Iza blještavih naslova, AI industrija se bori s temeljnim pitanjima o zamahu inovacija, održivosti kapitala i razilaženju puteva između developera modela i graditelja aplikacija.
Tiha prekretnica industrije
Vještačka inteligencija je u protekle tri godine rasla neviđenom brzinom. Od lansiranja ChatGPT-a, usvajanje među potrošačima oborilo je rekorde, giganti od OpenAI do Googlea objavljivali su modele u brzom nizu, a kompanije iz Fortune 500 stavile su AI u središte svojih poslovnih procesa. Ipak, danas se, iza blještavih naslova, industrija suočava s suštinski drugačijim pitanjem:
Da li istinska inovacija i dalje snažno napreduje ili gledamo kako ogromna mašina udara u nevidljive granice?
Da bismo na ovo pitanje odgovorili kako treba, ekosistem moramo posmatrati kroz dvije različite prizme:
Primarno tržište: Kompanije koje razvijaju temeljne modele poput GPT-4, Claude i Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Sekundarno tržište: Kompanije koje uzimaju te modele i grade rješenja za stvarne probleme korisnika: Perplexity, Cursor, Notion AI, Replit.
Iako oba tržišta postoje unutar iste industrije, njihova dinamika, strukture troškova, profili rizika i očekivanja rasta suštinski su različiti. Napetost kojoj danas svjedočimo proizlazi upravo iz tog razilaženja.
Pojavljuju se prirodne granice razvoja modela
Četiri temeljna faktora oblikovala su evoluciju velikih jezičkih modela u proteklih pet godina:
- Veličina modela (broj parametara)
- Podaci za treniranje (kvalitet i raznolikost)
- Računarska snaga (GPU/TPU kapacitet)
- Tehnike treniranja (transformerske arhitekture, mehanizmi pažnje)
Od 2018. do 2023. ova četiri faktora skalirala su se u istom smjeru, stvarajući ogromne skokove. Tako smo napredovali od GPT-2 do GPT-4, od BERT-a do PaLM-a. Međutim, ova kriva neće se nastaviti unedogled. Podaci za treniranje sada su najkritičnije usko grlo industrije.
Visokokvalitetni, raznovrsni i originalni skupovi podataka koje generiraju ljudi su ograničeni. Trenirate na Wikipediji, trenirate na arXivu, trenirate na GitHubu: i šta onda? Troškovi u ovoj oblasti rastu eksponencijalno zbog pitanja autorskih prava, ugovora o vlasništvu nad podacima i ograničenja pristupa. Sklapate dogovore s Redditom, pregovarate sa Stack Overflowom, suočavate se s tužbama The New York Timesa. Povećavanje veličine modela i dalje je tehnički izvodivo, ali strana podataka stvara prirodan plafon.
Zato je industrija preusmjerila fokus s veličine modela na efikasnost. Chain-of-thought rezonovanje, reinforcement learning from human feedback (RLHF), efikasnije tehnike uzorkovanja, mixture-of-experts (MoE) arhitekture: sve su to dijelovi ove transformacije.
Ovi pomaci su značajni, ali sami po sebi nisu održivi. Jer u nekom trenutku i dobici u efikasnosti dosegnu zasićenje. Industrija počinje prepoznavati da je inovacija temeljnih modela ušla u fazu koja je sporija i skuplja.
Pritisak toka kapitala i rastuća krhkost
Kako tehnološka ograničenja postaju opipljiva, rast na strani kapitala poprima još veći rizik.
Kompanije koje razvijaju temeljne modele grade ogromne računarske infrastrukture i daju agresivne ponude u ratu za talente. Ti izdaci nastaju prije nego što su uspostavljene snažne osnove prihoda. Godišnji troškovi računarske infrastrukture OpenAI-ja dosežu milijarde. Anthropic prima milijarde investicija od Microsofta. Google izdvaja poseban budžet za DeepMind.
Milijarde uložene u data centre, višegodišnje GPU ugovore, astronomske plate isplaćene imenima poput Ilye Sutskevera: sve to dramatično napuhuje rashodovne stavke kompanija.
Ova slika pokazuje da je primarno tržište izgrađeno na ekonomski vrlo krhkom modelu skaliranja. Struktura troškova inovacije modela daleko nadmašuje stope rasta prihoda.
Tihi uspon aplikacijskog sloja
Dok je primarno tržište pod pritiskom, sekundarno tržište napreduje uz relativno zdravu krivulju rasta. Ove kompanije uzimaju temeljne modele i pretvaraju ih u stvarne slučajeve upotrebe.
- Perplexity: Redefinira iskustvo pretrage
- Cursor & Replit: Transformiraju proces programiranja
- Notion AI: Čini alate za produktivnost inteligentnim
- Dvina: Povezuje se sa 120+ aplikacija kako bi upravljao cijelim digitalnim životom iz jednog inteligentnog sloja
Prednost ovih kompanija je to što su najbliže korisniku. Stvarna vrijednost nastaje direktno u korisničkom iskustvu. Pretraga, programiranje, kreiranje sadržaja, produktivnost, obrada informacija: sva ova područja nude skalabilne i razumljive modele prihoda.
Zato su mnogi proizvođači temeljnih modela počeli prelaziti na aplikacijski sloj. OpenAI je pretvorio ChatGPT u proizvod, Anthropic je Claude pretvorio u potrošačku ponudu, Google je integrirao Gemini. Strategija vertikalne integracije brzo se proširila.
Ali ova strategija je izazvala nuspojave: troškovi akvizicije su naglo porasli, a valuacije sekundarnog tržišta su se napuhale. Činjenica da je sekundarno tržište — jedino područje sposobno generirati prihod — postalo toliko skupo dodatno pojačava kapitalni rizik u sektoru.
Historijski ciklusi i faktor koji danas pravi razliku
Umjetna inteligencija je u prošlosti doživjela dva velika pada: krajem 1970-ih i početkom 1990-ih. Ono što je tim periodima bilo zajedničko: visoka očekivanja, niska brzina inovacije i isparavanje investicionog apetita.
Današnja situacija je drugačija. Tehnička inovacija se nastavlja, ali tempo proboja usporava. Tok kapitala, međutim, raste u dosad neviđenim razmjerama. Sam Altman govori o fondu za računarsku infrastrukturu od 7 triliona dolara, Elon Musk ulaže milijarde u xAI.
Zato ono što proživljavamo nije klasična "AI zima." Više je riječ o periodu krhkosti zasnovanom na alokaciji kapitala: valuacije se napuhuju, troškovi ubrzavaju, ali brzina inovacije ne ispunjava očekivanja.
Novo doba: Neće pobijediti veći modeli, nego pametniji pristupi
Najvažnija razlika danas je sljedeća: više nije presudno proizvoditi još masivnije modele dodavanjem više parametara.
Prava transformacija dogodit će se u ovim područjima:
- Povećanje efikasnosti parametara
- Postizanje višeg kvaliteta s manjim modelima
- Razvoj novih tehnika treniranja
- Strateškije i efikasnije korištenje podataka
- Radikalno smanjenje troškova treniranja
Jedan od najupečatljivijih nedavnih primjera bio je DeepSeek. Ovaj kineski startup razvio je model koji postiže nivo GPT-4: ali uz znatno niže troškove treniranja. Arhitektura mixture-of-experts, optimizacija parametara, tehnike treniranja usmjerene na efikasnost. Tržište je snažno reagovalo.
Nakon DeepSeekove objave, tržišna kapitalizacija NVIDIA-e pala je za $600 billion u jednom danu. To je pokazalo da investitori sada prate ne samo utrku za većim modelima, već i utrku za efikasnošću i arhitektonskim inovacijama.
Ali ni to još uvijek nije dovoljno. Ako sektor treba doživjeti istinski iskorak, on će doći kroz nove arhitektonske paradigme. Nešto izvan transformer arhitekture. Možda neuromorfno računarstvo, možda hibridni modeli, a možda i potpuno drugačiji okvir učenja.
Ovakve radikalne transformacije obično ne dolaze iz velikih kompanija. One djeluju oprezno zbog pritiska razmjera, troškova infrastrukture i korporativnog upravljanja rizikom. Pravi proboji često dolaze iz malih, agresivnih, na rizik spremnih i ambicioznih startupa.
Današnji AI ekosistem vjerovatno upravo čeka takav poremećaj.
Zaključak: Neće pobijediti resursi, nego pristup
AI sektor danas oscilira između dvije tenzije: s jedne strane, strategije skaliranja modela koja se približava svojim granicama; s druge, rastućih kapitalnih rizika i tržišta aplikacija koje brzo dobija na vrijednosti.
Ova slika pokazuje da je temeljni problem sada pristup, a ne kapacitet. Pobjednici sutrašnjice neće biti oni koji grade veće modele, nego oni koji grade pametnije metode. Efikasnost, novi arhitektonski dizajni i optimizirane tehnike treniranja postaju stvarna linija razdvajanja u sektoru.
Ono što će u budućnosti biti presudno jeste kvalitet pristupa, a ne snaga resursa. A vjerovatnoća da će upravo vizionarski startupi, a ne velike kompanije, pokrenuti ovu promjenu pristupa prilično je visoka.
