ከሚያበሩ አርእስቶች በስተጀርባ፣ የAI ኢንዱስትሪ ስለ የፈጠራ ፍጥነት፣ የካፒታል ዘላቂነት፣ እና የሞዴል አበልጻጊዎች ከመተግበሪያ ገንቢዎች ጋር የሚለያዩ መንገዶች ዙሪያ ካሉ መሠረታዊ ጥያቄዎች ጋር ትታገላለች።
የኢንዱስትሪው ዝምተኛ የመቀየሪያ ነጥብ
ባለፉት ሶስት ዓመታት ውስጥ ሰው ሰራሽ ብልህነት ከዚህ በፊት ያልታየ ፍጥነት አሳይቷል። ChatGPT ከተጀመረ ጀምሮ፣ የተጠቃሚዎች መቀበል ሪከርዶችን ሰብሯል፣ ከOpenAI እስከ Google ድረስ ያሉ ግዙፍ ኩባንያዎች በፍጥነት ተከታታይ ሞዴሎችን አስታውቀዋል፣ እና Fortune 500 ኩባንያዎች AIን በንግድ ሂደቶቻቸው ማዕከል ላይ አስቀምጠዋል። ሆኖም ዛሬ፣ ከሚያበሩ አርእስቶች በስተጀርባ፣ ኢንዱስትሪው ፈጽሞ የተለየ መሠረታዊ ጥያቄ ጋር እየታገለ ነው፦
እውነተኛ ፈጠራ አሁንም በጠንካራ ፍጥነት ወደፊት እየገፋ ነውን፣ ወይስ የማይታዩ ገደቦችን እየመታ ያለ ግዙፍ ማሽን እያየን ነው?
ለዚህ ጥያቄ ትክክለኛ መልስ ለመስጠት፣ ስነ-ምህዳሩን በሁለት የተለዩ መነጽሮች ማየት ያስፈልገናል፦
Primary market: እንደ GPT-4, Claude, እና Gemini ያሉ መሠረታዊ ሞዴሎችን የሚያበለጽጉ ኩባንያዎች፦ OpenAI, Anthropic, Google DeepMind, Meta.
Secondary market: እነዚህን ሞዴሎች ወስደው ለተጠቃሚዎች እውነተኛ ችግኝ መፍትሄዎችን የሚገነቡ ኩባንያዎች፦ Perplexity, Cursor, Notion AI, Replit.
ሁለቱም ገበያዎች በአንድ ኢንዱስትሪ ውስጥ ቢኖሩም፣ የእነሱ እንቅስቃሴዎች፣ የወጪ መዋቅሮች፣ የአደጋ መገለጫዎች፣ እና የእድገት ተስፋዎች በመሠረታዊነት የተለዩ ናቸው። ዛሬ እያየነው ያለው ግጭት በትክክል ከዚህ ልዩነት የሚመነጭ ነው።
የሞዴል ልማት ተፈጥሯዊ ገደቦች እየታዩ ነው
ባለፉት አምስት ዓመታት ውስጥ የትልልቅ የቋንቋ ሞዴሎችን እድገት አራት መሠረታዊ ነገሮች ቅርጽ ሰጥተዋል፦
- የሞዴል መጠን (parameter count)
- የስልጠና ውሂብ (ጥራት እና ልዩነት)
- የስሌት ኃይል (GPU/TPU capacity)
- የስልጠና ቴክኒኮች (transformer architectures, attention mechanisms)
ከ2018 እስከ 2023 ድረስ፣ እነዚህ አራት ነገሮች በአንድ አቅጣጫ ተስፋፍተው ግዙፍ ዝላይዎችን ፈጥረዋል። ከGPT-2 ወደ GPT-4፣ ከBERT ወደ PaLM የተሻገርነው በዚህ መንገድ ነው። ሆኖም ይህ ኩርባ ለዘላለም አይቀጥልም። የስልጠና ውሂብ አሁን የኢንዱስትሪው እጅግ ወሳኝ የማነቆ ነጥብ ሆኗል።
ከፍተኛ ጥራት ያላቸው፣ ልዩ ልዩ እና ኦሪጅናል በሰው የተፈጠሩ የውሂብ ማከማቻዎች ውስን ናቸው። በWikipedia ላይ ታሠለጥናለህ፣ በarXiv ላይ ታሠለጥናለህ፣ በGitHub ላይ ታሠለጥናለህ፤ ከዚያ በኋላ ምን? በዚህ መስክ ያሉ ወጪዎች በቅጂ መብት ጉዳዮች፣ በውሂብ ባለቤትነት ስምምነቶች እና በመዳረሻ ገደቦች ምክንያት በኤክስፖነንሻል ፍጥነት እየጨመሩ ነው። ከReddit ጋር ስምምነት ታደርጋለህ፣ ከStack Overflow ጋር ትደራደራለህ፣ ከThe New York Times የሕግ ክሶችን ትጋፈጣለህ። የሞዴል መጠንን መጨመር አሁንም በቴክኒክ ደረጃ የሚቻል ቢሆንም፣ በውሂብ በኩል ተፈጥሯዊ ጣሪያ ይፈጥራል።
ለዚህ ነው ኢንዱስትሪው ትኩረቱን ከሞዴል መጠን ወደ ብቃት ያዞረው። Chain-of-thought reasoning፣ reinforcement learning from human feedback (RLHF)፣ የበለጠ ውጤታማ የsampling ቴክኒኮች፣ mixture-of-experts (MoE) architectures፤ እነዚህ ሁሉ የዚህ ለውጥ አካል ናቸው።
እነዚህ እድገቶች አስፈላጊ ናቸው፣ ግን ብቻቸውን ዘላቂ አይደሉም። ምክንያቱም በአንድ ወቅት የብቃት ጥቅሞችም ወደ ሙሌት ይደርሳሉ። ኢንዱስትሪው የመሠረታዊ ሞዴል ፈጠራ ወደ የበለጠ ዝግ እና ውድ የሆነ ደረጃ እንደገባ መገንዘብ ጀምሯል።
የካፒታል ፍሰት ጫና እና እየጨመረ የሚሄድ ደካማነት
ቴክኖሎጂያዊ ገደቦች በግልጽ ሲታዩ፣ በካፒታል በኩል ያለው እድገት የበለጠ ከፍተኛ አደጋ ይዞ መጥቷል።
የመሠረታዊ ሞዴል ኩባንያዎች ግዙፍ የኮምፒውቲንግ መሠረተ ልማቶችን እየገነቡ ነው፣ በችሎታ ውድድርም ውስጥ ጠንካራ አቅርቦቶችን እያቀረቡ ነው። እነዚህ ወጪዎች ጠንካራ የገቢ መሠረቶች ከመመስረታቸው በፊት እየተፈጸሙ ነው። የOpenAI ዓመታዊ የcompute ወጪዎች ወደ ቢሊዮኖች ይደርሳሉ። Anthropic ከMicrosoft ቢሊዮኖች የሚቆጠር ኢንቨስትመንት ይቀበላል። Google ለDeepMind የተለየ በጀት ይመድባል።
በዳታ ማዕከላት ላይ የተዋሉ ቢሊዮኖች፣ የብዙ ዓመት GPU ኮንትራቶች፣ እንደ Ilya Sutskever ላሉ ስሞች የሚከፈሉ አስደናቂ ደመወዞች፤ እነዚህ የኩባንያዎችን የወጪ መስመሮች በእጅጉ ያበዛሉ።
ይህ ምስል ዋናው ገበያ በኢኮኖሚ እጅግ ደካማ በሆነ የscale ሞዴል ላይ እንደተገነባ ያሳያል። የሞዴል ፈጠራ የወጪ መዋቅር ከገቢ እድገት መጠኖች በእጅጉ ይበልጣል።
የመተግበሪያ ንብርብር ዝምተኛ እድገት
ዋናው ገበያ ጫና ስር ሲሆን፣ ሁለተኛው ገበያ በአንፃራዊነት ጤናማ በሆነ የእድገት መስመር እየተራመደ ነው። እነዚህ ኩባንያዎች የመሠረታዊ ሞዴሎችን ወስደው ወደ እውነተኛ የአጠቃቀም ጉዳዮች ይቀይሯቸዋል።
- Perplexity: የፍለጋ ልምድን እንደገና መንደፍ
- Cursor & Replit: የኮዲንግ ሂደትን መቀየር
- Notion AI: የምርታማነት መሳሪያዎችን ብልህ ማድረግ
- Dvina: ከ120+ መተግበሪያዎች ጋር በመገናኘት መላውን ዲጂታል ሕይወት ከአንድ ብልህ ንብርብር ማስተዳደር
የእነዚህ ኩባንያዎች ጥቅም ለተጠቃሚው በጣም ቅርብ መሆናቸው ነው። እውነተኛ እሴት በቀጥታ በተጠቃሚ ልምድ ውስጥ ይፈጠራል። ፍለጋ፣ ኮዲንግ፣ ይዘት ፍጠር፣ ምርታማነት፣ መረጃ ማቀናበር፤ እነዚህ ሁሉ መስኮች ሊሰፉ የሚችሉ እና በቀላሉ የሚገቡ የገቢ ሞዴሎችን ያቀርባሉ።
ለዚህ ነው ብዙ የመሠረታዊ ሞዴል አምራቾች ወደ የመተግበሪያ ንብርብር መንቀሳቀስ የጀመሩት። OpenAI ChatGPTን ወደ ምርት ቀየረው፣ Anthropic Claudeን ወደ የተጠቃሚ አቅርቦት ለወጠው፣ Google Geminiን አዋሃደ። የvertical integration ስትራቴጂ በፍጥነት ተስፋፍቷል።
ነገር ግን ይህ ስትራቴጂ የጎንዮሽ ተፅዕኖዎችን አስከትሏል፦ የacquisition ወጪዎች በእጅጉ ጨምረዋል፣ የሁለተኛ ገበያ ዋጋ ግምቶችም ከፍ ብለዋል። ገቢ ማመንጨት የሚችለው ብቸኛው መስክ የሆነው ሁለተኛው ገበያ እንዲህ ውድ መሆኑ በዘርፉ ውስጥ ያለውን የካፒታል አደጋ የበለጠ ያጠናክራል።
ታሪካዊ ዑደቶች እና የዛሬው ልዩ ምክንያት
ሰው ሰራሽ ብልህነት ቀደም ሲል ሁለት ትልልቅ ውድቀቶችን አጋጥሞታል፦ በ1970ዎቹ መጨረሻ እና በ1990ዎቹ መጀመሪያ። እነዚህ ዘመናት የጋራ ያላቸው ነገር፦ ከፍተኛ ተስፋዎች፣ ዝቅተኛ የፈጠራ ፍጥነት እና የሚጠፋ የኢንቨስትመንት ፍላጎት ነበር።
የዛሬው ሁኔታ ግን የተለየ ነው። ቴክኒካዊ ፈጠራ ቀጥሏል፣ ግን የግኝት ፍጥነት እየቀነሰ ነው። የካፒታል ፍሰት ግን ከዚህ በፊት ባልታየ መጠን እያደገ ነው። Sam Altman ስለ $7 trillion compute fund ይናገራል፣ Elon Musk ደግሞ ቢሊዮኖችን ወደ xAI ያፈሳል።
ስለዚህ እየተለማመድነው ያለው ነገር ባህላዊ "AI winter" አይደለም። ከዚያ ይልቅ በካፒታል አመዳደብ ላይ የተመሠረተ የደካማነት ዘመን ነው፦ ዋጋ ግምቶች እየተነፉ ነው፣ ወጪዎች እየፈጠኑ ነው፣ ግን የፈጠራ ፍጥነት ከተስፋዎች ጋር አይጣጣምም።
አዲሱ ዘመን፦ የሚያሸንፉት ትልልቅ ሞዴሎች ሳይሆኑ የበለጠ ብልህ አቀራረቦች ናቸው
የዛሬው በጣም ወሳኝ ልዩነት ይህ ነው፦ አሁን አስፈላጊው ነገር ተጨማሪ ፓራሜተሮችን በመጨመር የበለጠ ግዙፍ ሞዴሎችን ማምረት አይደለም።
እውነተኛ ለውጥ በእነዚህ መስኮች ውስጥ ይከሰታል፦
- የፓራሜተር ብቃትን ማሳደግ
- በትናንሽ ሞዴሎች ከፍተኛ ጥራት ማስገኘት
- አዳዲስ የስልጠና ቴክኒኮችን ማበልጸግ
- ውሂብን ይበልጥ ስትራቴጂያዊና ውጤታማ በሆነ መንገድ መጠቀም
- የስልጠና ወጪዎችን በእጅጉ መቀነስ
በቅርቡ ከታዩት በጣም አስደናቂ ምሳሌዎች አንዱ DeepSeek ነበር። ይህ የቻይና ስታርትአፕ በGPT-4 ደረጃ የሚሰራ ሞዴል አበረከተ፤ ግን በእጅግ ዝቅተኛ የስልጠና ወጪ። Mixture-of-experts architecture, parameter optimization, efficiency-focused training techniques. ገበያው በጠንካራ ሁኔታ ምላሽ ሰጠ።
ከDeepSeek ማስታወቂያ በኋላ፣ የNVIDIA የገበያ ዋጋ በአንድ ቀን ውስጥ $600 billion ወደቀ። ይህም ኢንቨስተሮች አሁን የሚከታተሉት ትልልቅ ሞዴሎችን ለመገንባት ያለውን ውድድር ብቻ ሳይሆን፣ የብቃትና የአርክቴክቸር ፈጠራ ውድድርንም እንደሆነ አሳየ።
ግን ይህም አሁንም በቂ አይደለም። ዘርፉ እውነተኛ ዝላይ ካገኘ፣ ይህ በአዳዲስ የአርክቴክቸር ፓራዳይሞች በኩል ይመጣል። ከtransformer architecture በላይ የሆነ ነገር። ምናልባት neuromorphic computing፣ ምናልባት hybrid models፣ ወይም ምናልባት ፈጽሞ የተለየ የመማር ማዕቀፍ።
እንደዚህ ያሉ ሥር ነቀል ለውጦች ብዙውን ጊዜ ከትልልቅ ኩባንያዎች አይመጡም። እነሱ በመጠን ጫና፣ በመሠረተ ልማት ወጪዎች እና በኮርፖሬት የአደጋ አስተዳደር ምክንያት በጥንቃቄ ይንቀሳቀሳሉ። እውነተኛ ስኬታማ ግኝቶች ብዙ ጊዜ ከትናንሽ፣ ጠንካራ እርምጃ ከሚወስዱ፣ አደጋን ከሚቀበሉ እና ከፍ ያለ ምኞት ካላቸው ስታርትአፖች ይወጣሉ።
የዛሬው የAI ኢኮሲስተም ምናልባት እንዲህ ያለ መናጋት እየጠበቀ ነው።
መደምደሚያ፦ የሚያሸንፈው ሀብት ሳይሆን አቀራረብ ነው
የAI ዘርፍ ዛሬ በሁለት ውጥረቶች መካከል ይንቀሳቀሳል፦ በአንድ በኩል ወደ ገደቡ እየተቃረበ ያለ የሞዴል ስኬሊንግ ስትራቴጂ፤ በሌላ በኩል እያደጉ ያሉ የካፒታል አደጋዎች እና ፈጣን ዋጋ እያገኘ ያለ የመተግበሪያ ገበያ።
ይህ ምስል የመሠረታዊው ችግር አሁን አቀራረብ እንጂ አቅም እንዳልሆነ ያሳያል። የነገ አሸናፊዎች ትልልቅ ሞዴሎችን የሚገነቡ አይሆኑም፤ ይልቁንም ይበልጥ ብልህ ዘዴዎችን የሚገነቡ ይሆናሉ። ብቃት፣ አዳዲስ የአርክቴክቸር ንድፎች እና የተመቻቹ የስልጠና ቴክኒኮች የዘርፉ እውነተኛ መለያ መስመር እየሆኑ ነው።
ወደፊት ወሳኝ የሚሆነው የአቀራረብ ጥራት ነው እንጂ የሀብት ኃይል አይደለም። እናም ይህን የአቀራረብ ለውጥ የሚጀምሩት ትልልቅ ኩባንያዎች ሳይሆኑ ራዕይ ያላቸው ስታርትአፖች የመሆናቸው እድል እጅግ ከፍ ያለ ነው።
