Το ερώτημα των $7 τρισεκατομμυρίων

Ο κλάδος της τεχνητής νοημοσύνης σε κρίσιμη καμπή: τα όρια της καινοτομίας, η πίεση του κεφαλαίου και το στρατηγικό χάσμα που αναδιαμορφώνει το μέλλον

Muhammed Gider
7 λεπ. ανάγνωσης • 

Το ερώτημα των $7 τρισεκατομμυρίων

Πίσω από τους διθυραμβικούς τίτλους, ο κλάδος της τεχνητής νοημοσύνης βρίσκεται αντιμέτωπος με θεμελιώδη ερωτήματα για τη δυναμική της καινοτομίας, τη βιωσιμότητα του κεφαλαίου και τις αποκλίνουσες πορείες όσων αναπτύσσουν μοντέλα και όσων δημιουργούν εφαρμογές.

Η αθόρυβη καμπή του κλάδου

Η τεχνητή νοημοσύνη έχει αναπτυχθεί με πρωτοφανή ρυθμό τα τελευταία τρία χρόνια. Από την κυκλοφορία του ChatGPT, η υιοθέτησή της από τους καταναλωτές έχει καταρρίψει ρεκόρ, κολοσσοί από την OpenAI έως την Google έχουν ανακοινώσει μοντέλα το ένα μετά το άλλο, και εταιρείες του Fortune 500 έχουν τοποθετήσει την τεχνητή νοημοσύνη στον πυρήνα των επιχειρηματικών τους διαδικασιών. Κι όμως, σήμερα, πίσω από τους διθυραμβικούς τίτλους, ο κλάδος βρίσκεται αντιμέτωπος με ένα θεμελιωδώς διαφορετικό ερώτημα:

Συνεχίζει η πραγματική καινοτομία να προχωρά με ισχυρή δυναμική ή παρακολουθούμε μια τεράστια μηχανή να προσκρούει σε αόρατα όρια;

Για να απαντήσουμε σωστά σε αυτό το ερώτημα, πρέπει να εξετάσουμε το οικοσύστημα από δύο διακριτές οπτικές:

Πρωτογενής αγορά: Εταιρείες που αναπτύσσουν μοντέλα βάσης όπως τα GPT-4, Claude και Gemini: OpenAI, Anthropic, Google DeepMind, Meta.

Δευτερογενής αγορά: Εταιρείες που αξιοποιούν αυτά τα μοντέλα για να δημιουργήσουν λύσεις σε πραγματικά προβλήματα των χρηστών: Perplexity, Cursor, Notion AI, Replit.

Παρότι και οι δύο αγορές ανήκουν στον ίδιο κλάδο, η δυναμική τους, οι δομές κόστους, τα προφίλ κινδύνου και οι προσδοκίες ανάπτυξης διαφέρουν θεμελιωδώς. Η ένταση που παρατηρούμε σήμερα πηγάζει ακριβώς από αυτή την απόκλιση.

Τα φυσικά όρια της ανάπτυξης μοντέλων αρχίζουν να διαφαίνονται

Τέσσερις θεμελιώδεις παράγοντες έχουν διαμορφώσει την εξέλιξη των μεγάλων γλωσσικών μοντέλων τα τελευταία πέντε χρόνια:

  • Μέγεθος μοντέλου (αριθμός παραμέτρων)
  • Δεδομένα εκπαίδευσης (ποιότητα και ποικιλομορφία)
  • Υπολογιστική ισχύς (δυναμικότητα GPU/TPU)
  • Τεχνικές εκπαίδευσης (αρχιτεκτονικές transformer, μηχανισμοί προσοχής)

Από το 2018 έως το 2023, αυτοί οι τέσσερις παράγοντες αναπτύχθηκαν προς την ίδια κατεύθυνση, οδηγώντας σε τεράστια άλματα. Έτσι περάσαμε από το GPT-2 στο GPT-4, από το BERT στο PaLM. Ωστόσο, αυτή η καμπύλη δεν θα συνεχιστεί επ’ αόριστον. Τα δεδομένα εκπαίδευσης αποτελούν πλέον τον πιο κρίσιμο περιοριστικό παράγοντα για τον κλάδο.

Τα διαθέσιμα σύνολα πρωτότυπων δεδομένων υψηλής ποιότητας και ποικιλίας που παράγονται από ανθρώπους είναι περιορισμένα. Εκπαιδεύεις μοντέλα στη Wikipedia, στο arXiv, στο GitHub: και μετά τι; Το κόστος σε αυτόν τον τομέα αυξάνεται εκθετικά λόγω ζητημάτων πνευματικών δικαιωμάτων, συμφωνιών για την κυριότητα των δεδομένων και περιορισμών πρόσβασης. Κλείνεις συμφωνίες με το Reddit, διαπραγματεύεσαι με το Stack Overflow, αντιμετωπίζεις αγωγές από την εφημερίδα The New York Times. Η αύξηση του μεγέθους των μοντέλων παραμένει τεχνικά εφικτή, αλλά τα δεδομένα θέτουν ένα φυσικό όριο.

Γι’ αυτό ο κλάδος έχει στρέψει την προσοχή του από το μέγεθος των μοντέλων στην αποδοτικότητα. Η συλλογιστική με αλυσίδα σκέψης, η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (RLHF), οι πιο αποτελεσματικές τεχνικές δειγματοληψίας και οι αρχιτεκτονικές μείγματος ειδικών (MoE): όλα αυτά αποτελούν μέρος αυτού του μετασχηματισμού.

Αυτές οι εξελίξεις είναι σημαντικές, αλλά από μόνες τους δεν είναι βιώσιμες. Κάποια στιγμή, και οι βελτιώσεις στην αποδοτικότητα φτάνουν σε κορεσμό. Ο κλάδος αρχίζει να αναγνωρίζει ότι η καινοτομία στα μοντέλα βάσης έχει περάσει σε μια πιο αργή και πιο δαπανηρή φάση.

Πίεση στις ροές κεφαλαίων και αυξανόμενη ευθραυστότητα

Καθώς τα τεχνολογικά όρια γίνονται απτά, η ανάπτυξη σε επίπεδο κεφαλαίων ενέχει πλέον ακόμη μεγαλύτερο κίνδυνο.

Οι εταιρείες που αναπτύσσουν μοντέλα βάσης δημιουργούν τεράστιες υπολογιστικές υποδομές και κάνουν επιθετικές προσφορές στον ανταγωνισμό για την προσέλκυση ταλέντων. Αυτές οι δαπάνες πραγματοποιούνται πριν εξασφαλιστούν ισχυρές βάσεις εσόδων. Το ετήσιο κόστος υπολογιστικής ισχύος της OpenAI ανέρχεται σε δισεκατομμύρια. Η Anthropic λαμβάνει επενδύσεις δισεκατομμυρίων από τη Microsoft. Η Google διαθέτει ξεχωριστό προϋπολογισμό για τη DeepMind.

Δισεκατομμύρια που επενδύονται σε κέντρα δεδομένων, πολυετή συμβόλαια για GPU, αστρονομικοί μισθοί που καταβάλλονται σε ονόματα όπως ο Ilya Sutskever: όλα αυτά διογκώνουν δραματικά τις δαπάνες των εταιρειών.

Αυτή η εικόνα δείχνει ότι η πρωτογενής αγορά στηρίζεται σε ένα οικονομικά εξαιρετικά εύθραυστο μοντέλο κλιμάκωσης. Η δομή κόστους της καινοτομίας στα μοντέλα υπερβαίνει κατά πολύ τους ρυθμούς αύξησης των εσόδων.

Η αθόρυβη άνοδος του επιπέδου εφαρμογών

Ενώ η πρωτογενής αγορά βρίσκεται υπό πίεση, η δευτερογενής αγορά ακολουθεί μια σχετικά υγιή καμπύλη ανάπτυξης. Αυτές οι εταιρείες αξιοποιούν μοντέλα βάσης και τα μετατρέπουν σε πρακτικές εφαρμογές.

  • Perplexity: Επανασχεδιάζει την εμπειρία αναζήτησης
  • Cursor & Replit: Μετασχηματίζουν τη διαδικασία προγραμματισμού
  • Notion AI: Κάνει τα εργαλεία παραγωγικότητας έξυπνα
  • Dvina: Συνδέεται με 120+ εφαρμογές για τη διαχείριση ολόκληρης της ψηφιακής ζωής μέσα από ένα ενιαίο έξυπνο επίπεδο

Το πλεονέκτημα αυτών των εταιρειών είναι ότι βρίσκονται πιο κοντά στον χρήστη. Η πραγματική αξία προκύπτει άμεσα στην εμπειρία χρήσης. Αναζήτηση, προγραμματισμός, δημιουργία περιεχομένου, παραγωγικότητα, επεξεργασία πληροφοριών: όλοι αυτοί οι τομείς προσφέρουν κλιμακώσιμα και κατανοητά μοντέλα εσόδων.

Γι’ αυτό πολλοί δημιουργοί μοντέλων βάσης έχουν αρχίσει να στρέφονται στο επίπεδο εφαρμογών. Η OpenAI μετέτρεψε το ChatGPT σε προϊόν, η Anthropic μετέτρεψε το Claude σε προϊόν για καταναλωτές, η Google ενσωμάτωσε το Gemini. Η στρατηγική κάθετης ολοκλήρωσης εξαπλώθηκε ταχύτατα.

Όμως αυτή η στρατηγική είχε παρενέργειες: το κόστος των εξαγορών εκτοξεύτηκε και οι αποτιμήσεις στη δευτερογενή αγορά διογκώθηκαν. Το γεγονός ότι η δευτερογενής αγορά —ο μόνος τομέας που μπορεί να παράγει έσοδα— έχει γίνει τόσο ακριβή εντείνει ακόμη περισσότερο τον κίνδυνο για τα κεφάλαια στον κλάδο.

Ιστορικοί κύκλοι και ο παράγοντας που διαφοροποιεί το σήμερα

Η τεχνητή νοημοσύνη έχει περάσει δύο μεγάλες περιόδους κάμψης στο παρελθόν: στα τέλη της δεκαετίας του 1970 και στις αρχές της δεκαετίας του 1990. Τα κοινά στοιχεία αυτών των περιόδων: υψηλές προσδοκίες, αργός ρυθμός καινοτομίας και επενδυτική διάθεση που εξανεμιζόταν.

Η σημερινή κατάσταση είναι διαφορετική. Η τεχνολογική καινοτομία συνεχίζεται, αλλά ο ρυθμός των μεγάλων ανακαλύψεων επιβραδύνεται. Οι ροές κεφαλαίων, ωστόσο, αυξάνονται σε πρωτοφανή κλίμακα. Ο Sam Altman μιλά για ένα επενδυτικό ταμείο $7 τρισεκατομμυρίων για υπολογιστική ισχύ, ενώ ο Elon Musk διοχετεύει δισεκατομμύρια στην xAI.

Επομένως, αυτό που βιώνουμε δεν είναι ένας κλασικός «χειμώνας της τεχνητής νοημοσύνης». Είναι περισσότερο μια περίοδος ευθραυστότητας που οφείλεται στην κατανομή κεφαλαίων: οι αποτιμήσεις διογκώνονται, το κόστος αυξάνεται με επιταχυνόμενο ρυθμό, αλλά η ταχύτητα της καινοτομίας δεν ανταποκρίνεται στις προσδοκίες.

Η νέα εποχή: θα κερδίσουν οι πιο έξυπνες προσεγγίσεις, όχι τα μεγαλύτερα μοντέλα

Η πιο κρίσιμη διαφορά σήμερα είναι η εξής: αυτό που έχει σημασία πλέον δεν είναι να παράγουμε ακόμη μεγαλύτερα μοντέλα προσθέτοντας περισσότερες παραμέτρους.

Ο πραγματικός μετασχηματισμός θα έρθει στους εξής τομείς:

  • Αύξηση της αποδοτικότητας των παραμέτρων
  • Επίτευξη υψηλότερης ποιότητας με μικρότερα μοντέλα
  • Ανάπτυξη νέων τεχνικών εκπαίδευσης
  • Πιο στρατηγική και αποτελεσματική αξιοποίηση των δεδομένων
  • Ριζική μείωση του κόστους εκπαίδευσης

Ένα από τα πιο εντυπωσιακά πρόσφατα παραδείγματα ήταν η DeepSeek. Αυτή η κινεζική νεοφυής επιχείρηση ανέπτυξε ένα μοντέλο με επιδόσεις επιπέδου GPT-4, αλλά με πολύ χαμηλότερο κόστος εκπαίδευσης. Αρχιτεκτονική mixture-of-experts, βελτιστοποίηση παραμέτρων, τεχνικές εκπαίδευσης με έμφαση στην αποδοτικότητα. Η αγορά αντέδρασε έντονα.

Μετά την ανακοίνωση της DeepSeek, η χρηματιστηριακή αξία της NVIDIA μειώθηκε κατά 600 δισεκατομμύρια δολάρια μέσα σε μία μόνο ημέρα. Αυτό έδειξε ότι οι επενδυτές πλέον παρακολουθούν όχι μόνο την κούρσα για μεγαλύτερα μοντέλα, αλλά και την κούρσα για αποδοτικότητα και καινοτομία στην αρχιτεκτονική.

Όμως ούτε αυτό αρκεί ακόμη. Αν ο κλάδος πρόκειται να κάνει ένα πραγματικό άλμα, αυτό θα έρθει μέσα από νέα αρχιτεκτονικά παραδείγματα. Κάτι πέρα από την αρχιτεκτονική transformer. Ίσως η νευρομορφική υπολογιστική, ίσως τα υβριδικά μοντέλα ή ίσως ένα εντελώς διαφορετικό πλαίσιο μάθησης.

Τέτοιου είδους ριζικοί μετασχηματισμοί συνήθως δεν προέρχονται από μεγάλες εταιρείες. Αυτές κινούνται προσεκτικά λόγω των πιέσεων που συνεπάγεται το μέγεθός τους, του κόστους των υποδομών και της εταιρικής διαχείρισης κινδύνων. Οι πραγματικές τομές συχνά προκύπτουν από μικρές, επιθετικές και φιλόδοξες νεοφυείς επιχειρήσεις που είναι πρόθυμες να αναλάβουν ρίσκο.

Το σημερινό οικοσύστημα της τεχνητής νοημοσύνης πιθανότατα περιμένει ακριβώς μια τέτοια ανατροπή.

Συμπέρασμα: Θα κερδίσει η προσέγγιση, όχι οι πόροι

Ο κλάδος της τεχνητής νοημοσύνης σήμερα ταλαντεύεται ανάμεσα σε δύο αντίρροπες δυνάμεις: από τη μία, μια στρατηγική κλιμάκωσης μοντέλων που πλησιάζει τα όριά της· από την άλλη, αυξανόμενοι κίνδυνοι για τα κεφάλαια και μια αγορά εφαρμογών της οποίας η αξία αυξάνεται ταχύτατα.

Αυτή η εικόνα δείχνει ότι το θεμελιώδες πρόβλημα πλέον είναι η προσέγγιση, όχι η δυναμικότητα. Οι νικητές του αύριο δεν θα είναι όσοι δημιουργούν μεγαλύτερα μοντέλα, αλλά όσοι αναπτύσσουν πιο έξυπνες μεθόδους. Η αποδοτικότητα, οι νέοι αρχιτεκτονικοί σχεδιασμοί και οι βελτιστοποιημένες τεχνικές εκπαίδευσης γίνονται η πραγματική διαχωριστική γραμμή του κλάδου.

Αυτό που θα κρίνει το μέλλον είναι η ποιότητα της προσέγγισης, όχι η ισχύς των πόρων. Και είναι αρκετά πιθανό αυτή την αλλαγή προσέγγισης να την ξεκινήσουν νεοφυείς επιχειρήσεις με όραμα, και όχι μεγάλες εταιρείες.

Ελάτε στο Dvina

Εγγραφείτε δωρεάν και συγκεντρώστε όλα τα εργαλεία σας σε έναν απλό χώρο εργασίας.

Ανακαλύψτε περισσότερα