Sa likod ng kumikislap na mga headline, kinakaharap ng industriya ng AI ang mga pundamental na tanong tungkol sa bilis ng inobasyon, pagpapanatili ng kapital, at sa nagkakahiwalay na landas ng mga developer ng modelo kumpara sa mga tagabuo ng aplikasyon.
Ang Tahimik na Turning Point ng Industriya
Lumago ang artificial intelligence sa bilis na wala pang kapantay sa nakalipas na tatlong taon. Mula nang ilunsad ang ChatGPT, nabasag ng consumer adoption ang mga rekord, sunod-sunod na nag-anunsyo ng mga modelo ang mga higante mula OpenAI hanggang Google, at inilagay ng mga kumpanyang kabilang sa Fortune 500 ang AI sa pinakasentro ng kanilang mga proseso sa negosyo. Ngunit ngayon, sa likod ng kumikislap na mga headline, kinakaharap ng industriya ang isang pundamental na naiibang tanong:
Patuloy pa bang sumusulong ang tunay na inobasyon nang may malakas na momentum, o pinapanood natin ang isang napakalaking makinang sumasagadsad sa mga di-nakikitang hangganan?
Upang masagot nang tama ang tanong na ito, kailangan nating tingnan ang ecosystem sa pamamagitan ng dalawang magkaibang lente:
Primary market: Mga kumpanyang bumubuo ng mga pundasyonal na modelo tulad ng GPT-4, Claude, at Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Secondary market: Mga kumpanyang kumukuha sa mga modelong ito at bumubuo ng mga solusyon para sa tunay na problema ng mga user: Perplexity, Cursor, Notion AI, Replit.
Bagama't kapwa umiiral ang dalawang merkado sa loob ng iisang industriya, pundamental na magkaiba ang kanilang mga dinamika, istruktura ng gastos, profile ng panganib, at mga inaasahan sa paglago. Ang tensyong nasasaksihan natin ngayon ay eksaktong nagmumula sa pagkakaibang ito.
Lumilitaw na ang mga Natural na Hangganan ng Pagbuo ng Modelo
Apat na pundamental na salik ang humubog sa ebolusyon ng malalaking language model sa nakalipas na limang taon:
- Laki ng modelo (bilang ng parameter)
- Data sa pagsasanay (kalidad at pagkakaiba-iba)
- Computational power (kapasidad ng GPU/TPU)
- Mga teknik sa pagsasanay (mga transformer architecture, attention mechanism)
Mula 2018 hanggang 2023, lumaki ang apat na salik na ito sa iisang direksyon, na lumikha ng napakalalaking pagtalon. Ganito tayo umusad mula GPT-2 patungong GPT-4, mula BERT patungong PaLM. Gayunman, hindi magpapatuloy ang kurbang ito nang walang hanggan. Ang training data ngayon ang pinaka-kritikal na bottleneck ng industriya.
Limitado ang mga de-kalidad, sari-sari, at orihinal na data pool na gawa ng tao. Nagsasanay ka sa Wikipedia, nagsasanay ka sa arXiv, nagsasanay ka sa GitHub: pagkatapos, ano na? Mabilis na tumataas ang mga gastos sa larangang ito dahil sa mga isyu sa copyright, mga kasunduan sa pagmamay-ari ng data, at mga restriksyon sa access. Nakikipagkasundo ka sa Reddit, nakikipagnegosasyon sa Stack Overflow, humaharap sa mga demanda mula sa The New York Times. Posible pa rin sa teknikal na aspeto ang pagpapalaki ng model size, pero ang panig ng data ang lumilikha ng natural na hangganan.
Ito ang dahilan kung bakit inilipat ng industriya ang pokus nito mula sa laki ng modelo tungo sa efficiency. Chain-of-thought reasoning, reinforcement learning from human feedback (RLHF), mas epektibong sampling techniques, mixture-of-experts (MoE) architectures: lahat ng ito ay bahagi ng pagbabagong ito.
Mahalaga ang mga pag-unlad na ito, pero hindi sapat na mapanatili ang mga ito nang mag-isa. Dahil sa isang punto, umaabot din sa saturation ang mga pakinabang sa efficiency. Nagsisimula nang kilalanin ng industriya na ang inobasyon sa foundational model ay pumasok na sa isang yugto na mas mabagal at mas mahal.
Presyon sa Daloy ng Kapital at Lumalaking Pagiging Marupok
Habang lalong nagiging kapansin-pansin ang mga teknolohikal na limitasyon, mas naging mapanganib ang paglago sa panig ng kapital.
Ang mga kumpanyang gumagawa ng foundational model ay nagtatayo ng napakalalaking computational infrastructure at nagbibigay ng agresibong mga alok sa digmaan para sa talento. Nangyayari ang mga gastusing ito bago pa maitatag ang matitibay na base ng kita. Umaabot sa bilyon-bilyon ang taunang compute costs ng OpenAI. Tumatanggap ang Anthropic ng bilyon-bilyong investment mula sa Microsoft. Naglalaan ang Google ng hiwalay na budget para sa DeepMind.
Ang bilyon-bilyong ipinupuhunan sa mga data center, mga multi-year GPU contract, at napakataas na suweldo na ibinabayad sa mga pangalang gaya ni Ilya Sutskever: lahat ng ito ay matinding nagpapalaki sa mga expense line ng mga kumpanya.
Ipinapakita ng larawang ito na ang primary market ay nakatayo sa isang scaling model na lubhang marupok sa aspetong pang-ekonomiya. Malayo ang cost structure ng model innovation sa bilis ng paglago ng kita.
Ang Tahimik na Pag-angat ng Application Layer
Habang nasa ilalim ng presyon ang primary market, umuusad naman ang secondary market na may relatibong malusog na growth curve. Kinukuha ng mga kumpanyang ito ang mga foundational model at ginagawa itong mga totoong use case.
- Perplexity: Muling idinidisenyo ang karanasan sa search
- Cursor & Replit: Binabago ang proseso ng coding
- Notion AI: Ginagawang mas matalino ang mga productivity tool
- Dvina: Kumokonekta sa 120+ application upang pamahalaan ang buong digital na buhay mula sa iisang intelligent layer
Ang bentahe ng mga kumpanyang ito ay ang pagiging pinakamalapit nila sa user. Ang tunay na halaga ay direktang lumilitaw sa user experience. Search, coding, content creation, productivity, information processing: lahat ng larangang ito ay nag-aalok ng scalable at madaling maunawaang mga revenue model.
Ito ang dahilan kung bakit maraming producer ng foundational model ang nagsimulang lumipat sa application layer. Ginawang produkto ng OpenAI ang ChatGPT, ginawang consumer offering ng Anthropic ang Claude, at inintegrate ng Google ang Gemini. Mabilis na lumaganap ang vertical integration strategy.
Pero nagdulot ang estratehiyang ito ng mga side effect: Sumirit ang acquisition costs, at lumobo ang valuations sa secondary market. Ang katotohanang ang secondary market: ang tanging bahaging may kakayahang lumikha ng kita: ay naging napakamahal ay lalo pang nagpapalaki sa capital risk sa sektor.
Mga Siklong Pangkasaysayan at ang Natatanging Salik Ngayon
Dalawang malalaking pagbagsak na ang naranasan ng artificial intelligence noon: sa huling bahagi ng dekada 1970 at sa unang bahagi ng dekada 1990. Ang pagkakapareho ng mga panahong ito: matataas na inaasahan, mababang bilis ng inobasyon, at humihinang gana sa pamumuhunan.
Iba ang sitwasyon ngayon. Patuloy ang teknikal na inobasyon pero bumabagal ang bilis ng mga breakthrough. Ang daloy ng kapital, gayunpaman, ay lumalaki sa antas na hindi pa nakita noon. Binabanggit ni Sam Altman ang isang $7 trillion compute fund, habang ibinubuhos naman ni Elon Musk ang bilyon-bilyon sa xAI.
Samakatuwid, ang nararanasan natin ay hindi isang klasikong "AI winter." Mas maituturing ito bilang isang panahon ng pagiging marupok na nakabatay sa capital allocation: lumolobo ang valuations, bumibilis ang mga gastos, pero hindi naaabot ng bilis ng inobasyon ang mga inaasahan.
Ang Bagong Panahon: Hindi Mas Malalaking Modelo, Kundi Mas Matalinong Mga Diskarte ang Mananalo
Ito ang pinakamahalagang kaibahan ngayon: Ang mahalaga na ngayon ay hindi ang paggawa ng mas malalaking modelo sa pamamagitan ng pagdaragdag ng mas marami pang parameter.
Magkakaroon ng tunay na pagbabago sa mga larangang ito:
- Pagpapataas ng kahusayan sa paggamit ng parameter
- Pag-abot ng mas mataas na kalidad gamit ang mas maliliit na modelo
- Pagbuo ng mga bagong teknik sa pagsasanay
- Mas estratehiko at mas epektibong paggamit ng data
- Radikal na pagpapababa ng mga gastos sa pagsasanay
Isa sa mga pinakakapansin-pansing kamakailang halimbawa ay ang DeepSeek. Nakabuo ang Chinese startup na ito ng modelong may performance na nasa antas ng GPT-4: ngunit may mas mababang gastos sa pagsasanay. Mixture-of-experts architecture, parameter optimization, mga teknik sa pagsasanay na nakatuon sa efficiency. Malakas ang naging reaksyon ng merkado.
Kasunod ng anunsyo ng DeepSeek, bumagsak ng $600 billion ang market cap ng NVIDIA sa loob ng isang araw. Ipinakita nito na hindi na lamang minamatyagan ng mga investor ang karera para sa mas malalaking modelo, kundi pati ang karera para sa efficiency at inobasyon sa arkitektura.
Ngunit hindi pa rin ito sapat. Kung makararanas ang sektor ng isang tunay na pagtalon, mangyayari ito sa pamamagitan ng mga bagong paradigm sa arkitektura. Isang bagay na lampas sa transformer architecture. Maaaring neuromorphic computing, maaaring hybrid models, o maaaring isang ganap na naiibang learning framework.
Karaniwang hindi nagmumula sa malalaking kumpanya ang ganitong mga radikal na pagbabago. Maingat silang kumikilos dahil sa pressure ng scale, mga gastos sa imprastraktura, at corporate risk management. Ang mga tunay na breakthrough ay madalas na lumilitaw mula sa maliliit, agresibo, handang sumugal, at ambisyosong startup.
Malamang na naghihintay ang AI ecosystem ngayon ng ganitong uri ng disruption.
Konklusyon: Hindi Resources, Kundi Approach ang Mananalo
Ang sektor ng AI ngayon ay umiindayog sa pagitan ng dalawang tensyon: Sa isang panig, isang estratehiya ng model scaling na papalapit na sa mga limitasyon nito; sa kabilang panig, lumalaking mga panganib sa kapital at isang application market na mabilis ang pagtaas ng halaga.
Ipinapakita ng larawang ito na ang pundamental na problema ngayon ay approach, hindi capacity. Ang mga mananalo bukas ay hindi yaong gagawa ng mas malalaking modelo, kundi yaong bubuo ng mas matatalinong pamamaraan. Ang efficiency, mga bagong disenyo ng arkitektura, at mga na-optimize na teknik sa pagsasanay ang nagiging tunay na batayan ng paghahati sa sektor.
Ang magiging mapagpasiya sa hinaharap ay ang kalidad ng approach, hindi ang lakas ng resources. At mataas ang posibilidad na ang mga visionary startup, sa halip na malalaking kumpanya, ang magpasimula ng pagbabagong ito sa approach.
