Pitanje od $7 biliona

Industrija AI-ja na ključnoj prekretnici: granice inovacija, pritisak kapitala i strateški raskol koji preoblikuje budućnost

Muhammed Gider
6 min čitanja • 

Pitanje od $7 biliona

Iza blještavih naslova, industrija AI-ja suočava se s temeljnim pitanjima o zamahu inovacija, održivosti kapitala i sve različitijim putevima onih koji razvijaju modele i onih koji stvaraju aplikacije.

Tiha prekretnica industrije

Vještačka inteligencija razvijala se neviđenom brzinom u protekle tri godine. Od pokretanja ChatGPT-a, prihvatanje među potrošačima oborilo je rekorde, giganti poput kompanija OpenAI i Google najavljivali su modele jedan za drugim, a kompanije s liste Fortune 500 stavile su AI u središte svojih poslovnih procesa. Ipak, danas se, iza blještavih naslova, industrija suočava sa suštinski drugačijim pitanjem:

Napreduju li istinske inovacije i dalje snažnim zamahom 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 koriste te modele i razvijaju rješenja za stvarne probleme korisnika: Perplexity, Cursor, Notion AI, Replit.

Iako oba tržišta djeluju unutar iste industrije, njihova dinamika, strukture troškova, profili rizika i očekivanja rasta suštinski se razlikuju. Napetost kojoj danas svjedočimo proizlazi upravo iz tog razilaženja.

Pojavljuju se prirodne granice razvoja modela

Četiri temeljna faktora oblikovala su razvoj velikih jezičkih modela u proteklih pet godina:

  • Veličina modela (broj parametara)
  • Podaci za treniranje (kvalitet i raznolikost)
  • Računarska snaga (kapacitet GPU/TPU)
  • Tehnike treniranja (transformatorske arhitekture, mehanizmi pažnje)

Od 2018. do 2023. ova četiri faktora rasla su u istom smjeru i omogućila ogromne iskorake. Tako smo napredovali od modela GPT-2 do GPT-4, od modela BERT do PaLM. Međutim, ta putanja neće se nastaviti unedogled. Podaci za treniranje sada su najveće usko grlo industrije.

Zalihe visokokvalitetnih, raznovrsnih i originalnih podataka koje stvaraju ljudi su ograničene. 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 lista The New York Times. Povećavanje veličine modela i dalje je tehnički izvodivo, ali dostupnost podataka postavlja prirodnu granicu.

Zato je industrija preusmjerila fokus s veličine modela na efikasnost. Zaključivanje kroz lanac misli, učenje potkrepljenjem na osnovu povratnih informacija ljudi (RLHF), djelotvornije tehnike uzorkovanja, arhitekture s mješavinom eksperata (MoE): sve je to dio ove transformacije.

Ovi pomaci su značajni, ali sami po sebi nisu održivi. Jer u nekom trenutku i poboljšanja efikasnosti dostižu zasićenje. Industrija počinje uviđati da su inovacije u temeljnim modelima ušle u sporiju i skuplju fazu.

Pritisak tokova kapitala i sve veća krhkost

Kako tehnološka ograničenja postaju opipljiva, rast na strani kapitala nosi još veći rizik.

Kompanije koje razvijaju temeljne modele grade ogromnu računarsku infrastrukturu i daju agresivne ponude u borbi za talente. Ti izdaci nastaju prije nego što su uspostavljeni čvrsti temelji prihoda. Godišnji troškovi računarskih resursa kompanije OpenAI dosežu milijarde. Anthropic prima milijarde ulaganja od Microsofta. Google izdvaja poseban budžet za DeepMind.

Milijarde uložene u podatkovne centre, višegodišnji ugovori za GPU resurse, astronomske plate koje se isplaćuju imenima poput Ilye Sutskevera: sve to drastično povećava rashode kompanija.

Ova slika pokazuje da je primarno tržište izgrađeno na ekonomski vrlo krhkom modelu skaliranja. Struktura troškova inovacija u modelima 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 konkretne primjene.

  • Perplexity: Preoblikuje iskustvo pretrage
  • Cursor & Replit: Transformiraju proces programiranja
  • Notion AI: Čini alate za produktivnost inteligentnim
  • Dvina: Povezuje se sa 120+ aplikacija za upravljanje cjelokupnim 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 pretvorio Claude u ponudu za potrošače, a Google je integrirao Gemini. Strategija vertikalne integracije brzo se proširila.

Ali ova strategija je imala i neželjene posljedice: troškovi akvizicija su vrtoglavo porasli, a procijenjene vrijednosti na sekundarnom tržištu su napuhane. Činjenica da je sekundarno tržište — jedino područje sposobno ostvarivati prihode — postalo toliko skupo dodatno povećava kapitalni rizik u sektoru.

Historijski ciklusi i ono što današnju situaciju čini drugačijom

Umjetna inteligencija je u prošlosti doživjela dva velika pada: krajem 1970-ih i početkom 1990-ih. Tim periodima bili su zajednički visoka očekivanja, spor tempo inovacija i nestajanje spremnosti za ulaganje.

Današnja situacija je drugačija. Tehnološke inovacije se nastavljaju, ali tempo revolucionarnih pomaka usporava. Priliv kapitala, međutim, raste u dosad neviđenim razmjerama. Sam Altman govori o fondu za računarske resurse vrijednom $7 biliona, a Elon Musk ulaže milijarde u xAI.

Zato ono što proživljavamo nije klasična "AI zima". Više je riječ o periodu krhkosti koji proizlazi iz raspodjele kapitala: procijenjene vrijednosti se napuhuju, troškovi sve brže rastu, ali tempo inovacija ne ispunjava očekivanja.

Novo doba: Neće pobijediti veći modeli, nego pametniji pristupi

Najvažnija razlika danas je sljedeća: više nije presudno stvarati još veće 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 rezultate na nivou GPT-4, ali uz znatno niže troškove treniranja. Arhitektura mješavine eksperata, optimizacija parametara, tehnike treniranja usmjerene na efikasnost. Tržište je snažno reagovalo.

Nakon objave kompanije DeepSeek, tržišna kapitalizacija kompanije NVIDIA pala je za 600 milijardi dolara u jednom danu. To je pokazalo da investitori sada prate ne samo utrku za većim modelima nego i utrku za efikasnošću i arhitektonskim inovacijama.

Ali ni to još nije dovoljno. Ako sektor doživi istinski iskorak, on će doći kroz nove arhitektonske paradigme. Nešto što nadilazi arhitekturu transformera. 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 koji donosi poslovanje velikih razmjera, troškova infrastrukture i korporativnog upravljanja rizicima. Pravi proboji često dolaze iz malih, agresivnih i ambicioznih startupa spremnih na rizik.

Današnji AI ekosistem vjerovatno iščekuje upravo takav preokret.

Zaključak: Neće pobijediti resursi, nego pristup

AI sektor danas oscilira između dva pola: 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. Sutrašnji pobjednici neće biti oni koji grade veće modele, nego oni koji razvijaju pametnije metode. Efikasnost, novi arhitektonski dizajni i optimizirane tehnike treniranja postaju stvarna linija razdvajanja u sektoru.

U budućnosti će biti presudan kvalitet pristupa, a ne snaga resursa. A vjerovatnoća da će ovu promjenu pristupa pokrenuti vizionarski startupi, a ne velike kompanije, prilično je velika.

Pridružite se platformi Dvina

Registrujte se besplatno i objedinite sve svoje alate u jednom jednostavnom radnom prostoru.

Istražite više