en grundläggande förändring i hur vi arbetar med AI och de beräkningsresurser som krävs. De första åren av AI-eran har handlat om det stora jobbet att träna stora AI-modeller på mycket stora datamängder, allt som krävde mycket bearbetning, komplexa beräkningar, viktsjusteringar och beroende av minne. När AI-modellerna har tränats, förändras saker. AI kan använda inferens för att tillämpa allt den har lärt sig på nya datamängder, uppgifter och problem. Inferens, som är en mindre beräkningsintensiv process än träning, kräver inte lika många GPU:er eller andra beräkningsresurser.

Den ultimata sanningen om DeepSeek är att även om deras metoder inte chockade de flesta av oss i AI-ekosystemet lika mycket som de chockade aktiemarknadsinvestorerna, så betonade de en av de sätt på vilka inferens kommer att vara kärnan i nästa fas av AI:s utveckling.

AI: Nästa generation

Löftet och potentialen för AI har inte förändrats. De pågående massiva AI-investeringarna från de stora hyperskalarna visar den tro de har på den framtida värdet de kan låsa upp från AI, samt de sätt på vilka AI kan förändra hur nästan alla branscher fungerar och hur nästan alla människor går tillväga i sina dagliga liv.

Vad som har förändrats för hyperskalarna är hur dessa pengar kommer att spenderas. Under AI-erans första år var de flesta investeringarna nödvändigtvis på träning. Om man tänker på AI som ett barn, med ett sinne som fortfarande är under utveckling, har vi spenderat mycket pengar på att skicka det till de bästa skolorna och universiteten. Nu är barnet en utbildad vuxen – och det behöver få ett jobb för att försörja sig. I realiteten har vi investerat mycket i att träna AI, och nu behöver vi se avkastningen på den investeringen genom att använda AI för att generera ny inkomst.

För att uppnå denna avkastning på investeringen behöver AI bli mer effektivt och mindre kostsamt för att hjälpa företag att maximera dess marknadsvärde och dess användbarhet för så många applikationer som möjligt. De mest lukrativa nya tjänsterna kommer att vara de autonoma som inte kräver mänsklig övervakning och hantering.

För många företag betyder det att de måste utnyttja resurseffektiva AI-beräkningsmetoder, såsom inferensmodellsresonemang, för att snabbt och kostnadseffektivt möjliggöra autonoma maskin-till-maskinkommunikationer. Till exempel kan AI i trådlösbranschen användas för att autonoma analysera realtidsdata om spektrumanvändning på ett mobilt nätverk för att optimera kanalanvändning och minimera störningar mellan användare, vilket till slut tillåter en mobiloperatör att stödja mer dynamisk spektrumdelning över hela nätverket. Den här typen av mer effektiv, autonom AI-driven maskin-till-maskinkommunikation kommer att definiera AI:s nästa generation.

Som har varit fallet med varje annan stor datorteknisk era, fortsätter AI-beräkningarna att utvecklas. Om datorteknikens historia har lärt oss någonting, är det att ny teknik alltid kräver mycket initiala investeringar, men kostnaderna kommer att sjunka och effektiviteten kommer att öka när vi börjar utnyttja förbättrade metoder och bättre metoder för att skapa mer nyttiga och prisvärda produkter och tjänster som kan tilltala de största möjliga marknaderna. Innovation hittar alltid en väg.

AI-sektorn kan nyligen ha verkat lida av en tillbakagång om man lyssnar på AI-björnarna, men de pengar som hyperskalarna planerar att spendera i år och den ökande användningen av inferensbaserade metoder berättar en annan historia: AI-beräkningarna förändras verkligen, men AI:s löfte är fullständigt intakt.

Ovation alltid hittar en väg. AI-sektorn kan nyligen ha verkat lida av en tillbakagång om man lyssnar på AI-björnarna, men de pengar som hyperskalarna planerar att spendera i år och den ökande användningen av inferensbaserade metoder berättar en annan historia: AI-beräkningarna förändras verkligen, men AI:s löfte är fullständigt intakt.