Iza blještavih naslova, AI industrija suočava se s temeljnim pitanjima o zamahu inovacija, održivosti kapitala i razilaženju putova između razvijatelja modela i graditelja aplikacija.
Tiha prekretnica industrije
Umjetna inteligencija rasla je neviđenom brzinom tijekom posljednje tri godine. Od lansiranja ChatGPT-a, prihvaćanje među korisnicima rušilo je rekorde, divovi od OpenAI-ja do Googlea objavljivali su modele u brzom slijedu, a kompanije s popisa Fortune 500 postavile su AI u središte svojih poslovnih procesa. Ipak, danas se, iza blještavih naslova, industrija suočava s bitno drukčijim pitanjem:
Napreduje li istinska inovacija i dalje snažnim zamahom, ili gledamo kako golemi stroj udara u nevidljive granice?
Da bismo na to pitanje ispravno odgovorili, ekosustav moramo promatrati kroz dvije različite leće:
Primarno tržište: Tvrtke koje razvijaju temeljne modele poput GPT-4, Claude i Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Sekundarno tržište: Tvrtke koje uzimaju te modele i na njima 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 bitno su različiti. Napetost kojoj danas svjedočimo proizlazi upravo iz tog razilaženja.
Pojavljuju se prirodne granice razvoja modela
Četiri temeljna čimbenika oblikovala su evoluciju velikih jezičnih modela tijekom posljednjih pet godina:
- Veličina modela (broj parametara)
- Podaci za treniranje (kvaliteta i raznolikost)
- Računalna snaga (kapacitet GPU/TPU-a)
- Tehnike treniranja (transformerske arhitekture, mehanizmi pažnje)
Od 2018. do 2023. ta su se četiri čimbenika skalirala u istom smjeru, stvarajući goleme skokove. Tako smo napredovali od GPT-2 do GPT-4, od BERT-a do PaLM-a. Međutim, ta se krivulja neće nastaviti unedogled. Podaci za treniranje sada su najkritičnije usko grlo industrije.
Visokokvalitetni, raznoliki i originalni skupovi podataka koje su generirali ljudi ograničeni su. Trenirate na Wikipediji, trenirate na arXivu, trenirate na GitHubu: i onda što? Troškovi u ovom području 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 izvedivo, ali strana podataka stvara prirodan plafon.
Zato je industrija preusmjerila fokus s veličine modela na učinkovitost. Chain-of-thought zaključivanje, reinforcement learning from human feedback (RLHF), učinkovitije tehnike uzorkovanja, mixture-of-experts (MoE) arhitekture: sve je to dio te transformacije.
Ti su pomaci značajni, ali sami po sebi nisu održivi. Jer u nekom trenutku i dobici u učinkovitosti dosegnu zasićenje. Industrija počinje prepoznavati da su inovacije u temeljnim modelima ušle 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.
Tvrtke koje razvijaju temeljne modele grade golemu računalnu infrastrukturu i daju agresivne ponude u ratu za talente. Ti se izdaci događaju prije nego što su uspostavljene snažne baze prihoda. Godišnji troškovi računalnih resursa OpenAI-ja dosežu milijarde. Anthropic prima milijarde ulaganja od Microsofta. Google izdvaja zaseban proračun za DeepMind.
Milijarde uložene u podatkovne centre, višegodišnji ugovori za GPU-ove, astronomske plaće isplaćene imenima poput Ilye Sutskevera: sve to dramatično napuhuje rashodovne stavke tvrtki.
Ova slika pokazuje da je primarno tržište izgrađeno na ekonomski vrlo krhkom modelu skaliranja. Struktura troškova inovacija modela daleko nadmašuje stope rasta prihoda.
Tihi uspon aplikacijskog sloja
Dok je primarno tržište pod pritiskom, sekundarno tržište napreduje uz relativno zdravu krivulju rasta. Te tvrtke uzimaju temeljne modele i pretvaraju ih u stvarne slučajeve upotrebe.
- Perplexity: Redefinira iskustvo pretraživanja
- Cursor & Replit: Transformiraju proces programiranja
- Notion AI: Alatima za produktivnost daje inteligenciju
- Dvina: Povezuje se sa 120+ aplikacija kako bi upravljao cijelim digitalnim životom iz jednog inteligentnog sloja
Prednost tih tvrtki je u tome što su najbliže korisniku. Stvarna vrijednost nastaje izravno u korisničkom iskustvu. Pretraživanje, programiranje, stvaranje sadržaja, produktivnost, obrada informacija: sva ta područja nude skalabilne i razumljive modele prihoda.
Zato su se mnogi proizvođači temeljnih modela počeli pomicati prema aplikacijskom sloju. OpenAI je ChatGPT pretvorio u proizvod, Anthropic je Claude pretvorio u potrošačku ponudu, Google je integrirao Gemini. Strategija vertikalne integracije brzo se proširila.
No ta je strategija izazvala nuspojave: troškovi akvizicije naglo su porasli, a valuacije sekundarnog tržišta napuhale su se. Činjenica da je sekundarno tržište — jedino područje sposobno generirati prihod — postalo toliko skupo dodatno pojačava kapitalni rizik u sektoru.
Povijesni ciklusi i današnji razlikovni faktor
Umjetna inteligencija u prošlosti je doživjela dva velika pada: krajem 1970-ih i početkom 1990-ih. Ono što je tim razdobljima bilo zajedničko: visoka očekivanja, niska brzina inovacija i nestajanje investicijskog apetita.
Današnja je situacija drukčija. Tehnička inovacija se nastavlja, ali tempo proboja usporava. Tok kapitala, međutim, raste u dosad neviđenim razmjerima. Sam Altman govori o fondu za računalne resurse od 7 bilijuna dolara, Elon Musk ulaže milijarde u xAI.
Stoga ono što proživljavamo nije klasična "AI zima". To je više razdoblje krhkosti temeljeno na alokaciji kapitala: valuacije se napuhuju, troškovi ubrzavaju, ali brzina inovacija 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 učinkovitosti parametara
- Postizanje više kvalitete s manjim modelima
- Razvoj novih tehnika treniranja
- Strateškije i učinkovitije korištenje podataka
- Radikalno smanjenje troškova treniranja
Jedan od najupečatljivijih nedavnih primjera bio je DeepSeek. Ovaj kineski startup razvio je model koji postiže razinu GPT-4: ali uz znatno niže troškove treniranja. Arhitektura mixture-of-experts, optimizacija parametara, tehnike treniranja usmjerene na učinkovitost. Tržište je snažno reagiralo.
Nakon DeepSeekove objave, tržišna kapitalizacija NVIDIA-e pala je za 600 milijardi dolara u samo jednom danu. To je pokazalo da investitori sada prate ne samo utrku za većim modelima, nego i utrku za učinkovitošću i arhitektonskim inovacijama.
Ali ni to još nije dovoljno. Ako sektor treba doživjeti istinski skok, on će doći kroz nove arhitektonske paradigme. Nešto izvan transformerske arhitekture. Možda neuromorfno računarstvo, možda hibridni modeli, a možda i potpuno drukčiji okvir učenja.
Takve 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 startupova.
Današnji AI ekosustav vjerojatno čeka upravo takav poremećaj.
Zaključak: Neće pobijediti resursi, nego pristup
AI sektor danas oscilira između dviju napetosti: s jedne strane, strategije skaliranja modela koja se približava svojim granicama; s druge, rastućih kapitalnih rizika i tržišta aplikacija koje brzo dobiva 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 grade pametnije metode. Učinkovitost, novi arhitektonski dizajni i optimizirane tehnike treniranja postaju stvarna linija razdvajanja u sektoru.
Ono što će u budućnosti biti presudno jest kvaliteta pristupa, a ne snaga resursa. A vjerojatnost da će upravo vizionarski startupovi, a ne velike kompanije, pokrenuti taj zaokret u pristupu prilično je visoka.
