Iza blistavih naslova, AI industrija se suočava sa suštinskim pitanjima o zamahu inovacija, održivosti kapitala i razilaženju puteva između razvijača modela i graditelja aplikacija.
Tiha prekretnica industrije
Veštačka inteligencija je u poslednje tri godine rasla neviđenom brzinom. Od lansiranja ChatGPT-a, usvajanje među potrošačima oborilo je rekorde, giganti od OpenAI do Google-a objavljivali su modele u brzom nizu, a kompanije sa Fortune 500 liste postavile su AI u samo središte svojih poslovnih procesa. Ipak, danas se, iza blistavih naslova, industrija suočava sa suštinski drugačijim pitanjem:
Da li prava inovacija i dalje napreduje snažnim zamahom ili posmatramo ogromnu mašinu koja udara u nevidljive granice?
Da bismo na ovo pitanje odgovorili kako treba, ekosistem moramo posmatrati kroz dve različite prizme:
Primarno tržište: Kompanije koje razvijaju temeljne modele poput GPT-4, Claude i Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Sekundarno tržište: Kompanije koje uzimaju te modele i grade rešenja za stvarne probleme korisnika: Perplexity, Cursor, Notion AI, Replit.
Iako oba tržišta postoje unutar iste industrije, njihova dinamika, strukture troškova, profili rizika i očekivanja rasta suštinski se razlikuju. Napetost kojoj danas svedočimo proizlazi upravo iz tog razilaženja.
Pojavljuju se prirodne granice razvoja modela
Četiri ključna faktora oblikovala su evoluciju velikih jezičkih modela tokom poslednjih pet godina:
- Veličina modela (broj parametara)
- Podaci za obuku (kvalitet i raznovrsnost)
- Računarska snaga (GPU/TPU kapacitet)
- Tehnike obuke (transformerske arhitekture, mehanizmi pažnje)
Od 2018. do 2023. ova četiri faktora skalirala su se u istom smeru, stvarajući ogromne skokove. Tako smo napredovali od GPT-2 do GPT-4, od BERT-a do PaLM-a. Međutim, ova kriva se neće nastaviti unedogled. Podaci za obuku sada su najkritičnije usko grlo industrije.
Visokokvalitetni, raznovrsni i originalni skupovi podataka koje generišu ljudi su ograničeni. Trenirate na Wikipediji, trenirate na arXiv-u, trenirate na GitHub-u: i šta onda? Troškovi u ovoj oblasti rastu eksponencijalno zbog pitanja autorskih prava, ugovora o vlasništvu nad podacima i ograničenja pristupa. Sklapate dogovore sa Reddit-om, pregovarate sa Stack Overflow-om, suočavate se sa tužbama The New York Times-a. Povećavanje veličine modela je i dalje tehnički izvodljivo, ali strana podataka stvara prirodan plafon.
Zato je industrija preusmerila fokus sa veličine modela na efikasnost. Chain-of-thought rezonovanje, reinforcement learning from human feedback (RLHF), efikasnije tehnike uzorkovanja, mixture-of-experts (MoE) arhitekture: sve su to delovi ove transformacije.
Ovi pomaci su značajni, ali sami po sebi nisu održivi. Jer u nekom trenutku i dobici u efikasnosti dostižu zasićenje. Industrija počinje da prepoznaje da su inovacije u osnovnim modelima ušle u fazu koja je sporija i skuplja.
Pritisak tokova kapitala i rastuća krhkost
Kako tehnološka ograničenja postaju opipljiva, rast na strani kapitala poprima još veći rizik.
Kompanije koje razvijaju osnovne modele grade ogromnu računarsku infrastrukturu i daju agresivne ponude u ratu za talente. Ovi izdaci nastaju pre nego što su uspostavljene snažne osnove prihoda. Godišnji troškovi računarske infrastrukture OpenAI-ja dosežu milijarde. Anthropic prima milijarde investicija od Microsoft-a. Google izdvaja poseban budžet za DeepMind.
Milijarde uložene u data centre, višegodišnji GPU ugovori, astronomske plate isplaćene imenima poput Ilye Sutskevera: sve to dramatično naduvava rashodovne stavke kompanija.
Ova slika pokazuje da je primarno tržište izgrađeno na ekonomski veoma krhkom modelu skaliranja. Struktura troškova inovacija modela daleko nadmašuje stope rasta prihoda.
Tihi uspon aplikativnog sloja
Dok je primarno tržište pod pritiskom, sekundarno tržište napreduje uz relativno zdravu krivu rasta. Ove kompanije uzimaju osnovne modele i pretvaraju ih u stvarne slučajeve upotrebe.
- Perplexity: Redizajnira iskustvo pretrage
- Cursor & Replit: Transformišu proces programiranja
- Notion AI: Čini alate za produktivnost inteligentnim
- Dvina: Povezuje se sa više od 120 aplikacija kako bi upravljao celokupnim digitalnim životom iz jednog inteligentnog sloja
Prednost ovih kompanija je to što su najbliže korisniku. Stvarna vrednost nastaje direktno u korisničkom iskustvu. Pretraga, programiranje, kreiranje sadržaja, produktivnost, obrada informacija: sve ove oblasti nude skalabilne i razumljive modele prihoda.
Zato su mnogi proizvođači osnovnih modela počeli da se pomeraju ka aplikativnom sloju. OpenAI je pretvorio ChatGPT u proizvod, Anthropic je Claude pretvorio u potrošačku ponudu, Google je integrisao Gemini. Strategija vertikalne integracije brzo se proširila.
Ali ova strategija je izazvala nuspojave: troškovi akvizicije su naglo porasli, a valuacije sekundarnog tržišta su naduvane. Činjenica da je sekundarno tržište — jedina oblast sposobna da generiše prihod — postalo toliko skupo dodatno pojačava kapitalni rizik u sektoru.
Istorijski ciklusi i faktor koji danas pravi razliku
Veštačka inteligencija je u prošlosti doživela dva velika pada: krajem 1970-ih i početkom 1990-ih. Ono što je tim periodima bilo zajedničko: visoka očekivanja, niska brzina inovacija i isparavanje investicionog apetita.
Današnja situacija je drugačija. Tehničke inovacije se nastavljaju, ali se tempo proboja usporava. Tok kapitala, međutim, raste u do sada neviđenim razmerama. Sam Altman govori o fondu za računarsku infrastrukturu od 7 triliona dolara, Elon Musk ulaže milijarde u xAI.
Zato ono što proživljavamo nije klasična "AI zima." Više liči na period krhkosti zasnovan na alokaciji kapitala: valuacije se naduvavaju, troškovi ubrzavaju, ali brzina inovacija ne ispunjava očekivanja.
Nova era: Neće pobediti veći modeli, već pametniji pristupi
Najvažnija razlika danas je sledeća: više nije presudno praviti još masivnije modele dodavanjem više parametara.
Prava transformacija dogodiće se u ovim oblastima:
- Povećanje efikasnosti parametara
- Postizanje višeg kvaliteta sa manjim modelima
- Razvoj novih tehnika treniranja
- Strateškije i efikasnije korišćenje podataka
- Radikalno smanjenje troškova treniranja
Jedan od najupečatljivijih skorašnjih primera bio je DeepSeek. Ovaj kineski startup razvio je model koji postiže nivo GPT-4: ali uz znatno niže troškove treniranja. Arhitektura mixture-of-experts, optimizacija parametara, tehnike treniranja usmerene na efikasnost. Tržište je snažno reagovalo.
Nakon DeepSeek-ove objave, tržišna kapitalizacija NVIDIA-e pala je za 600 milijardi dolara u samo jednom danu. To je pokazalo da investitori sada prate ne samo trku za većim modelima, već i trku za efikasnošću i arhitektonskim inovacijama.
Ali ni to još nije dovoljno. Ako sektor treba da doživi istinski skok, on će doći kroz nove arhitektonske paradigme. Nešto izvan transformer arhitekture. Možda neuromorfno računarstvo, možda hibridni modeli, a možda i potpuno drugačiji okvir učenja.
Ovakve radikalne transformacije obično ne dolaze iz velikih kompanija. One posluju oprezno zbog pritiska razmere, troškova infrastrukture i korporativnog upravljanja rizikom. Pravi proboji često dolaze iz malih, agresivnih, na rizik spremnih i ambicioznih startupova.
Verovatno je da današnji AI ekosistem čeka upravo takvu vrstu poremećaja.
Zaključak: Neće pobediti resursi, već pristup
AI sektor danas osciluje između dve tenzije: s jedne strane, strategije skaliranja modela koja se približava svojim granicama; s druge, rastućih kapitalnih rizika i tržišta primena koje brzo dobija na vrednosti.
Ova slika pokazuje da je osnovni problem sada pristup, a ne kapacitet. Pobednici sutrašnjice neće biti oni koji grade veće modele, već oni koji grade pametnije metode. Efikasnost, novi arhitektonski dizajni i optimizovane tehnike treniranja postaju prava linija razdvajanja u sektoru.
Ono što će ubuduće biti presudno jeste kvalitet pristupa, a ne snaga resursa. A verovatnoća da će upravo vizionarski startupovi, a ne velike kompanije, pokrenuti ovu promenu pristupa prilično je visoka.
