Frågan om 7 biljoner dollar

AI-branschen vid ett kritiskt vägskäl: innovationens gränser, kapitalpress och den strategiska klyfta som omformar framtiden

Muhammed Gider
6 min läsning • 

Frågan om 7 biljoner dollar

Bakom de strålande rubrikerna brottas AI-branschen med grundläggande frågor om innovationstakten, kapitalförsörjningens hållbarhet och hur modellutvecklare och applikationsutvecklare går alltmer skilda vägar.

Branschens tysta vändpunkt

Artificiell intelligens har vuxit i en aldrig tidigare skådad takt under de senaste tre åren. Sedan ChatGPT lanserades har spridningen bland konsumenter slagit rekord, jättar från OpenAI till Google har presenterat modeller i snabb följd och Fortune 500-företag har gjort AI till en central del av sina affärsprocesser. Men bakom de strålande rubrikerna brottas branschen i dag med en helt annan fråga:

Fortsätter den verkliga innovationen att gå framåt med stark drivkraft, eller ser vi en enorm maskin stöta på osynliga gränser?

För att besvara den frågan ordentligt behöver vi betrakta ekosystemet ur två olika perspektiv:

Primärmarknad: Företag som utvecklar grundmodeller som GPT-4, Claude och Gemini: OpenAI, Anthropic, Google DeepMind, Meta.

Sekundärmarknad: Företag som använder dessa modeller för att bygga lösningar på verkliga användarproblem: Perplexity, Cursor, Notion AI, Replit.

Även om båda marknaderna finns inom samma bransch är deras dynamik, kostnadsstrukturer, riskprofiler och tillväxtförväntningar i grunden olika. Den spänning vi ser i dag beror på just dessa skillnader.

Naturliga gränser för modellutvecklingen börjar framträda

Fyra grundläggande faktorer har format utvecklingen av stora språkmodeller under de senaste fem åren:

  • Modellstorlek (antal parametrar)
  • Träningsdata (kvalitet och mångfald)
  • Beräkningskraft (GPU/TPU-kapacitet)
  • Träningstekniker (transformerarkitekturer, uppmärksamhetsmekanismer)

Från 2018 till 2023 skalades alla fyra faktorerna upp i samma riktning, vilket ledde till enorma framsteg. Det var så vi gick från GPT-2 till GPT-4 och från BERT till PaLM. Men den här kurvan kommer inte att fortsätta i all oändlighet. Träningsdata är nu branschens mest kritiska flaskhals.

Tillgången till högkvalitativa, varierade och originella data skapade av människor är begränsad. Man tränar på Wikipedia, på arXiv, på GitHub – men sedan då? Kostnaderna på det här området stiger exponentiellt på grund av upphovsrättsfrågor, avtal om dataägande och åtkomstbegränsningar. Man sluter avtal med Reddit, förhandlar med Stack Overflow och stäms av The New York Times. Det är fortfarande tekniskt möjligt att öka modellstorleken, men tillgången till data sätter ett naturligt tak.

Det är därför branschen har flyttat fokus från modellstorlek till effektivitet. Stegvisa resonemang (chain-of-thought), förstärkningsinlärning med mänsklig återkoppling (RLHF), effektivare samplingstekniker och mixture-of-experts-arkitekturer (MoE) är alla delar av den här omställningen.

De här framstegen är betydelsefulla, men räcker inte på egen hand i längden. Förr eller senare når även effektivitetsvinsterna en mättnadspunkt. Branschen börjar inse att innovationen inom grundmodeller har gått in i en långsammare och dyrare fas.

Press på kapitalflöden och växande sårbarhet

I takt med att de tekniska begränsningarna blir påtagliga har tillväxten på kapitalsidan blivit ännu mer riskfylld.

Företag som utvecklar grundmodeller bygger upp enorma beräkningsinfrastrukturer och ger aggressiva erbjudanden i kampen om talanger. De drar på sig dessa utgifter innan de har etablerat en stabil intäktsbas. OpenAI:s årliga beräkningskostnader uppgår till miljardbelopp. Anthropic får miljardinvesteringar från Microsoft. Google avsätter en separat budget för DeepMind.

Miljarder som investeras i datacenter, fleråriga GPU-kontrakt och astronomiska löner till namn som Ilya Sutskever driver upp företagens kostnader dramatiskt.

Den här bilden visar att primärmarknaden bygger på en ekonomiskt mycket sårbar skalningsmodell. Kostnadsstrukturen för modellinnovation överstiger vida intäkternas tillväxttakt.

Applikationslagrets tysta uppgång

Medan primärmarknaden är under press följer sekundärmarknaden en relativt sund tillväxtkurva. Dessa företag tar grundmodeller och omsätter dem i konkreta användningsområden.

  • Perplexity: Omformar sökupplevelsen
  • Cursor & Replit: Förändrar kodningsprocessen
  • Notion AI: Gör produktivitetsverktyg intelligenta
  • Dvina: Ansluter till 120+ applikationer för att hantera hela det digitala livet från ett enda intelligent lager

Dessa företags fördel är att de står närmast användaren. Det verkliga värdet uppstår direkt i användarupplevelsen. Sökning, kodning, innehållsskapande, produktivitet och informationsbearbetning är alla områden som erbjuder skalbara och begripliga intäktsmodeller.

Det är därför många utvecklare av grundmodeller har börjat röra sig mot applikationslagret. OpenAI gjorde ChatGPT till en produkt, Anthropic omvandlade Claude till ett konsumenterbjudande och Google integrerade Gemini. Vertikal integration har snabbt fått spridning som strategi.

Men strategin har fått bieffekter: förvärvskostnaderna har skjutit i höjden och värderingarna på sekundärmarknaden har blåsts upp. Att sekundärmarknaden – det enda område som kan generera intäkter – har blivit så dyr förstärker kapitalrisken i sektorn ytterligare.

Historiska cykler och det som skiljer dagens situation

Artificiell intelligens har tidigare upplevt två stora nedgångar: i slutet av 1970-talet och i början av 1990-talet. Gemensamt för dessa perioder var höga förväntningar, låg innovationstakt och ett investeringsintresse som försvann.

Dagens situation är annorlunda. Den tekniska innovationen fortsätter, men genombrotten kommer i allt långsammare takt. Kapitalflödet växer däremot i en omfattning som aldrig tidigare skådats. Sam Altman talar om en fond på 7 biljoner dollar för beräkningskapacitet, och Elon Musk pumpar in miljarder i xAI.

Det vi upplever är därför inte en klassisk "AI-vinter". Det är snarare en period av sårbarhet kopplad till kapitalallokeringen: värderingarna blåses upp och kostnaderna ökar allt snabbare, men innovationstakten motsvarar inte förväntningarna.

Den nya eran: Smartare angreppssätt vinner, inte större modeller

Den viktigaste skillnaden i dag är denna: det som spelar roll nu är inte att skapa ännu större modeller genom att lägga till fler parametrar.

Den verkliga omvandlingen kommer att ske inom dessa områden:

  • Ökad parametereffektivitet
  • Högre kvalitet med mindre modeller
  • Utveckling av nya träningstekniker
  • Mer strategisk och effektiv användning av data
  • Radikalt sänkta träningskostnader

Ett av de mest slående exemplen på senare tid var DeepSeek. Detta kinesiska startupföretag utvecklade en modell som presterade på GPT-4-nivå – men med betydligt lägre träningskostnader. Mixture-of-experts-arkitektur, parameteroptimering och träningstekniker med fokus på effektivitet. Marknaden reagerade kraftigt.

Efter DeepSeeks tillkännagivande föll NVIDIAs börsvärde med 600 miljarder dollar på en enda dag. Det visade att investerare nu inte bara följer kapplöpningen om större modeller, utan också den om effektivitet och innovation inom modellarkitektur.

Men inte heller detta räcker. Om sektorn ska ta ett verkligt språng kommer det att ske genom nya arkitekturparadigm. Något bortom transformerarkitekturen. Kanske neuromorfisk databehandling, kanske hybridmodeller eller kanske ett helt annat ramverk för inlärning.

Den här typen av radikala omvandlingar kommer vanligtvis inte från stora företag. De agerar försiktigt på grund av skalningstryck, infrastrukturkostnader och företagens riskhantering. Verkliga genombrott kommer ofta från små, aggressiva, risktoleranta och ambitiösa startupföretag.

Dagens AI-ekosystem väntar sannolikt på just en sådan omvälvning.

Slutsats: Det är inte resurserna, utan angreppssättet, som avgör

AI-sektorn pendlar i dag mellan två spänningsfält: å ena sidan en strategi för modellskalning som närmar sig sina gränser, å andra sidan växande kapitalrisker och en applikationsmarknad som snabbt stiger i värde.

Den här bilden visar att det grundläggande problemet nu handlar om angreppssätt, inte kapacitet. Morgondagens vinnare kommer inte att vara de som bygger större modeller, utan de som utvecklar smartare metoder. Effektivitet, nya arkitekturlösningar och optimerade träningstekniker håller på att bli sektorns verkliga skiljelinje.

Det som kommer att vara avgörande i framtiden är kvaliteten på angreppssättet, inte mängden resurser. Och sannolikheten är ganska hög att det blir visionära startupföretag, snarare än stora företag, som inleder denna förändring i angreppssätt.

Gå med i Dvina

Registrera dig gratis och samla alla dina verktyg i en enkel arbetsyta.

Upptäck mer