Spørsmålet om $7 billioner

AI-bransjen ved et kritisk veiskille: innovasjonens grenser, kapitalpress og det strategiske skillet som former fremtiden på nytt

Muhammed Gider
6 min lesetid • 

Spørsmålet om $7 billioner

Bak de strålende overskriftene står AI-bransjen overfor grunnleggende spørsmål om innovasjonstempo, hvor bærekraftig kapitalbruken er, og de ulike veiene modellutviklere og applikasjonsutviklere følger.

Bransjens stille vendepunkt

Kunstig intelligens har vokst i et tempo uten sidestykke de siste tre årene. Siden lanseringen av ChatGPT har forbrukerne tatt teknologien i bruk i rekordfart, giganter fra OpenAI til Google har kunngjort nye modeller på løpende bånd, og Fortune 500-selskaper har gjort AI til en sentral del av forretningsprosessene sine. Likevel står bransjen i dag, bak de strålende overskriftene, overfor et grunnleggende annerledes spørsmål:

Fortsetter den reelle innovasjonen med stor kraft, eller ser vi en enorm maskin støte mot usynlige grenser?

For å svare ordentlig på dette spørsmålet må vi se økosystemet fra to ulike perspektiver:

Primærmarkedet: Selskaper som utvikler grunnmodeller som GPT-4, Claude og Gemini: OpenAI, Anthropic, Google DeepMind, Meta.

Sekundærmarkedet: Selskaper som bruker disse modellene til å bygge løsninger på reelle brukerproblemer: Perplexity, Cursor, Notion AI, Replit.

Selv om begge markedene er del av samme bransje, er dynamikken, kostnadsstrukturene, risikoprofilene og vekstforventningene deres grunnleggende forskjellige. Spenningen vi er vitne til i dag, springer nettopp ut av dette skillet.

Naturlige grenser for modellutvikling begynner å vise seg

Fire grunnleggende faktorer har formet utviklingen av store språkmodeller de siste fem årene:

  • Modellstørrelse (antall parametere)
  • Treningsdata (kvalitet og mangfold)
  • Beregningskraft (GPU-/TPU-kapasitet)
  • Treningsteknikker (transformerarkitekturer, oppmerksomhetsmekanismer)

Fra 2018 til 2023 ble disse fire faktorene skalert opp i samme retning og skapte enorme sprang. Slik gikk vi fra GPT-2 til GPT-4, fra BERT til PaLM. Denne kurven vil imidlertid ikke fortsette i det uendelige. Treningsdata er nå bransjens mest kritiske flaskehals.

Tilgangen på originale, menneskeskapte data av høy kvalitet og med stor variasjon er begrenset. Du trener på Wikipedia, du trener på arXiv, du trener på GitHub: hva så? Kostnadene på dette området øker eksponentielt på grunn av opphavsrettsspørsmål, avtaler om dataeierskap og tilgangsbegrensninger. Du inngår avtaler med Reddit, forhandler med Stack Overflow og møter søksmål fra The New York Times. Det er fortsatt teknisk mulig å øke modellstørrelsen, men datatilgangen setter et naturlig tak.

Derfor har bransjen flyttet oppmerksomheten fra modellstørrelse til effektivitet. Resonnering i tankekjeder, forsterkningslæring basert på menneskelige tilbakemeldinger (RLHF), mer effektive samplingteknikker og mixture-of-experts (MoE)-arkitekturer: alt dette er en del av omstillingen.

Disse fremskrittene er viktige, men ikke bærekraftige i seg selv. På et tidspunkt når også effektivitetsgevinstene et metningspunkt. Bransjen begynner å erkjenne at innovasjonen innen grunnmodeller har gått inn i en langsommere og dyrere fase.

Press på kapitalflyten og økende sårbarhet

Etter hvert som de teknologiske begrensningene blir merkbare, har veksten på kapitalsiden blitt enda mer risikofylt.

Selskaper som utvikler grunnmodeller, bygger enorme infrastrukturer for beregning og kommer med aggressive tilbud i kampen om talentene. Disse utgiftene påløper før et solid inntektsgrunnlag er etablert. OpenAIs årlige kostnader til beregningskapasitet er oppe i milliardklassen. Anthropic mottar milliardinvesteringer fra Microsoft. Google setter av et eget budsjett til DeepMind.

Milliarder investert i datasentre, flerårige GPU-kontrakter og astronomiske lønninger til navn som Ilya Sutskever: alt dette blåser opp selskapenes utgifter dramatisk.

Dette bildet viser at primærmarkedet er bygget på en økonomisk svært sårbar skaleringsmodell. Kostnadene ved modellinnovasjon øker langt raskere enn inntektene.

Applikasjonslagets stille fremvekst

Mens primærmarkedet er under press, har sekundærmarkedet en relativt sunn vekstkurve. Disse selskapene tar grunnmodeller og omsetter dem til konkrete bruksområder.

  • Perplexity: Utformer søkeopplevelsen på nytt
  • Cursor & Replit: Forvandler kodingsprosessen
  • Notion AI: Gjør produktivitetsverktøy intelligente
  • Dvina: Kobler til 120+ applikasjoner for å håndtere hele det digitale livet fra ett intelligent lag

Disse selskapenes fordel er at de står nærmest brukeren. Den reelle verdien oppstår direkte i brukeropplevelsen. Søk, koding, innholdsproduksjon, produktivitet og informasjonsbehandling: alle disse områdene gir rom for skalerbare og forståelige inntektsmodeller.

Derfor har mange utviklere av grunnmodeller begynt å bevege seg mot applikasjonslaget. OpenAI gjorde ChatGPT til et produkt, Anthropic gjorde Claude til et tilbud for forbrukere, og Google integrerte Gemini. Strategien med vertikal integrasjon har spredt seg raskt.

Men denne strategien har hatt bivirkninger: Oppkjøpskostnadene har skutt i været, og verdsettelsene i sekundærmarkedet har blitt blåst opp. At sekundærmarkedet – det eneste området som er i stand til å generere inntekter – har blitt så dyrt, forsterker kapitalrisikoen i sektoren ytterligere.

Historiske sykluser og det som skiller dagens situasjon

Kunstig intelligens har tidligere opplevd to store nedgangsperioder: slutten av 1970-tallet og begynnelsen av 1990-tallet. Disse periodene hadde høye forventninger, lav innovasjonstakt og svinnende investeringsvilje til felles.

Dagens situasjon er annerledes. Den tekniske innovasjonen fortsetter, men gjennombruddene kommer sjeldnere. Kapitalflyten vokser derimot i et omfang vi aldri har sett før. Sam Altman snakker om et fond for beregningskapasitet på 7 billioner dollar, og Elon Musk pøser milliarder inn i xAI.

Det vi opplever, er derfor ikke en klassisk "AI-vinter". Det er snarere en periode med sårbarhet drevet av kapitalallokering: verdsettelsene blåses opp, kostnadsveksten tiltar, men innovasjonstakten innfrir ikke forventningene.

Den nye epoken: Ikke større modeller, men smartere tilnærminger vil vinne

Den viktigste forskjellen i dag er denne: Det som betyr noe nå, er ikke å lage stadig større modeller ved å legge til flere parametere.

Den virkelige omveltningen vil skje på disse områdene:

  • Øke parametereffektiviteten
  • Oppnå høyere kvalitet med mindre modeller
  • Utvikle nye treningsteknikker
  • Bruke data mer strategisk og effektivt
  • Redusere treningskostnadene radikalt

Et av de mest slående eksemplene fra den siste tiden var DeepSeek. Denne kinesiske oppstartsbedriften utviklet en modell som presterte på GPT-4-nivå, men med langt lavere treningskostnader. Mixture-of-experts-arkitektur, parameteroptimalisering og treningsteknikker med vekt på effektivitet. Markedet reagerte kraftig.

Etter kunngjøringen fra DeepSeek falt markedsverdien til NVIDIA med 600 milliarder dollar på én dag. Dette viste at investorene nå følger med ikke bare på kappløpet om større modeller, men også på kappløpet om effektivitet og innovasjon innen modellarkitektur.

Men dette er fortsatt ikke nok. Hvis sektoren skal ta et virkelig sprang, vil det skje gjennom nye arkitekturparadigmer. Noe utover transformerarkitekturen. Kanskje nevromorfisk databehandling, kanskje hybridmodeller, eller kanskje et helt annet rammeverk for læring.

Slike radikale omveltninger kommer vanligvis ikke fra store selskaper. De går forsiktig frem på grunn av presset som følger med å operere i stor skala, infrastrukturkostnader og selskapenes risikostyring. Virkelige gjennombrudd kommer ofte fra små, aggressive og ambisiøse oppstartsbedrifter med høy risikovilje.

Dagens AI-økosystem venter sannsynligvis på nettopp en slik omveltning.

Konklusjon: Tilnærmingen vil vinne, ikke ressursene

Dagens AI-sektor svinger mellom to spenningsfelt: På den ene siden en strategi for modellskalering som nærmer seg grensene sine; på den andre siden økende kapitalrisiko og et applikasjonsmarked som raskt stiger i verdi.

Dette bildet viser at det grunnleggende problemet nå handler om tilnærming, ikke kapasitet. Morgendagens vinnere vil ikke være de som bygger større modeller, men de som utvikler smartere metoder. Effektivitet, nye modellarkitekturer og optimaliserte treningsteknikker er i ferd med å bli sektorens virkelige skillelinje.

Det avgjørende i fremtiden blir kvaliteten på tilnærmingen, ikke hvor store ressurser man har. Og det er ganske sannsynlig at visjonære oppstartsbedrifter, snarere enn store selskaper, vil sette i gang dette skiftet i tilnærming.

Bli med i Dvina

Registrer deg gratis og samle alle verktøyene dine i ett enkelt arbeidsområde.

Utforsk mer