Трильйон-доларова проблема штучного інтелекту

Когда ми вступаємо в 2025 рік, сектор штучного інтелекту знаходиться на критичному етапі інфлексії. Хоча галузь продовжує приваблювати безпрецедентні рівні інвестицій і уваги – особливо в рамках генеративного штучного інтелекту – кілька основних ринкових динамік свідчать про те, що ми рухаємось до великих змін у ландшафті штучного інтелекту в найближчий рік.

Виходячи з мого досвіду керівництва стартапом штучного інтелекту та спостереження за швидкою еволюцією галузі, я вважаю, що цей рік принесе багато фундаментальних змін: від великих концептуальних моделей (LCM), які мають виникнути як серйозні конкуренти великим мовним моделям (LLM), до появи спеціалізованого апаратного забезпечення штучного інтелекту, а також до початку великими технологічними компаніями великомасштабної побудови інфраструктури штучного інтелекту, яка нарешті дозволить їм конкурувати з стартапами, такими як OpenAI і Anthropic – і, хто знає, можливо, навіть закріпити їхню монополію в галузі штучного інтелекту.

Унікальна проблема компаній штучного інтелекту: ні програмне забезпечення, ні апаратне забезпечення

Основна проблема полягає в тому, як компанії штучного інтелекту діють у попередньо не баченому середньому ґрунті між традиційними програмними та апаратними підприємствами. На відміну від чистих програмних компаній, які в основному інвестують в людський капітал з відносно низькими операційними витратами, або апаратних компаній, які роблять довгострокові інвестиції в капітал з чіткими шляхами до повернення, компанії штучного інтелекту стикаються з унікальною комбінацією проблем, які роблять їхні поточні моделі фінансування хиткими.

Ці компанії вимагають величезних витрат на апаратне забезпечення та інфраструктуру, витрачаючи 100-200 мільйонів доларів щорічно лише на обчислювальні ресурси. Однак, на відміну від апаратних компаній, вони не можуть амортизувати ці інвестиції протягом тривалого періоду. Замість цього вони працюють у стиснутих дворічних циклах між раундами фінансування, кожен раз потрібно демонструвати експоненційний růст та передові можливості, щоб виправдати наступне підвищення вартості.

Проблема диференціації LLM

До цієї структурної проблеми додається турбуюча тенденція: швидка конвергенція можливостей великих мовних моделей (LLM). Стартапи, такі як французький стартап Mistral AI, продемонстрували, що відкриті моделі можуть досягти результатів, порівнянних з результатами закритих моделей, але технічна диференціація, яка раніше виправдовувала високі оцінки, стає все більш важкою для підтримання.

Іншими словами, хоча кожна нова LLM володіє вражаючими можливостями на основі стандартних бенчмарків, суттєва зміна основної моделі архітектури не відбувається.

Поточні обмеження в цій галузі походять з трьох критичних областей: доступності даних, оскільки ми витрачаємо високоякісний навчальний матеріал (як підтвердив Елон Маск недавно); методів кураторства, оскільки вони всі采用 схожі підходи зворотного зв’язку людини, розроблені OpenAI; і обчислювальної архітектури, оскільки вони покладаються на той же обмежений пул спеціалізованого апаратного забезпечення GPU.

Що виникає, це модель, в якій виграші все більше походять від ефективності, а не масштабу. Компанії зосереджуються на стисненні більшої кількості знань у меншу кількість токенів та розробці кращих інженерних артефактів, таких як системи пошуку, такі як графічні RAG (генеративне відновлення). По суті, ми наближуємося до природної платформи, де кидання更多 ресурсів на проблему дає зменшення результатів.

Через безпрецедентний темп інновацій за останні два роки ця конвергенція можливостей LLM відбувається швидше, ніж хто-небудь очікував, створюючи гонку проти часу для компаній, які зібрали кошти.

На основі останніх дослідницьких тенденцій наступний рубіж для вирішення цієї проблеми полягає у появі великих концептуальних моделей (LCM) як нової, революційної архітектури, що конкурує з LLM у їхньому основному домені, який є природною мовою (NLP).

Технічно кажучи, LCM будуть володіти декількома перевагами, включаючи можливість кращої продуктивності з меншою кількістю ітерацій та можливість досягнення схожих результатів з меншими командами. Я вважаю, що ці наступні LCM будуть розроблені та комерціалізовані відокремленими командами, знаменитими “екс-біг-тек” мавериками, які засновують нові стартапи для проведення цієї революції.

Несумістність графіка монетизації

Стиснення циклів інновацій створило ще одну критичну проблему: несумістність між часом виходу на ринок та сталим монетизуванням. Хоча ми бачимо безпрецедентну швидкість у вертикалізації застосунків штучного інтелекту – наприклад, голосові агенти штучного інтелекту переходять від концепції до продукту, який генерує дохід, за кілька місяців – ця швидка комерціалізація маскує глибоку проблему.

Розгляньте це: стартап штучного інтелекту, оцінений у 20 мільярдів доларів сьогодні, ймовірно, буде потребувати генерації близько 1 мільярда доларів щорічного доходу протягом 4-5 років, щоб виправдати виходу на біржу при розумному коефіцієнті. Це вимагає не тільки технічної досконалості, але й драматичної трансформації всієї бізнес-моделі, від орієнтованої на дослідження та розробки до орієнтованої на продажі, при цьому підтримуючи темп інновацій та керуючи величезними витратами на інфраструктуру.

У цьому сенсі нові стартапи, орієнтовані на LCM, які виникнуть у 2025 році, будуть у кращому становищі для збору коштів, з нижчими первинними оцінками, що робить їх більш привабливими цілями для інвесторів.

Нестача апаратного забезпечення та появлення альтернатив

Давайте ближче розглянемо інфраструктуру. Сьогодні кожен новий кластер GPU купується навіть до його побудови великими гравцями, змушуючи менших гравців або зобов’язуватися до довгострокових контрактів з постачальниками хмарних послуг, або ризикувати бути виключеними з ринку зовсім.

Але ось що справді цікаво: поки всі борються за GPU, відбулася фантастична зміна у ландшафті апаратного забезпечення, яка досі в основному ігнорується. Поточна архітектура GPU, звана GPGPU (General Purpose GPU), надзвичайно неефективна для того, що компанії фактично потребують у виробництві. Це як використання суперкомп’ютера для запуску програми калькулятора.

Це саме тому я вважаю, що спеціалізоване апаратне забезпечення штучного інтелекту буде наступною великою зміною в нашій галузі. Компанії, такі як Groq і Cerebras (CBRS ), будують апаратне забезпечення, спеціально призначене для висновків, яке у 4-5 разів дешевше у використанні, ніж традиційні GPU. Так, є вища інженерна вартість на початку для оптимізації моделей для цих платформ, але для компаній, які виконують великомасштабні завдання висновків, виграші з ефективності очевидні.

Густота даних та підйом менших, розумніших моделей

Перехід до наступного інноваційного рубежу в штучному інтелекті, ймовірно, буде вимагати не тільки більшої обчислювальної потужності – особливо для великих моделей, таких як LCM – але й багатших, більш повних наборів даних.

Цікаво, що менші, більш ефективні моделі починають конкурувати з більшіми, капіталізуючи те, як густо вони тренуються на доступних даних. Наприклад, моделі, такі як Microsoft’s (MSFT ) FeeFree або Google’s Gema2B, працюють з набагато меншою кількістю параметрів – часто близько 2-3 мільярдів – але досягають рівнів продуктивності, порівнянних з набагато більшішими моделями з 8 мільярдами параметрів.

Ці менші моделі стають все більш конкурентоспроможними через свою високу густоту даних, роблячи їх надійними, незважаючи на їхній розмір. Ця зміна до компактних, але потужних моделей відповідає стратегічним перевагам компаній, таких як Microsoft і Google: доступу до величезних, різноманітних наборів даних через платформи, такі як Bing і Google Search.

Ця динаміка розкриває дві критичні “війни”, які розгортаються у розробці штучного інтелекту: одну за обчислювальну потужність та іншу за дані. Хоча обчислювальні ресурси залишаються важливими для просування меж, густота даних стає рівною, якщо не більш важливою. Компанії з доступом до величезних наборів даних унікально позиціоновані для навчання менших моделей з неперевершеною ефективністю та надійністю, закріплюючи свою домінанту в еволюційному ландшафті штучного інтелекту.

Хто виграє війну штучного інтелекту?

У цьому контексті кожен хоче знати, хто в поточному ландшафті штучного інтелекту найкраще позиціонований для перемоги. Ось деякі думки.

Великі технологічні компанії попередньо купили цілі кластери GPU, навіть до їх побудови, створюючи середовище нестачі для менших гравців. Замовлення Oracle на 100 000+ GPU та подібні рухи Meta і Microsoft демонструють цю тенденцію.

Потративши сотні мільярдів доларів на ініціативи штучного інтелекту, ці компанії потребують тисяч спеціалізованих інженерів та дослідників штучного інтелекту. Це створює безпрецедентний попит на таланти, який може бути задоволений лише через стратегічні придбання – ймовірно, результатом чого буде поглинання багатьох стартапів у найближчі місяці.

Хоча 2025 рік буде витрачений на великомасштабні дослідження та розвиток інфраструктури для таких акторів, до 2026 року вони будуть у позиції для удару, як ніколи раніше, завдяки неперевершеним ресурсам.

Це не означає, що менші компанії штучного інтелекту приречені – далеко не так. Галузь продовжить інновувати та створювати вартість. Деякі ключові інновації в галузі, такі як LCM, ймовірно, будуть проведені меншими, новими акторами в найближчий рік, поряд з Meta, Google/Alphabet (GOOG ) та OpenAI з Anthropic, які всі працюють над цікавими проектами на даний момент.

Однак ми, ймовірно, побачимо фундаментальну перебудову того, як компанії штучного інтелекту фінансуються та оцінюються. Коли风险овий капітал стає більш дискримінаційним, компанії повинні демонструвати чіткі шляхи до сталих економічних показників – особливої проблеми для відкритих бізнесів, які конкурують з добре оснащеними пропріетарними альтернативами.

Для відкритих компаній штучного інтелекту конкретно шлях вперед може вимагати зосередження на конкретних вертикальних застосунках, де їх прозорість та можливості налаштування забезпечують явні переваги над пропріетарними рішеннями.