Za błyszczącymi nagłówkami branża AI zmaga się z fundamentalnymi pytaniami o tempo innowacji, trwałość kapitału oraz rozchodzące się ścieżki twórców modeli i firm budujących aplikacje.
Cichy punkt zwrotny branży
Sztuczna inteligencja rozwijała się w ciągu ostatnich trzech lat w bezprecedensowym tempie. Od momentu uruchomienia ChatGPT adopcja konsumencka biła kolejne rekordy, giganci od OpenAI po Google ogłaszali modele jeden po drugim, a firmy z listy Fortune 500 umieściły AI w centrum swoich procesów biznesowych. A jednak dziś, za błyszczącymi nagłówkami, branża mierzy się z zupełnie innym, fundamentalnym pytaniem:
Czy prawdziwa innowacja nadal posuwa się naprzód z dużym impetem, czy też obserwujemy, jak ogromna machina uderza w niewidzialne granice?
Aby właściwie odpowiedzieć na to pytanie, musimy spojrzeć na ekosystem przez dwa odrębne pryzmaty:
Rynek pierwotny: Firmy rozwijające modele bazowe, takie jak GPT-4, Claude i Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Rynek wtórny: Firmy, które biorą te modele i budują rozwiązania dla rzeczywistych problemów użytkowników: Perplexity, Cursor, Notion AI, Replit.
Choć oba rynki funkcjonują w ramach tej samej branży, ich dynamika, struktury kosztów, profile ryzyka i oczekiwania wzrostu zasadniczo się różnią. Napięcie, które dziś obserwujemy, wynika właśnie z tej rozbieżności.
Wyłaniają się naturalne granice rozwoju modeli
Cztery fundamentalne czynniki kształtowały ewolucję dużych modeli językowych w ciągu ostatnich pięciu lat:
- Rozmiar modelu (liczba parametrów)
- Dane treningowe (jakość i różnorodność)
- Moc obliczeniowa (wydajność GPU/TPU)
- Techniki treningowe (architektury transformerowe, mechanizmy uwagi)
Od 2018 do 2023 roku te cztery czynniki skalowały się w tym samym kierunku, tworząc ogromne skoki. W ten sposób przeszliśmy od GPT-2 do GPT-4, od BERT do PaLM. Jednak ta krzywa nie będzie rosnąć w nieskończoność. Dane treningowe są dziś najważniejszym wąskim gardłem branży.
Wysokiej jakości, zróżnicowane i oryginalne zbiory danych tworzonych przez ludzi są ograniczone. Trenujesz na Wikipedii, trenujesz na arXiv, trenujesz na GitHubie: i co dalej? Koszty w tym obszarze rosną wykładniczo z powodu kwestii praw autorskich, umów dotyczących własności danych i ograniczeń dostępu. Zawierasz umowy z Redditem, negocjujesz ze Stack Overflow, mierzysz się z pozwami od The New York Times. Zwiększanie rozmiaru modeli jest nadal technicznie wykonalne, ale po stronie danych pojawia się naturalny sufit.
Dlatego branża przeniosła punkt ciężkości z rozmiaru modeli na efektywność. Rozumowanie chain-of-thought, uczenie ze wzmocnieniem na podstawie informacji zwrotnej od ludzi (RLHF), skuteczniejsze techniki samplingu, architektury mixture-of-experts (MoE): to wszystko jest częścią tej transformacji.
To ważne zmiany, ale same w sobie nie są trwałe. Bo w pewnym momencie także zyski z efektywności dochodzą do nasycenia. Branża zaczyna dostrzegać, że innowacje w modelach bazowych weszły w fazę wolniejszą i droższą.
Presja przepływu kapitału i rosnąca kruchość
W miarę jak ograniczenia technologiczne stają się coraz bardziej odczuwalne, wzrost po stronie kapitału nabrał jeszcze większego ryzyka.
Firmy tworzące modele bazowe budują ogromną infrastrukturę obliczeniową i składają agresywne oferty w wojnie o talenty. Te wydatki ponoszone są jeszcze zanim powstaną solidne podstawy przychodowe. Roczne koszty obliczeniowe OpenAI sięgają miliardów. Anthropic otrzymuje miliardy inwestycji od Microsoftu. Google przeznacza osobny budżet dla DeepMind.
Miliardy zainwestowane w centra danych, wieloletnie kontrakty na GPU, astronomiczne pensje wypłacane takim nazwiskom jak Ilya Sutskever: wszystko to dramatycznie podbija pozycje kosztowe firm.
Ten obraz pokazuje, że rynek pierwotny opiera się na ekonomicznie bardzo kruchym modelu skalowania. Struktura kosztów innowacji modelowych znacznie przewyższa tempo wzrostu przychodów.
Cichy wzrost warstwy aplikacyjnej
Podczas gdy rynek pierwotny znajduje się pod presją, rynek wtórny rozwija się według relatywnie zdrowej krzywej wzrostu. Firmy te biorą modele bazowe i przekształcają je w rzeczywiste zastosowania.
- Perplexity: Przeprojektowuje doświadczenie wyszukiwania
- Cursor & Replit: Przekształcają proces programowania
- Notion AI: Czyni narzędzia produktywności inteligentnymi
- Dvina: Łączy się z ponad 120 aplikacjami, aby zarządzać całym cyfrowym życiem z jednej inteligentnej warstwy
Przewagą tych firm jest to, że są najbliżej użytkownika. Prawdziwa wartość powstaje bezpośrednio w doświadczeniu użytkownika. Wyszukiwanie, programowanie, tworzenie treści, produktywność, przetwarzanie informacji: wszystkie te obszary oferują skalowalne i zrozumiałe modele przychodowe.
Dlatego wielu producentów modeli bazowych zaczęło przesuwać się w stronę warstwy aplikacyjnej. OpenAI przekształciło ChatGPT w produkt, Anthropic zamienił Claude w ofertę konsumencką, Google zintegrował Gemini. Strategia integracji wertykalnej szybko się upowszechniła.
Ale ta strategia wywołała skutki uboczne: koszty pozyskania gwałtownie wzrosły, a wyceny rynku wtórnego się napompowały. Fakt, że rynek wtórny — jedyny obszar zdolny do generowania przychodów — stał się tak drogi, jeszcze bardziej wzmacnia ryzyko kapitałowe w sektorze.
Historyczne cykle i czynnik, który wyróżnia obecną sytuację
Sztuczna inteligencja doświadczyła w przeszłości dwóch dużych załamań: pod koniec lat 70. i na początku lat 90. To, co łączyło te okresy, to wysokie oczekiwania, niskie tempo innowacji i zanikający apetyt inwestycyjny.
Dzisiejsza sytuacja jest inna. Innowacja techniczna trwa, ale tempo przełomów spowalnia. Przepływ kapitału rośnie jednak w skali bez precedensu. Sam Altman mówi o funduszu obliczeniowym o wartości 7 bilionów dolarów, Elon Musk pompuje miliardy w xAI.
Dlatego to, czego doświadczamy, nie jest klasyczną „zimą AI”. To raczej okres kruchości oparty na alokacji kapitału: wyceny rosną, koszty przyspieszają, ale tempo innowacji nie spełnia oczekiwań.
Nowa era: wygrają nie większe modele, lecz mądrzejsze podejścia
Najważniejsza różnica dziś jest taka: liczy się już nie tworzenie coraz potężniejszych modeli przez dokładanie kolejnych parametrów.
Prawdziwa transformacja dokona się w tych obszarach:
- Zwiększanie efektywności parametrów
- Osiąganie wyższej jakości przy mniejszych modelach
- Opracowywanie nowych technik trenowania
- Bardziej strategiczne i skuteczne wykorzystywanie danych
- Radykalne obniżanie kosztów trenowania
Jednym z najbardziej uderzających ostatnich przykładów był DeepSeek. Ten chiński startup opracował model osiągający poziom GPT-4: ale przy znacznie niższych kosztach trenowania. Architektura mixture-of-experts, optymalizacja parametrów, techniki trenowania nastawione na efektywność. Rynek zareagował bardzo mocno.
Po ogłoszeniu DeepSeek kapitalizacja rynkowa NVIDIA spadła o 600 miliardów dolarów w ciągu jednego dnia. To pokazało, że inwestorzy śledzą już nie tylko wyścig o większe modele, lecz także wyścig o efektywność i innowacje architektoniczne.
Ale to wciąż za mało. Jeśli sektor ma wykonać prawdziwy skok, dokona się on dzięki nowym paradygmatom architektonicznym. Czegoś wykraczającego poza architekturę transformera. Być może będzie to przetwarzanie neuromorficzne, być może modele hybrydowe, a być może całkowicie odmienny framework uczenia.
Tego rodzaju radykalne transformacje zazwyczaj nie wychodzą od dużych firm. Działają ostrożnie z powodu presji skali, kosztów infrastruktury i korporacyjnego zarządzania ryzykiem. Prawdziwe przełomy często rodzą się w małych, agresywnych, skłonnych do ryzyka i ambitnych startupach.
Dzisiejszy ekosystem AI prawdopodobnie czeka właśnie na takie zakłócenie.
Wniosek: Wygrają nie zasoby, lecz podejście
Sektor AI oscyluje dziś między dwoma napięciami: z jednej strony strategią skalowania modeli, która zbliża się do swoich granic; z drugiej — rosnącym ryzykiem kapitałowym i szybko zyskującym na wartości rynkiem aplikacji.
Ten obraz pokazuje, że podstawowym problemem jest dziś podejście, a nie moce. Jutrzejszymi zwycięzcami nie będą ci, którzy budują większe modele, lecz ci, którzy tworzą mądrzejsze metody. Efektywność, nowe projekty architektoniczne i zoptymalizowane techniki trenowania stają się prawdziwą linią podziału w sektorze.
W przyszłości decydująca będzie jakość podejścia, a nie siła zasobów. I całkiem prawdopodobne, że to właśnie wizjonerskie startupy, a nie duże firmy, zainicjują tę zmianę podejścia.
