Za optymistycznymi nagłówkami branża AI mierzy się z fundamentalnymi pytaniami o tempo innowacji, trwałość finansowania i rozchodzące się drogi twórców modeli oraz twórców aplikacji.
Cichy punkt zwrotny w branży
Sztuczna inteligencja rozwijała się w ciągu ostatnich trzech lat w bezprecedensowym tempie. Od premiery ChatGPT tempo upowszechniania się AI wśród konsumentów biło rekordy, giganci od OpenAI po Google ogłaszali kolejne modele w szybkim tempie, a firmy z listy Fortune 500 uczyniły AI centralnym elementem swoich procesów biznesowych. Dziś jednak, za optymistycznymi nagłówkami, branża mierzy się z zasadniczo innym pytaniem:
Czy rzeczywiste innowacje nadal posuwają się naprzód z dużym impetem, czy też obserwujemy, jak ogromna machina natrafia na niewidzialne granice?
Aby rzetelnie odpowiedzieć na to pytanie, musimy spojrzeć na ekosystem z dwóch odrębnych perspektyw:
Rynek pierwotny: Firmy rozwijające modele bazowe, takie jak GPT-4, Claude i Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Rynek wtórny: Firmy, które wykorzystują te modele do tworzenia rozwiązań rzeczywistych problemów użytkowników: Perplexity, Cursor, Notion AI, Replit.
Choć oba rynki funkcjonują w tej samej branży, ich dynamika, struktury kosztów, profile ryzyka i oczekiwania dotyczące wzrostu zasadniczo się różnią. Napięcie, które dziś obserwujemy, wynika właśnie z tej rozbieżności.
Ujawniają się naturalne granice rozwoju modeli
Cztery podstawowe czynniki kształtowały rozwój dużych modeli językowych w ciągu ostatnich pięciu lat:
- Rozmiar modelu (liczba parametrów)
- Dane treningowe (jakość i różnorodność)
- Moc obliczeniowa (wydajność GPU/TPU)
- Techniki trenowania (architektury transformerowe, mechanizmy uwagi)
Od 2018 do 2023 roku wszystkie cztery czynniki rozwijały się w tym samym kierunku, umożliwiając ogromne skoki naprzód. Tak przeszliśmy od GPT-2 do GPT-4 i od BERT do PaLM. Ta krzywa nie będzie jednak rosnąć w nieskończoność. Dane treningowe są obecnie najpoważniejszym wąskim gardłem branży.
Zasoby wysokiej jakości, zróżnicowanych i oryginalnych danych tworzonych przez ludzi są ograniczone. Trenujesz model na danych z Wikipedia, arXiv i GitHub — i co dalej? Koszty w tym obszarze rosną wykładniczo z powodu kwestii praw autorskich, umów dotyczących własności danych i ograniczeń dostępu. Zawierasz umowy z Reddit, negocjujesz ze Stack Overflow, mierzysz się z pozwami ze strony The New York Times. Zwiększanie rozmiaru modeli jest nadal technicznie wykonalne, ale dostępność danych wyznacza naturalną granicę.
Dlatego branża przeniosła punkt ciężkości z rozmiaru modeli na efektywność. Rozumowanie za pomocą łańcucha myśli, uczenie ze wzmocnieniem na podstawie informacji zwrotnych od ludzi (RLHF), skuteczniejsze techniki próbkowania, architektury mieszaniny ekspertów (MoE) — wszystko to jest częścią tej transformacji.
To istotne postępy, ale same w sobie nie wystarczą na dłuższą metę. W pewnym momencie również poprawa efektywności osiąga granicę nasycenia. Branża zaczyna dostrzegać, że rozwój innowacji w modelach bazowych wszedł w wolniejszą i bardziej kosztowną fazę.
Presja przepływów kapitału i rosnąca kruchość
W miarę jak ograniczenia technologiczne stają się coraz bardziej odczuwalne, wzrost po stronie kapitału wiąże się z jeszcze większym ryzykiem.
Firmy tworzące modele bazowe budują ogromną infrastrukturę obliczeniową i składają niezwykle konkurencyjne oferty w walce o talenty. Ponoszą te wydatki, zanim jeszcze zbudują solidną bazę przychodów. Roczne koszty mocy obliczeniowej OpenAI sięgają miliardów. Anthropic otrzymuje miliardowe inwestycje od Microsoft. Google przeznacza osobny budżet na DeepMind.
Miliardy inwestowane w centra danych, wieloletnie kontrakty na GPU, astronomiczne wynagrodzenia dla osób takich jak Ilya Sutskever — wszystko to radykalnie zwiększa koszty firm.
Ten obraz pokazuje, że rynek pierwotny opiera się na modelu skalowania, który jest bardzo kruchy ekonomicznie. Koszty innowacji w modelach znacznie wyprzedzają tempo wzrostu przychodów.
Cichy rozwój warstwy aplikacyjnej
Podczas gdy rynek pierwotny znajduje się pod presją, rynek wtórny rozwija się w stosunkowo zdrowym tempie. Działające na nim firmy wykorzystują modele bazowe i przekuwają je w konkretne zastosowania.
- Perplexity: Zmienia sposób korzystania z wyszukiwania
- Cursor & Replit: Przekształcają proces programowania
- Notion AI: Wyposaża narzędzia do pracy w inteligencję
- Dvina: Łączy się ze 120+ aplikacjami, by zarządzać całym cyfrowym życiem z poziomu jednej inteligentnej warstwy
Przewagą tych firm jest bliskość użytkownika. Rzeczywista wartość powstaje bezpośrednio w jego doświadczeniu. Wyszukiwanie, programowanie, tworzenie treści, produktywność, przetwarzanie informacji — wszystkie te obszary oferują skalowalne i zrozumiałe modele przychodowe.
Dlatego wielu twórców modeli bazowych zaczęło przechodzić do warstwy aplikacyjnej. OpenAI przekształciło ChatGPT w produkt, Anthropic uczyniło Claude ofertą dla konsumentów, a Google zintegrowało Gemini. Strategia integracji pionowej szybko się upowszechniła.
Ta strategia przyniosła jednak skutki uboczne: koszty przejęć gwałtownie wzrosły, a wyceny na rynku wtórnym zostały napompowane. To, że rynek wtórny — jedyny obszar zdolny do generowania przychodów — stał się tak drogi, dodatkowo zwiększa ryzyko kapitałowe w sektorze.
Historyczne cykle i to, co wyróżnia obecną sytuację
Sztuczna inteligencja doświadczyła w przeszłości dwóch poważnych załamań: pod koniec lat 1970. i na początku lat 1990. Oba okresy łączyły wysokie oczekiwania, niskie tempo innowacji i zanikająca chęć do inwestowania.
Dzisiejsza sytuacja jest inna. Innowacje technologiczne nadal się pojawiają, ale tempo przełomów spada. Napływ kapitału rośnie natomiast na niespotykaną dotąd skalę. Sam Altman mówi o funduszu na moc obliczeniową o wartości 7 bilionów dolarów, a Elon Musk pompuje miliardy w xAI.
Dlatego to, czego doświadczamy, nie jest klasyczną „zimą AI”. To raczej okres niestabilności wynikającej z alokacji kapitału: wyceny są pompowane, koszty rosną coraz szybciej, ale tempo innowacji nie spełnia oczekiwań.
Nowa era: wygrają nie większe modele, lecz inteligentniejsze podejścia
Najważniejsza różnica polega dziś na tym, że nie chodzi już o tworzenie coraz większych modeli przez dodawanie kolejnych parametrów.
Prawdziwa transformacja nastąpi w tych obszarach:
- Zwiększanie efektywności wykorzystania parametrów
- Osiąganie wyższej jakości przy użyciu mniejszych modeli
- Opracowywanie nowych technik trenowania
- Bardziej strategiczne i skuteczne wykorzystywanie danych
- Radykalne obniżanie kosztów trenowania
Jednym z najbardziej wyrazistych przykładów ostatnich miesięcy był DeepSeek. Ten chiński startup opracował model osiągający wyniki na poziomie GPT-4, ale przy znacznie niższych kosztach trenowania. Architektura mixture-of-experts, optymalizacja parametrów, techniki trenowania nastawione na efektywność. Rynek zareagował gwałtownie.
Po ogłoszeniu DeepSeek kapitalizacja rynkowa NVIDIA spadła o 600 miliardów dolarów w ciągu jednego dnia. Pokazało to, że inwestorzy śledzą już nie tylko wyścig o większe modele, lecz także wyścig o efektywność i innowacje w architekturze.
Ale to wciąż za mało. Jeśli w sektorze ma nastąpić prawdziwy skok, przyniosą go nowe paradygmaty architektoniczne. Coś, co wykracza poza architekturę transformera. Być może przetwarzanie neuromorficzne, być może modele hybrydowe, a być może zupełnie inne ramy uczenia.
Tego rodzaju radykalne transformacje zazwyczaj nie wychodzą od dużych firm. Działają one ostrożnie ze względu na presję związaną ze skalą działalności, koszty infrastruktury i korporacyjne zarządzanie ryzykiem. Prawdziwe przełomy często rodzą się w małych, agresywnych, ambitnych startupach gotowych podejmować ryzyko.
Dzisiejszy ekosystem AI prawdopodobnie czeka właśnie na taki przewrót.
Wniosek: wygra podejście, nie zasoby
Sektor AI oscyluje dziś między dwoma źródłami napięcia: 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 zasadniczy problem tkwi dziś w podejściu, a nie w dostępnych mocach. Jutrzejszymi zwycięzcami nie będą ci, którzy budują większe modele, lecz ci, którzy opracowują inteligentniejsze metody. Efektywność, nowe rozwiązania architektoniczne i zoptymalizowane techniki trenowania stają się rzeczywistą linią podziału w sektorze.
W przyszłości decydować będzie jakość podejścia, a nie potęga zasobów. Prawdopodobieństwo, że tę zmianę podejścia zainicjują wizjonerskie startupy, a nie duże firmy, jest dość wysokie.