ปัญหามูลค่าล้านล้านดอลลาร์ของ AI

เมื่อเราก้าวเข้าสู่ปี 2025 อุตสาหกรรมปัญญาประดิษฐ์ยืนอยู่ที่จุดเปลี่ยนสำคัญ ในขณะที่อุตสาหกรรมดึงดูดการลงทุนและความสนใจในระดับไม่เคยเกิดขึ้นมาก่อน โดยเฉพาะอย่างยิ่งในภูมิทัศน์ของ AI ที่สร้างขึ้น หลายปัจจัยในตลาดที่ซ่อนอยู่ชี้ให้เห็นว่าเรากำลังจะเข้าสู่การเปลี่ยนแปลงครั้งใหญ่ในภูมิทัศน์ของ AI ในช่วงปีที่จะมาถึง

โดยอาศัยประสบการณ์ของฉันในการเป็นผู้นำในธุรกิจ AI และสังเกตการเปลี่ยนแปลงอย่างรวดเร็วของอุตสาหกรรม ฉันเชื่อว่าในปีนี้จะมีการเปลี่ยนแปลงพื้นฐานมากมาย ตั้งแต่การปรากฏตัวของโมเดลคอนเซปต์ขนาดใหญ่ (LCMs) ที่คาดว่าจะเป็นคู่แข่งที่ร้ายแรงกับโมเดลภาษาขนาดใหญ่ (LLMs) การเพิ่มขึ้นของฮาร์ดแวร์ AI ที่มีประสิทธิภาพพิเศษ และการเริ่มต้นการสร้างโครงสร้างพื้นฐาน AI ของบริษัท Big Tech ที่จะทำให้พวกเขาอยู่ในตำแหน่งที่จะแข่งขันกับสตาร์ทอัพอย่าง OpenAI และ Anthropic และอาจจะยึดครองการผูกขาด AI ในที่สุด

ความท้าทายที่ไม่เหมือนใครของบริษัท AI: ไม่ใช่ซอฟต์แวร์หรือฮาร์ดแวร์

ปัญหาหลักอยู่ที่ว่าบริษัท AI ดำเนินงานในพื้นที่กลางที่ไม่เคยเห็นมาก่อน ระหว่างธุรกิจซอฟต์แวร์และฮาร์ดแวร์แบบดั้งเดิม ไม่เหมือนกับบริษัทซอฟต์แวร์ที่ลงทุนในทรัพยากรบุคคลโดยมีค่าใช้จ่ายในการดำเนินงานที่ค่อนข้างต่ำ หรือบริษัทฮาร์ดแวร์ที่ลงทุนในทรัพย์สินระยะยาวที่มีเส้นทางที่ชัดเจนในการสร้างผลตอบแทน บริษัท AI ต้องเผชิญกับชุดความท้าทายที่ไม่เหมือนใครที่ทำให้แบบจำลองการให้ทุนในปัจจุบันไม่มั่นคง

บริษัทเหล่านี้ต้องการค่าใช้จ่ายล่วงหน้าที่มากสำหรับการใช้คลัสเตอร์ GPU และโครงสร้างพื้นฐาน โดยใช้จ่าย 100-200 ล้านดอลลาร์ต่อปีเพียงสำหรับทรัพยากรการคำนวณเพียงอย่างเดียว แต่ไม่เหมือนกับบริษัทฮาร์ดแวร์ พวกเขาไม่สามารถหักค่าใช้จ่ายเหล่านี้ออกเป็นระยะเวลานานได้ แทนที่จะดำเนินงานในวงจรที่ถูกบีบอัดเป็นสองปีระหว่างรอบการให้ทุน โดยที่พวกเขาต้องแสดงให้เห็นถึงการเติบโตที่มากและประสิทธิภาพที่ทันสมัยเพื่อเป็นเหตุผลในการเพิ่มมูลค่าในรอบถัดไป

ปัญหาการแยกแยะของ LLMs

การเพิ่มเข้ามาสู่ความท้าทายเชิงโครงสร้างนี้คือแนวโน้มที่น่ากังวล: การมาบรรจบกันอย่างรวดเร็วของความสามารถของโมเดลภาษาขนาดใหญ่ (LLM) สตาร์ทอัพ เช่น ยูนิคอร์น Mistral AI และอื่นๆ ได้แสดงให้เห็นว่าโมเดลที่เปิดกว้างสามารถ บรรลุผลลัพธ์ที่เทียบเท่า กับโมเดลที่ปิด แต่การแยกแยะทางเทคนิคที่เคยเป็นเหตุผลในการให้ค่าvaluation สูงๆ กำลังจะยากต่อการรักษา

ในอีกคำหนึ่ง ในขณะที่โมเดล LLM ใหม่ๆ มีการแสดงผลลัพธ์ที่น่าประทับใจตามมาตรฐานทั่วไป การเปลี่ยนแปลงที่สำคัญในโครงสร้างแบบจำลองที่อยู่เบื้องหลังไม่ได้เกิดขึ้น

ข้อจำกัดในปัจจุบันในโดเมนนี้มาจากสามพื้นที่ที่สำคัญ: ความพร้อมของข้อมูล เนื่องจากเรากำลังจะหมดวัสดุฝึกอบรมคุณภาพสูง (ตามที่ ยืนยันโดย Elon Musk เมื่อเร็วๆ นี้); วิธีการคัดเลือก เนื่องจากพวกมันทั้งหมดใช้วิธีการให้ข้อมูลจากมนุษย์ที่คล้ายกันซึ่งถูกเปิดเผยโดย OpenAI; และ โครงสร้างการคำนวณ เนื่องจากพวกมันพึ่งพูลูกกลมของฮาร์ดแวร์ GPU พิเศษ

สิ่งที่เกิดขึ้นคือรูปแบบที่การเพิ่มขึ้นมาจากประสิทธิภาพมากกว่าการขยายขนาด บริษัทต่างๆ มุ่งเน้นไปที่การบีบอัดความรู้มากขึ้นลงในโทเค็นน้อยลง และพัฒนาอาร์ติแฟคต์ทางวิศวกรรมที่ดีขึ้น เช่น ระบบการค้นหาที่ช่วยการสร้างข้อความ (retrieval-augmented generation) โดยพื้นฐานแล้ว เรากำลังเข้าใกล้จุดสูงสุดตามธรรมชาติ гдеการโยนทรัพยากรมากขึ้นเข้าไปในปัญหาให้ผลตอบแทนที่ลดลง

เนื่องจากการเปลี่ยนแปลงที่ไม่เคยเกิดขึ้นมาก่อนในสองปีที่ผ่านมา การมาบรรจบกันของความสามารถ LLM เกิดขึ้นเร็วกว่าที่ใครๆ คาดไว้ ทำให้เกิดการแข่งขันเวลาสำหรับบริษัทที่ระดมทุน

ตามแนวโน้มการวิจัยล่าสุด ด้านหน้าของการแก้ไขปัญหานี้คือการเกิดขึ้นของ โมเดลคอนเซปต์ขนาดใหญ่ (LCMs) เป็นโครงสร้างใหม่ที่แข่งขันกับ LLMs ในด้านภาษาธรรมชาติ (NLP)

จากมุมมองทางเทคนิค LCMs จะมีข้อดีหลายประการ รวมถึงโอกาสในการทำงานที่ดีกว่าด้วยการวนซ้ำน้อยลง และความสามารถในการบรรลุผลลัพธ์ที่คล้ายกันโดยใช้ทีมที่เล็กกว่า ฉันเชื่อว่า LCMs รุ่นต่อไปนี้จะถูกพัฒนาและพาณิชย์โดยทีมที่แยกออกมา ซึ่งเป็น ‘นักบุกเบิก’ ที่มีชื่อเสียงที่ออกมาจากบริษัทขนาดใหญ่เพื่อเป็นผู้นำในการปฏิวัตินี้

ความไม่ตรงกันของเส้นเวลาในการสร้างรายได้

การบีบอัดของวงจรนวัตกรรมได้สร้างปัญหาเชิงสำคัญอีกประการหนึ่ง: ความไม่ตรงกันระหว่างเวลาในการเข้าสู่ตลาดและการสร้างรายได้อย่างยั่งยืน ในขณะที่เรากำลังเห็นความเร็วที่ไม่เคยเกิดขึ้นมาก่อนในการนำแอปพลิเคชัน AI มาใช้ในแนวตั้ง – เช่น ตัวแทนเสียง AI ที่เปลี่ยนจากแนวคิดไปสู่ผลิตภัณฑ์ที่สร้างรายได้ภายในไม่กี่เดือน – การพาณิชย์อย่างรวดเร็วนี้ปิดบังปัญหาในระดับลึก

พิจารณานี้: สตาร์ทอัพ AI ที่มีมูลค่า 20 พันล้านดอลลาร์ในปัจจุบันอาจต้องสร้างรายได้ประมาณ 1 พันล้านดอลลาร์ต่อปีภายใน 4-5 ปีเพื่อเป็นเหตุผลในการเข้าจดทะเบียนที่มีมูลค่าเหมาะสม ซึ่งต้องการไม่เพียงแต่ความเป็นเลิศทางเทคนิค แต่ยังรวมถึงการเปลี่ยนแปลงที่สำคัญของแบบจำลองธุรกิจ – จากการมุ่งเน้นการวิจัยและพัฒนาไปสู่การขับเคลื่อนด้วยการขาย – ในขณะเดียวกันก็รักษากระบวนการนวัตกรรมและจัดการค่าใช้จ่ายโครงสร้างพื้นฐานที่มาก

ในแง่นี้ สตาร์ทอัพใหม่ที่มุ่งเน้น LCM ที่จะเกิดขึ้นในปี 2025 จะอยู่ในตำแหน่งที่ดีกว่าในการระดมทุน โดยมีการประเมินค่าเริ่มต้นที่ต่ำกว่า ทำให้พวกเขาเป็นเป้าหมายที่น่าสนใจสำหรับนักลงทุน

การขาดแคลนฮาร์ดแวร์และทางเลือกใหม่

มาดูกันอย่างใกล้ชิดเกี่ยวกับโครงสร้างพื้นฐาน ปัจจุบัน คลัสเตอร์ GPU ใหม่ทุกชุดถูกซื้อแม้กระทั่งก่อนที่จะถูกสร้างโดยผู้เล่นรายใหญ่ ทำให้ผู้เล่นขนาดเล็กต้องมอบหมายสัญญาระยะยาวกับผู้ให้บริการคลาวด์หรือเสี่ยงต่อการถูกตัดออกจากตลาดทั้งหมด

แต่นี่คือสิ่งที่น่าสนใจจริงๆ: ในขณะที่ทุกคนต่อสู้เพื่อ GPU มีการเปลี่ยนแปลงที่น่าสนใจในภูมิทัศน์ของฮาร์ดแวร์ที่ยังคงถูกมองข้าม โครงสร้าง GPU ปัจจุบันเรียกว่า GPGPU (General Purpose GPU) มีประสิทธิภาพต่ำมากสำหรับสิ่งที่บริษัทต่างๆ ต้องการในกระบวนการผลิต มันเหมือนกับการใช้ซูเปอร์คอมพิวเตอร์ในการรันแอปพลิเคชันเครื่องคิดเลข

นี่คือเหตุผลที่ฉันเชื่อว่าฮาร์ดแวร์ AI ที่มีประสิทธิภาพพิเศษจะกลายเป็นการเปลี่ยนแปลงครั้งใหญ่ในอุตสาหกรรมของเรา บริษัทต่างๆ เช่น Groq และ Cerebras (CBRS ) กำลังสร้างฮาร์ดแวร์เฉพาะสำหรับการอนุมานที่มีราคาถูกกว่า 4-5 เท่าในการดำเนินงานมากกว่า GPU ทั่วไป ใช่ มีค่าใช้จ่ายด้านวิศวกรรมที่สูงขึ้นในตอนแรกเพื่อปรับโมเดลให้เหมาะสมกับแพลตฟอร์มเหล่านี้ แต่สำหรับบริษัทที่รันเวิร์กโหลดการอนุมานขนาดใหญ่ ประสิทธิภาพที่เพิ่มขึ้นเป็นเรื่องที่ชัดเจน

ความหนาแน่นของข้อมูลและการเกิดขึ้นของโมเดลที่เล็กกว่าและฉลาดกว่า

การเคลื่อนตัวไปสู่แนวหน้าของนวัตกรรม AI อาจต้องการไม่เพียงแต่พลังการคำนวณที่มากขึ้น – โดยเฉพาะสำหรับโมเดลขนาดใหญ่เช่น LCMs – แต่ยังรวมถึงชุดข้อมูลที่มีความหลากหลายและสมบูรณ์ยิ่งขึ้นด้วย

น่าสนใจที่จะเห็นว่าโมเดลที่มีขนาดเล็กและมีประสิทธิภาพกำลังเริ่มท้าทายโมเดลที่ใหญ่กว่าโดยการขยายความหนาแน่นในการฝึกอบรมบนข้อมูลที่มีอยู่ ตัวอย่างเช่น โมเดลอย่าง FeeFree ของ Microsoft (MSFT ) หรือ Gema2B ของ Google มีเพารามิเตอร์น้อยกว่า – มักจะอยู่ที่ประมาณ 2-3 พันล้าน – แต่บรรลุระดับการทำงานที่เทียบเท่ากับโมเดลที่ใหญ่กว่าซึ่งมี 8 พันล้านเพารามิเตอร์

โมเดลเหล่านี้มีความสามารถในการแข่งขันเพราะความหนาแน่นของข้อมูลที่สูง ทำให้พวกมันมีความแข็งแกร่งแม้จะมีขนาดเล็ก การเปลี่ยนแปลงนี้ไปสู่โมเดลที่กะทัดรัดแต่มีประสิทธิภาพสอดคล้องกับข้อได้เปรียบเชิงกลยุทธ์ที่บริษัทอย่าง Microsoft และ Google ถือครอง: การเข้าถึงชุดข้อมูลขนาดใหญ่และหลากหลายผ่านแพลตฟอร์มเช่น Bing และ Google Search

การเคลื่อนไหวนี้เปิดเผย “สงคราม” สองครั้งที่กำลังเกิดขึ้นในการพัฒนา AI: สงครามหนึ่งเกี่ยวกับพลังการคำนวณ และอีกสงครามหนึ่งเกี่ยวกับข้อมูล ในขณะที่ทรัพยากรการคำนวณมีความสำคัญต่อการขยายขอบเขต การหนาแน่นของข้อมูลกำลังจะกลายเป็นปัจจัยที่สำคัญไม่แพ้กัน บริษัทที่มีการเข้าถึงชุดข้อมูลขนาดใหญ่จะอยู่ในตำแหน่งที่ไม่เหมือนใครในการฝึกโมเดลที่เล็กแต่แข็งแกร่งด้วยประสิทธิภาพและความแข็งแกร่งที่ไม่มีใครเทียบได้

ใครจะชนะสงคราม AI?

ในบริบทนี้ ทุกคนชอบที่จะสงสัยว่าใครในภูมิทัศน์ AI ปัจจุบันจะอยู่ในตำแหน่งที่ดีที่สุดในการออกมาเป็นผู้ชนะ มีบางสิ่งที่น่าสนใจที่นี่

บริษัทเทคโนโลยีรายใหญ่ๆ ได้ซื้อคลัสเตอร์ GPU ทั้งหมดก่อนที่จะสร้าง ทำให้เกิดสภาพแวดล้อมที่มีการขาดแคลนสำหรับผู้เล่นรายเล็ก การซื้อ GPU มากกว่า 100,000 ชิ้นของ Oracle และการเคลื่อนไหวที่คล้ายกันของ Meta และ Microsoft เป็นตัวอย่างของแนวโน้มนี้

หลังจากที่ลงทุนหลายร้อยพันล้านดอลลาร์ในโครงการ AI บริษัทเหล่านี้ต้องการนักวิศวกรและนักวิจัย AI พิเศษหลายพันคน ซึ่งสร้างความต้องการที่ไม่เคยเกิดขึ้นมาก่อนสำหรับคนเก่งที่สามารถตอบสนองได้เพียงผ่านการซื้อกิจการเชิงกลยุทธ์ ซึ่งอาจส่งผลให้หลายๆ สตาร์ทอัพถูกซื้อกิจการในเดือนและปีที่จะมาถึง

ในขณะที่ปี 2025 จะใช้เวลาในการวิจัยและพัฒนาโครงสร้างพื้นฐานขนาดใหญ่สำหรับผู้เล่นเหล่านี้ ภายในปี 2026 พวกเขาจะอยู่ในตำแหน่งที่จะโจมตีแบบไม่เคยเกิดขึ้นมาก่อนเนื่องจากทรัพยากรที่ไม่เคยเห็นมาก่อน

สิ่งนี้ไม่ได้หมายความว่าบริษัท AI ขนาดเล็กจะถูกตัดออก – ไม่เลย อุตสาหกรรมจะยังคงสร้างนวัตกรรมและสร้างมูลค่า การพัฒนาในอุตสาหกรรม เช่น LCMs อาจถูกนำโดยผู้เล่นใหม่ๆ ที่เกิดขึ้นในอุตสาหกรรมในอนาคตข้างหน้า ร่วมกับ Meta, Google/Alphabet (GOOG ) และ OpenAI พร้อมด้วย Anthropic ที่กำลังทำงานในโครงการที่น่าสนใจในขณะนี้

อย่างไรก็ตาม เรามีแนวโน้มที่จะเห็นการเปลี่ยนแปลงโครงสร้างพื้นฐานในการให้ทุนและประเมินมูลค่าของบริษัท AI เมื่อการลงทุนร่วมทุนมีความเลือกสรรมากขึ้น บริษัทต่างๆ จะต้องแสดงให้เห็นถึงเส้นทางที่ชัดเจนไปสู่เศรษฐศาสตร์หน่วยที่ยั่งยืน – ซึ่งเป็นความท้าทายที่สำคัญสำหรับธุรกิจที่เปิดกว้างที่แข่งขันกับทางเลือกที่เป็นของส่วนตัวที่มีทรัพยากรมาก

สำหรับบริษัท AI ที่เปิดกว้างโดยเฉพาะ เส้นทางไปข้างหน้าอาจต้องมุ่งเน้นไปที่แอปพลิเคชันแนวตั้งโดยเฉพาะที่ความโปร่งใสและความสามารถในการปรับแต่งของพวกเขาให้ข้อได้เปรียบที่ชัดเจนเหนือทางเลือกที่เป็นของส่วนตัว