Di sebalik tajuk utama yang gemerlapan, industri AI sedang bergelut dengan persoalan asas tentang momentum inovasi, kemampanan modal, dan haluan yang semakin berbeza antara pembangun model dengan pembina aplikasi.
Titik Peralihan Senyap Industri
Kecerdasan buatan telah berkembang pada kadar yang belum pernah berlaku sebelum ini sepanjang tiga tahun lalu. Sejak pelancaran ChatGPT, penerimaan pengguna telah memecahkan rekod, gergasi daripada OpenAI hingga Google telah mengumumkan model secara berturut-turut dengan pantas, dan syarikat Fortune 500 telah meletakkan AI di teras proses perniagaan mereka. Namun hari ini, di sebalik tajuk utama yang gemerlapan, industri ini sedang bergelut dengan satu persoalan yang pada asasnya berbeza:
Adakah inovasi sebenar masih terus mara dengan momentum yang kukuh, atau adakah kita sedang menyaksikan sebuah jentera gergasi melanggar had yang tidak kelihatan?
Untuk menjawab persoalan ini dengan tepat, kita perlu melihat ekosistem ini melalui dua lensa yang berbeza:
Pasaran primer: Syarikat yang membangunkan model asas seperti GPT-4, Claude, dan Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Pasaran sekunder: Syarikat yang mengambil model-model ini dan membina penyelesaian untuk masalah sebenar pengguna: Perplexity, Cursor, Notion AI, Replit.
Walaupun kedua-dua pasaran ini wujud dalam industri yang sama, dinamik, struktur kos, profil risiko, dan jangkaan pertumbuhan mereka pada asasnya berbeza. Ketegangan yang kita saksikan hari ini berpunca tepat daripada perbezaan ini.
Had Semula Jadi Pembangunan Model Sedang Muncul
Empat faktor asas telah membentuk evolusi model bahasa besar sepanjang lima tahun lalu:
- Saiz model (bilangan parameter)
- Data latihan (kualiti dan kepelbagaian)
- Kuasa pengkomputeran (kapasiti GPU/TPU)
- Teknik latihan (seni bina transformer, mekanisme perhatian)
Dari 2018 hingga 2023, keempat-empat faktor ini berkembang ke arah yang sama, lalu menghasilkan lonjakan yang besar. Beginilah cara kita bergerak daripada GPT-2 ke GPT-4, daripada BERT ke PaLM. Namun, lengkung ini tidak akan berterusan selama-lamanya. Data latihan kini menjadi kesesakan paling kritikal dalam industri ini.
Kumpulan data yang dijana manusia yang berkualiti tinggi, pelbagai, dan asli adalah terhad. Anda melatih pada Wikipedia, anda melatih pada arXiv, anda melatih pada GitHub: kemudian apa? Kos dalam domain ini meningkat secara eksponen disebabkan isu hak cipta, perjanjian pemilikan data, dan sekatan akses. Anda membuat perjanjian dengan Reddit, berunding dengan Stack Overflow, berdepan saman daripada The New York Times. Menambah saiz model masih boleh dilakukan dari sudut teknikal, tetapi dari sisi data, wujud had semula jadi.
Inilah sebabnya industri telah mengalihkan tumpuannya daripada saiz model kepada kecekapan. Penaakulan chain-of-thought, reinforcement learning from human feedback (RLHF), teknik pensampelan yang lebih berkesan, seni bina mixture-of-experts (MoE): semuanya adalah sebahagian daripada transformasi ini.
Perkembangan ini penting, tetapi tidak mampan jika bergantung padanya sahaja. Ini kerana pada satu tahap, peningkatan kecekapan juga akan mencapai titik tepu. Industri mula menyedari bahawa inovasi model asas telah memasuki fasa yang lebih perlahan dan lebih mahal.
Tekanan Aliran Modal dan Kerapuhan yang Semakin Meningkat
Apabila had teknologi semakin terasa, pertumbuhan dari sudut modal pula menjadi lebih berisiko.
Syarikat model asas sedang membina infrastruktur pengkomputeran berskala besar dan membuat tawaran agresif dalam perebutan bakat. Perbelanjaan ini berlaku sebelum asas hasil yang kukuh benar-benar terbentuk. Kos pengkomputeran tahunan OpenAI mencecah berbilion-bilion. Anthropic menerima pelaburan berbilion-bilion daripada Microsoft. Google memperuntukkan bajet berasingan untuk DeepMind.
Berbilion-bilion yang dilaburkan dalam pusat data, kontrak GPU berbilang tahun, gaji luar biasa tinggi yang dibayar kepada nama seperti Ilya Sutskever: semua ini menaikkan baris perbelanjaan syarikat secara mendadak.
Gambaran ini menunjukkan bahawa pasaran primer dibina di atas model penskalaan yang sangat rapuh dari segi ekonomi. Struktur kos inovasi model jauh melebihi kadar pertumbuhan hasil.
Kebangkitan Senyap Lapisan Aplikasi
Ketika pasaran primer berada di bawah tekanan, pasaran sekunder berkembang dengan lengkung pertumbuhan yang agak sihat. Syarikat-syarikat ini mengambil model asas dan menukarkannya kepada kes penggunaan sebenar.
- Perplexity: Mereka bentuk semula pengalaman carian
- Cursor & Replit: Mengubah proses pengekodan
- Notion AI: Menjadikan alat produktiviti lebih pintar
- Dvina: Berhubung dengan 120+ aplikasi untuk mengurus seluruh kehidupan digital daripada satu lapisan pintar
Kelebihan syarikat-syarikat ini ialah kedudukan mereka yang paling hampir dengan pengguna. Nilai sebenar muncul secara langsung dalam pengalaman pengguna. Carian, pengekodan, penciptaan kandungan, produktiviti, pemprosesan maklumat: semua bidang ini menawarkan model hasil yang boleh diskalakan dan mudah difahami.
Inilah sebabnya ramai pengeluar model asas mula beralih ke lapisan aplikasi. OpenAI menjadikan ChatGPT sebagai produk, Anthropic menukar Claude menjadi tawaran pengguna, Google mengintegrasikan Gemini. Strategi integrasi menegak telah tersebar dengan pantas.
Namun strategi ini membawa kesan sampingan: Kos pemerolehan melonjak, penilaian pasaran sekunder meningkat. Hakikat bahawa pasaran sekunder: satu-satunya kawasan yang mampu menjana hasil: telah menjadi begitu mahal, terus memperbesar risiko modal dalam sektor ini.
Kitaran Sejarah dan Faktor Pembeza Hari Ini
Kecerdasan buatan pernah mengalami dua kemerosotan besar sebelum ini: pada penghujung 1970-an dan awal 1990-an. Persamaan tempoh-tempoh ini ialah jangkaan yang tinggi, kadar inovasi yang rendah, dan selera pelaburan yang menghilang.
Keadaan hari ini berbeza. Inovasi teknikal masih berterusan tetapi kadar penemuan besar semakin perlahan. Namun, aliran modal berkembang pada skala yang belum pernah berlaku sebelum ini. Sam Altman membincangkan dana pengkomputeran bernilai $7 trillion, Elon Musk mencurahkan berbilion-bilion ke dalam xAI.
Oleh itu, apa yang sedang kita alami bukanlah "AI winter" yang klasik. Ia lebih merupakan tempoh kerapuhan berasaskan peruntukan modal: penilaian semakin mengembang, kos semakin memecut, tetapi kadar inovasi tidak memenuhi jangkaan.
Era Baharu: Bukan Model yang Lebih Besar, Tetapi Pendekatan yang Lebih Bijak Akan Menang
Perbezaan paling kritikal hari ini ialah ini: Apa yang penting sekarang bukanlah menghasilkan model yang lebih besar dengan menambah lebih banyak parameter.
Transformasi sebenar akan berlaku dalam bidang-bidang ini:
- Meningkatkan kecekapan parameter
- Mencapai kualiti yang lebih tinggi dengan model yang lebih kecil
- Membangunkan teknik latihan baharu
- Menggunakan data dengan lebih strategik dan berkesan
- Mengurangkan kos latihan secara radikal
Salah satu contoh terkini yang paling ketara ialah DeepSeek. Syarikat pemula dari China ini membangunkan model yang berprestasi pada tahap GPT-4: tetapi dengan kos latihan yang jauh lebih rendah. Seni bina mixture-of-experts, pengoptimuman parameter, teknik latihan yang berfokus pada kecekapan. Pasaran bertindak balas dengan kuat.
Selepas pengumuman DeepSeek, permodalan pasaran NVIDIA merosot $600 billion dalam satu hari. Ini menunjukkan bahawa pelabur kini menilai bukan sahaja perlumbaan untuk model yang lebih besar, tetapi juga perlumbaan untuk kecekapan dan inovasi seni bina.
Namun ini masih belum mencukupi. Jika sektor ini mahu mengalami lonjakan yang benar-benar tulen, ia akan datang melalui paradigma seni bina baharu. Sesuatu yang melangkaui seni bina transformer. Mungkin pengkomputeran neuromorfik, mungkin model hibrid, atau mungkin rangka kerja pembelajaran yang sama sekali berbeza.
Transformasi radikal seperti ini lazimnya tidak datang daripada syarikat besar. Mereka beroperasi dengan berhati-hati kerana tekanan skala, kos infrastruktur, dan pengurusan risiko korporat. Terobosan sebenar selalunya muncul daripada syarikat pemula kecil yang agresif, sanggup mengambil risiko, dan bercita-cita tinggi.
Ekosistem AI hari ini berkemungkinan sedang menantikan gangguan seperti inilah.
Kesimpulan: Bukan Sumber, Tetapi Pendekatan yang Akan Menang
Sektor AI hari ini berayun antara dua ketegangan: Di satu pihak, strategi penskalaan model yang semakin menghampiri hadnya; di pihak yang lain, risiko modal yang semakin meningkat dan pasaran aplikasi yang nilainya meningkat dengan pantas.
Gambaran ini menunjukkan bahawa masalah asas kini ialah pendekatan, bukannya kapasiti. Pemenang pada masa depan bukanlah mereka yang membina model yang lebih besar, tetapi mereka yang membina kaedah yang lebih bijak. Kecekapan, reka bentuk seni bina baharu, dan teknik latihan yang dioptimumkan sedang menjadi garis pemisah sebenar dalam sektor ini.
Apa yang akan menjadi penentu pada masa depan ialah kualiti pendekatan, bukannya kekuatan sumber. Dan kebarangkalian bahawa syarikat pemula yang berwawasan, bukannya syarikat besar, akan memulakan perubahan pendekatan ini adalah agak tinggi.
