Di sebalik tajuk utama yang penuh pujian, industri AI bergelut dengan persoalan asas tentang momentum inovasi, kemampanan modal, dan hala tuju yang semakin berbeza antara pembangun model dengan pembangun aplikasi.
Titik Peralihan Industri yang Tidak Disedari
Kecerdasan buatan telah berkembang pada kadar yang belum pernah dicapai sebelum ini sepanjang tiga tahun lalu. Sejak pelancaran ChatGPT, penerimaan dalam kalangan pengguna telah memecahkan rekod, syarikat gergasi daripada OpenAI hingga Google telah mengumumkan model baharu secara berturut-turut dalam masa yang singkat, dan syarikat Fortune 500 telah meletakkan AI sebagai teras proses perniagaan mereka. Namun hari ini, di sebalik tajuk utama yang penuh pujian, industri ini bergelut dengan satu persoalan yang berbeza pada asasnya:
Adakah inovasi sebenar masih terus maju dengan momentum yang kuat, atau adakah kita sedang menyaksikan sebuah jentera gergasi terlanggar had yang tidak kelihatan?
Untuk menjawab persoalan ini dengan tepat, kita perlu melihat ekosistem ini dari dua sudut yang berbeza:
Pasaran primer: Syarikat yang membangunkan model asas seperti GPT-4, Claude, dan Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Pasaran sekunder: Syarikat yang menggunakan model-model ini untuk membina penyelesaian bagi masalah sebenar pengguna: Perplexity, Cursor, Notion AI, Replit.
Walaupun kedua-dua pasaran ini berada dalam industri yang sama, dinamik, struktur kos, profil risiko, dan jangkaan pertumbuhannya berbeza pada asasnya. Perbezaan inilah yang menjadi punca ketegangan yang kita saksikan hari ini.
Had Semula Jadi Pembangunan Model Mula Kelihatan
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. Inilah yang membawa kita daripada GPT-2 kepada GPT-4, daripada BERT kepada PaLM. Namun, lengkung pertumbuhan ini tidak akan berterusan selama-lamanya. Data latihan kini menjadi kekangan paling kritikal dalam industri ini.
Sumber data asli yang dihasilkan manusia, berkualiti tinggi dan pelbagai adalah terhad. Anda melatih model menggunakan Wikipedia, kemudian arXiv, kemudian GitHub: selepas itu apa? Kos dalam bidang ini meningkat secara eksponen akibat isu hak cipta, perjanjian pemilikan data dan sekatan akses. Anda membuat perjanjian dengan Reddit, berunding dengan Stack Overflow dan berdepan tindakan undang-undang daripada The New York Times. Membesarkan model masih boleh dilakukan secara teknikal, tetapi kekangan data mewujudkan had semula jadi.
Itulah sebabnya industri telah mengalihkan tumpuan daripada saiz model kepada kecekapan. Penaakulan rantaian pemikiran, pembelajaran pengukuhan daripada maklum balas manusia (RLHF), teknik pensampelan yang lebih berkesan dan seni bina campuran pakar (MoE): semuanya sebahagian daripada perubahan ini.
Perkembangan ini penting, tetapi tidak mampan jika hanya bergantung padanya. 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 nyata, pertumbuhan dari segi modal menjadi semakin berisiko.
Syarikat model asas sedang membina infrastruktur pengkomputeran yang sangat besar dan membuat tawaran agresif dalam persaingan merebut bakat. Perbelanjaan ini dibuat sebelum asas hasil yang kukuh terbentuk. Kos pengkomputeran tahunan OpenAI mencecah berbilion-bilion. Anthropic menerima pelaburan berbilion-bilion daripada Microsoft. Google memperuntukkan bajet berasingan untuk DeepMind.
Pelaburan berbilion-bilion dalam pusat data, kontrak GPU berbilang tahun dan gaji yang luar biasa tinggi untuk tokoh seperti Ilya Sutskever: semuanya melonjakkan perbelanjaan syarikat secara mendadak.
Gambaran ini menunjukkan bahawa pasaran primer dibina 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 menunjukkan corak pertumbuhan yang agak sihat. Syarikat-syarikat ini menggunakan model asas dan mengubahnya menjadi kegunaan sebenar.
- Perplexity: Mereka bentuk semula pengalaman carian
- Cursor & Replit: Mengubah proses pengekodan
- Notion AI: Menjadikan alat produktiviti pintar
- Dvina: Menyambung kepada 120+ aplikasi untuk mengurus seluruh kehidupan digital melalui satu lapisan pintar
Kelebihan syarikat-syarikat ini ialah mereka paling dekat dengan pengguna. Nilai sebenar terhasil secara langsung dalam pengalaman pengguna. Carian, pengekodan, penciptaan kandungan, produktiviti dan pemprosesan maklumat: semua bidang ini menawarkan model hasil yang boleh diskalakan dan mudah difahami.
Itulah sebabnya banyak pengeluar model asas mula beralih ke lapisan aplikasi. OpenAI menjadikan ChatGPT sebuah produk, Anthropic menjadikan Claude produk untuk pengguna dan Google mengintegrasikan Gemini. Strategi integrasi menegak telah berkembang dengan pesat.
Namun, strategi ini membawa kesan sampingan: kos pemerolehan melonjak dan penilaian pasaran sekunder melambung. Hakikat bahawa pasaran sekunder—satu-satunya bidang yang mampu menjana hasil—telah menjadi begitu mahal memburukkan lagi risiko modal dalam sektor ini.
Kitaran Sejarah dan Faktor yang Membezakan Keadaan Hari Ini
Kecerdasan buatan pernah mengalami dua kemerosotan besar: pada akhir 1970-an dan awal 1990-an. Kedua-dua tempoh ini mempunyai persamaan: jangkaan yang tinggi, kadar inovasi yang rendah dan minat pelaburan yang semakin lenyap.
Keadaan hari ini berbeza. Inovasi teknikal masih berterusan, tetapi kadar kemajuan terobosan semakin perlahan. Namun, aliran modal berkembang pada skala yang belum pernah disaksikan sebelum ini. Sam Altman membincangkan dana pengkomputeran bernilai $7 trilion, manakala Elon Musk mencurahkan berbilion-bilion ke dalam xAI.
Oleh itu, apa yang sedang kita alami bukanlah "musim dingin AI" yang klasik. Sebaliknya, ini lebih merupakan tempoh kerapuhan yang berpunca daripada peruntukan modal: penilaian melambung, kos meningkat semakin pantas, tetapi kadar inovasi tidak memenuhi jangkaan.
Era Baharu: Pendekatan Lebih Bijak, Bukan Model Lebih Besar, Akan Menang
Inilah perbezaan paling penting hari ini: yang utama sekarang bukanlah menghasilkan model yang lebih besar dengan menambah lebih banyak parameter.
Transformasi sebenar akan berlaku dalam bidang-bidang berikut:
- 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 paling ketara kebelakangan ini ialah DeepSeek. Syarikat pemula dari China ini membangunkan model dengan prestasi setaraf GPT-4, tetapi pada kos latihan yang jauh lebih rendah. Seni bina mixture-of-experts, pengoptimuman parameter, teknik latihan yang mengutamakan kecekapan. Pasaran memberikan reaksi yang kuat.
Selepas pengumuman DeepSeek, permodalan pasaran NVIDIA merosot $600 bilion dalam satu hari. Ini menunjukkan bahawa pelabur kini bukan sekadar mengikuti perlumbaan untuk membina model yang lebih besar, tetapi juga perlumbaan untuk mencapai kecekapan dan inovasi seni bina.
Namun, ini masih belum mencukupi. Jika sektor ini bakal mengalami lonjakan sebenar, lonjakan itu 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. Syarikat-syarikat ini beroperasi dengan berhati-hati kerana tekanan skala, kos infrastruktur dan pengurusan risiko korporat. Terobosan sebenar sering muncul daripada syarikat pemula kecil yang agresif, sanggup mengambil risiko dan bercita-cita tinggi.
Ekosistem AI hari ini berkemungkinan sedang menantikan perubahan disruptif seperti ini.
Kesimpulan: Pendekatan, Bukan Sumber, yang Akan Menentukan Kemenangan
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 terletak pada pendekatan, bukan kapasiti. Pemenang pada masa depan bukanlah mereka yang membina model yang lebih besar, tetapi mereka yang membangunkan kaedah yang lebih bijak. Kecekapan, reka bentuk seni bina baharu dan teknik latihan yang dioptimumkan semakin menjadi garis pemisah sebenar dalam sektor ini.
Penentu pada masa depan ialah kualiti pendekatan, bukan kekuatan sumber. Kebarangkalian bahawa syarikat pemula yang berwawasan, bukannya syarikat besar, akan mencetuskan perubahan pendekatan ini juga agak tinggi.