AMI – Avanceret maskinintelligens – Slutningen på skalering: Hvorfor Yann LeCun ikke længere tror på LLM'er

600 milliarder for en vildledt tilgang? "AI's gudfader" satser mod LLaMA, ChatGPT & Co.

Meddelelsen kom som et lyn gennem teknologibranchen i november 2025. Yann LeCun, en af ​​de tre grundlæggere af deep learning og chefforsker hos Meta, annoncerede sin afgang efter tolv år i virksomheden for at grundlægge sin egen startup. Denne beslutning er langt mere end et personligt karrierevalg fra en enkelt videnskabsmand. Den markerer et fundamentalt vendepunkt i den globale kunstig intelligens-industri og afslører den voksende kløft mellem kortsigtede markedsinteresser og langsigtede videnskabelige visioner.

LeCun, der modtog Turing-prisen i 2018 sammen med Geoffrey Hinton og Yoshua Bengio, betragtes som arkitekten bag konvolutionelle neurale netværk, som i dag danner grundlaget for moderne billedbehandlingssystemer. Hans afgang kommer på et tidspunkt, hvor hele industrien investerer hundredvis af milliarder af dollars i store sprogmodeller, en teknologi LeCun i årevis har beskrevet som en fundamental blindgyde. Med sin nye virksomhed har den nu 65-årige videnskabsmand til hensigt at forfølge det, han kalder Advanced Machine Intelligence, en radikalt anderledes tilgang baseret på verdensmodeller og startende med fysisk perception, ikke tekst.

De økonomiske konsekvenser af denne udvikling er enorme. Meta har selv investeret over 600 milliarder dollars i AI-infrastruktur i de seneste tre år. OpenAI har nået en værdiansættelse på en halv billion dollars, på trods af en årlig omsætning på kun ti milliarder dollars. Hele branchen har bevæget sig i en retning, som en af ​​dens vigtigste pionerer nu offentligt har beskrevet som en blindgyde. For at forstå de økonomiske konsekvenser af dette skift, må man dykke dybt ned i de tekniske, organisatoriske og finansielle strukturer i den nuværende AI-revolution.

Relateret til dette:

• Meta vil investere 600 milliarder amerikanske dollars: For at opbygge AI-infrastruktur i USA

Arkitekturen af ​​en boble

Transformer-arkitekturen, som blev introduceret af forskere hos Google i 2017, har transformeret AI-landskabet i et hidtil uset tempo. Denne tilgang gjorde det for første gang muligt effektivt at behandle massive mængder tekst og træne sprogmodeller med tidligere uopnåelige muligheder. OpenAI byggede videre på dette fundament med sin GPT-serie, som med ChatGPT i november 2022 for første gang demonstrerede for et bredt publikum, hvad disse teknologier kunne opnå. Responsen var eksplosiv. Inden for få måneder strømmede titusindvis af milliarder af dollars ind i sektoren.

Siden slutningen af ​​2024 har der dog været stigende tegn på, at denne eksponentielle udvikling er ved at nå sine grænser. OpenAI har udviklet efterfølgeren til GPT-4, internt omtalt som Orion eller GPT-5, i over 18 måneder. Virksomheden har angiveligt gennemført mindst to store træningskørsler, der hver har kostet cirka 500 millioner dollars. Resultaterne har været tankevækkende. Mens GPT-4 repræsenterede et massivt præstationsspring i forhold til GPT-3, er Orions forbedringer i forhold til GPT-4 marginale. På nogle områder, især programmering, viser modellen stort set ingen fremskridt.

Denne udvikling modsiger fundamentalt skaleringslovene, de empiriske principper, der indtil for nylig har vejledt hele branchen. Grundideen var enkel: Hvis man gør en model større, bruger flere data til træning og investerer mere computerkraft, følger ydelsesforøgelsen en forudsigelig effektfunktion. Dette princip syntes at holde universelt og retfærdiggjorde de astronomiske investeringer i de seneste år. Nu viser det sig, at disse kurver flader ud. Den næste fordobling af investeringer giver ikke længere den forventede fordobling af ydelsen.

Årsagerne til dette er talrige og teknisk komplekse. Et centralt problem er datavæggen. GPT-4 blev trænet med cirka 13 billioner tokens, hvilket i bund og grund er hele det offentligt tilgængelige internet. For GPT-5 er der simpelthen ikke nok nye data af høj kvalitet. OpenAI har reageret ved at ansætte softwareudviklere, matematikere og teoretiske fysikere til at generere nye data ved at skrive kode og løse matematiske problemer. Men selv hvis 1.000 mennesker producerede 5.000 ord om dagen, ville det tage måneder at generere blot en milliard tokens. Skalering ved hjælp af menneskeskabte data virker simpelthen ikke.

Som et alternativ er virksomheder i stigende grad afhængige af syntetiske data – det vil sige data genereret af andre AI-modeller. Men her lurer en ny fare: modelkollaps. Når modeller rekursivt trænes på data genereret af andre modeller, forstærkes små fejl over generationer. Resultatet er modeller, der i stigende grad bliver løsrevet fra virkeligheden, og hvor minoritetsgrupper i dataene forsvinder uforholdsmæssigt meget. En undersøgelse offentliggjort i Nature i 2024 viste, at denne proces sker overraskende hurtigt. Syntetiske data er derfor ikke et universalmiddel, men indebærer snarere betydelige risici.

Energiomstillingen og grænserne for vækst

Udover databarrieren er der en anden, endnu mere fundamental barriere: energibarrieren. Træning af GPT-3 forbrugte cirka 1.300 megawatt-timer elektricitet, hvilket svarer til det årlige forbrug i 130 amerikanske husstande. GPT-4 krævede anslået 50 gange så meget, eller 65.000 megawatt-timer. Den computerkraft, der kræves for at træne store AI-modeller, fordobles omtrent hver 100. dag. Denne eksponentielle kurve fører hurtigt til fysiske begrænsninger.

Datacentre, der træner og driver disse modeller, forbruger allerede lige så meget elektricitet som små byer. Det Internationale Energiagentur forudsiger, at datacentres elforbrug vil stige med 80 procent inden 2026, fra 20 terawatt-timer i 2022 til 36 terawatt-timer i 2026. Kunstig intelligens er den primære drivkraft bag denne vækst. Til sammenligning forbruger en enkelt ChatGPT-forespørgsel omkring ti gange mere energi end en Google-søgning. Med milliarder af forespørgsler om dagen løber dette op i enorme mængder.

Denne udvikling tvinger teknologivirksomheder til at tage drastiske foranstaltninger. Microsoft har allerede underskrevet kontrakter med leverandører af atomkraft. Meta, Amazon og Google investerer tilsammen over 1,3 billioner dollars i de kommende år for at bygge den nødvendige infrastruktur. Men disse investeringer støder på fysiske og politiske begrænsninger. USA har simpelthen ikke nok energiinfrastruktur til at drive de planlagte AI-datacentre. Analytikere anslår, at projekter til en værdi af 750 milliarder dollars kan blive forsinket inden 2030 på grund af flaskehalse i energiinfrastrukturen.

Dertil kommer den geopolitiske dimension. AI-industriens energibehov intensiverer konkurrencen om ressourcer og øger afhængigheden af ​​fossile brændstoffer. Mens politikere kræver klimaneutralitet, driver AI-industrien energiforbruget op. Denne spænding vil forværres i de kommende år og kan føre til regulatoriske indgreb, der begrænser industriens vækst.

Den arkitektoniske væg og LeCuns alternativ

Den tredje barriere er måske den mest fundamentale: den arkitektoniske væg. Yann LeCun har i årevis argumenteret for, at Transformer-arkitekturen har iboende begrænsninger, der ikke kan overvindes blot ved skalering. Hans kritik fokuserer på den grundlæggende måde, store sprogmodeller fungerer på. Disse systemer er trænet til at forudsige det næste ord i en sekvens. De lærer statistiske mønstre i massive tekstkorpora, men de udvikler ikke en sand forståelse af kausalitet, fysiske love eller langsigtet planlægning.

LeCun kan godt lide at illustrere problemet med en sammenligning: Et fireårigt barn har absorberet mere information om verden gennem visuel opfattelse end de bedste sprogmodeller har gennem tekst. Et barn forstår intuitivt, at objekter ikke bare forsvinder, at tunge ting falder, og at handlinger har konsekvenser. De har udviklet en verdensmodel, en intern repræsentation af den fysiske virkelighed, som de bruger til at lave forudsigelser og planlægge handlinger. LLM'er mangler denne grundlæggende evne. De kan generere imponerende sammenhængende tekst, men de forstår ikke verden.

Denne begrænsning bliver tydelig igen og igen i praktiske anvendelser. Hvis man beder GPT-4 om at visualisere en roterende terning, fejler den med en opgave, som ethvert barn nemt kan udføre. Med komplekse opgaver, der kræver flertrinsplanlægning, fejler modellerne regelmæssigt. De kan ikke pålideligt lære af fejl, fordi hver token-forudsigelsesfejl potentielt kaskaderer og forstærker sig selv. Autoregressive modeller har en grundlæggende skrøbelighed: en fejl tidligt i sekvensen kan ødelægge hele resultatet.

LeCuns alternativ er verdensmodeller baseret på Joint Embedding Predictive Architecture. Grundideen er, at AI-systemer ikke skal lære gennem tekstforudsigelser, men snarere ved at forudsige abstrakte repræsentationer af fremtidige tilstande. I stedet for at generere pixel for pixel eller token for token, lærer systemet en komprimeret, struktureret repræsentation af verden og kan bruge denne til mentalt at simulere forskellige scenarier, før det handler.

Under LeCuns ledelse har Meta allerede udviklet adskillige implementeringer af denne tilgang. I-JEPA til billeder og V-JEPA til videoer viser lovende resultater. Disse modeller lærer objektkomponenter på højt niveau og deres rumlige relationer uden at være afhængige af intensiv dataindsamling. De er også betydeligt mere energieffektive at træne end konventionelle modeller. Visionen er at kombinere disse tilgange i hierarkiske systemer, der kan operere på forskellige abstraktionsniveauer og tidsskalaer.

Den afgørende forskel ligger i læringsprocessens natur. Mens LLM'er i bund og grund udfører mønstermatchning på steroider, sigter verdensmodeller mod at forstå virkelighedens struktur og kausalitet. Et system med en robust verdensmodel kunne forudse konsekvenserne af sine handlinger uden rent faktisk at skulle udføre dem. Det kunne lære af et par eksempler, fordi det forstår de underliggende principper, ikke kun overfladiske korrelationer.

Organisatorisk dysfunktion og Metas eksistentielle krise

LeCuns afgang er dog ikke udelukkende en videnskabelig beslutning, men også et resultat af organisatorisk dysfunktion hos Meta. I juni 2025 annoncerede administrerende direktør Mark Zuckerberg en massiv omstrukturering af AI-divisionerne. Han grundlagde Meta Superintelligence Labs, en ny enhed med det erklærede mål at udvikle kunstig generel intelligens. Den blev ledet af Alexandr Wang, den 28-årige tidligere administrerende direktør for Scale AI, en dataforberedelsesvirksomhed. Meta investerede 14,3 milliarder dollars i Scale AI og rekrutterede over 50 ingeniører og forskere fra konkurrenter.

Denne beslutning vendte op og ned på den eksisterende struktur. LeCuns fundamentale AI-forskningsteam, som havde brugt år på at udvikle PyTorch og de første Llama-modeller, blev marginaliseret. FAIR var rettet mod fundamental forskning med en tidshorisont på fem til ti år, mens de nye superintelligenslaboratorier fokuserede på kortsigtet produktudvikling. Kilder rapporterer om stigende kaos i Metas AI-afdelinger. Nyansatte toptalenter udtrykte frustration over bureaukratiet i en stor virksomhed, mens etablerede teams så deres indflydelse aftage.

Situationen forværredes på grund af adskillige omstruktureringer på bare seks måneder. I august 2025 blev Superintelligence Labs reorganiseret igen, denne gang i fire underenheder: et mystisk TBD Lab til nye modeller, et produktteam, et infrastrukturteam og FAIR. Endnu en bølge af fyringer fulgte i oktober, hvor cirka 600 medarbejdere blev sat på fratrædelsesgodtgørelse. Den angivne årsag: reduktion af organisatorisk kompleksitet og acceleration af AI-udvikling.

Disse konstante omstruktureringer står i skarp kontrast til den relative stabilitet hos konkurrenter som OpenAI, Google og Anthropic. De peger på en fundamental usikkerhed hos Meta med hensyn til den rigtige strategiske retning. Zuckerberg har erkendt, at Meta sakker bagud i kapløbet om AI-dominans. Llama 4, der blev lanceret i april 2025, var en skuffelse. Mens Maverick-modellen viste god effektivitet, fejlede den dramatisk i længere sammenhænge. Der dukkede påstande op om, at Meta optimerede til benchmarks ved specifikt at træne modeller på almindelige testspørgsmål og kunstigt oppuste præstationen.

For LeCun blev situationen uholdbar. Hans vision om langsigtet fundamental forskning stødte sammen med presset for at levere kortsigtede produktsucceser. Det faktum, at han reelt var underordnet den betydeligt yngre Wang, bidrog sandsynligvis til hans beslutning. I sit afskedsnotat understreger LeCun, at Meta vil forblive partner i hans nye virksomhed, men budskabet er klart: den uafhængige forskning, han anser for essentiel, er ikke længere mulig inden for virksomhedsstrukturerne.

En ny dimension af digital transformation med 'Managed AI' (kunstig intelligens) – Platform & B2B-løsning | Xpert Consulting - Billede: Xpert.Digital

Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.

En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.

De vigtigste fordele på et overblik:

⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.

🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.

💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.

🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.

📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.

Mere information her:

• Den administrerede AI-løsning - Industrielle AI-tjenester: Nøglen til konkurrenceevne inden for service-, industri- og maskintekniksektoren

Den økonomiske anatomi af blæredannelse

Udviklingen hos Meta er symptomatisk for en bredere økonomisk dynamik i AI-branchen. Siden ChatGPT's gennembrud i slutningen af ​​2022 har der været et hidtil uset investeringsboom. Alene i første kvartal af 2025 strømmede 73,1 milliarder dollars til AI-startups, hvilket repræsenterer 58 procent af alle venturekapitalinvesteringer. OpenAI nåede en værdiansættelse på 500 milliarder dollars, hvilket gjorde det til det første private firma, der krydsede denne tærskel uden nogensinde at have været profitabelt.

Værdiansættelserne er voldsomt uforholdsmæssige i forhold til de faktiske indtægter. OpenAI genererede en årlig omsætning på 10 milliarder dollars i 2025 med en værdiansættelse på 500 milliarder dollars, hvilket resulterede i et pris-til-salg-forhold på 50. Til sammenligning opnåede få virksomheder sådanne multipler, selv på toppen af ​​dotcom-boblen. Anthropic er værdiansat til 170 milliarder dollars med en omsætning på 2,2 milliarder dollars, et P/E-forhold på cirka 77. Disse tal indikerer massiv overvurdering.

Særligt problematisk er den cirkulære finansieringsstruktur, der har udviklet sig. Nvidia investerer 100 milliarder dollars i OpenAI, som til gengæld er forpligtet til at købe Nvidia-chips for flere milliarder dollars. OpenAI har indgået lignende aftaler med AMD til en værdi af flere milliarder dollars. Microsoft har investeret over 13 milliarder dollars i OpenAI og hoster sin infrastruktur på Azure. Amazon investerede 8 milliarder dollars i Anthropic, som til gengæld bruger AWS som sin primære cloudplatform og anvender Amazons egne AI-chips.

Disse ordninger minder uhyggeligt meget om den cirkulære finansiering i slutningen af ​​1990'erne, hvor teknologivirksomheder solgte udstyr til hinanden og bogførte transaktionerne som indtægter uden at generere nogen reel økonomisk værdi. Analytikere taler om et stadig mere komplekst og uigennemsigtigt netværk af forretningsrelationer, der giver næring til et billion-dollar boom. Parallellerne til dotcom-boblen og finanskrisen i 2008 er umiskendelige: uigennemsigtige og ukonventionelle finansieringsmekanismer, der er vanskelige for investorer at forstå og vurdere.

Dertil kommer kapitalkoncentrationen. The Magnificent Seven, de syv største amerikanske teknologivirksomheder, øgede deres energiforbrug med 19 procent i 2023, mens medianforbruget for S&P 500-virksomheder stagnerede. Cirka 80 procent af aktiemarkedsgevinsterne i USA i 2025 kunne tilskrives AI-relaterede virksomheder. Nvidia alene blev den mest købte aktie af detailinvestorer, der investerede næsten 30 milliarder dollars i chipproducenten i 2024.

Denne ekstreme koncentration medfører systemiske risici. Hvis afkastforventningerne viser sig at være urealistiske, kan et markedskrak få vidtrækkende konsekvenser. JPMorgan anslår, at alene AI-relaterede udstedelser af investment grade-obligationer kan nå op på 1,5 billioner dollars inden 2030. Meget af denne gæld er baseret på antagelsen om, at AI-systemer vil generere massive produktivitetsgevinster. Hvis denne forventning ikke realiseres, truer en kreditkrise.

Relateret til dette:

• Meta satser alt på superintelligens: milliarder i investeringer, megadatacentre og et risikabelt AI-kapløb

Talentkrigen og de sociale omvæltninger

De økonomiske spændinger manifesterer sig også på arbejdsmarkedet. Forholdet mellem ledige AI-stillinger og kvalificerede kandidater er 3,2 til 1. Der er 1,6 millioner ledige stillinger, men kun 518.000 kvalificerede ansøgere. Denne ekstreme mangel driver lønningerne til astronomiske højder. AI-specialister kan tilføje titusindvis af dollars til deres årlige indkomst ved at tilegne sig færdigheder i Python, TensorFlow eller specialiserede AI-frameworks.

Konkurrencen er brutal. Store tech-virksomheder, velfinansierede startups og endda regeringer kæmper om den samme lille gruppe af eksperter. OpenAI har oplevet en udvandring af ledere i de seneste måneder, herunder medstifter Ilya Sutskever og Chief Technology Officer Mira Murati. Mange af disse talentfulde individer lancerer deres egne startups eller skifter til konkurrenter. Meta rekrutterer aggressivt fra OpenAI, Anthropic og Google. Anthropic rekrutterer fra Meta og OpenAI.

Denne dynamik har flere konsekvenser. For det første fragmenterer den forskningslandskabet. I stedet for at arbejde hen imod fælles mål konkurrerer små teams i forskellige organisationer om de samme gennembrud. For det andet driver det omkostningerne op. De enorme lønninger for AI-specialister er kun bæredygtige for velkapitaliserede virksomheder, hvilket udelukker mindre aktører fra markedet. For det tredje forsinker det projekter. Virksomheder rapporterer, at ledige stillinger forbliver ubesatte i månedsvis, hvilket forstyrrer udviklingstidslinjerne.

De samfundsmæssige konsekvenser rækker langt ud over teknologisektoren. Hvis AI virkelig repræsenterer den næste industrielle revolution, så er en massiv omvæltning af arbejdsmarkedet nært forestående. I modsætning til den første industrielle revolution, som primært påvirkede fysisk arbejde, er AI rettet mod kognitive opgaver. Ikke kun simpel dataindtastning og kundeservice er truet, men potentielt også højt kvalificerede erhverv som programmører, designere, advokater og journalister.

En undersøgelse af investeringsbranchen forudsiger et fald på fem procent i den arbejdsbaserede indkomstandel på grund af kunstig intelligens og big data. Dette kan sammenlignes med ændringerne under den industrielle revolution, som forårsagede et fald på fem til 15 procent. Den afgørende forskel: den nuværende transformation finder sted over år, ikke årtier. Samfund har kun lidt tid til at tilpasse sig.

Testtidsberegning og paradigmeskiftet

Mens skaleringslovene for præ-træning er ved at nå deres grænser, er et nyt paradigme opstået: test-time computing scaling. OpenAIs o1-modeller viste, at betydelige ydeevneforbedringer er mulige ved at investere mere computerkraft under inferens. I stedet for blot at øge modelstørrelsen tillader disse systemer modellen at tænke over en forespørgsel i længere tid, forfølge flere tilgange til at løse den og selvverificere sine svar.

Forskning viser dog, at dette paradigme også har begrænsninger. Sekventiel skalering, hvor en model itererer over det samme problem flere gange, fører ikke til løbende forbedringer. Studier af modeller som Deepseeks R1 og QwQ viser, at længere tankeprocesser ikke automatisk giver bedre resultater. Ofte korrigerer modellen korrekte svar på forkerte, snarere end omvendt. Den selvrevisionskapacitet, der er nødvendig for effektiv sekventiel skalering, er utilstrækkeligt udviklet.

Parallel skalering, hvor flere løsninger genereres samtidigt, og den bedste vælges, viser bedre resultater. Men også her falder den marginale fordel med hver fordobling af den investerede computerkraft. Omkostningseffektiviteten falder hurtigt. For kommercielle applikationer, der skal besvare millioner af forespørgsler om dagen, er omkostningerne uoverkommelige.

Det virkelige gennembrud kunne ligge i at kombinere forskellige tilgange. Hybridarkitekturer, der kombinerer transformere med tilstandsrumsmodeller, lover at forene styrkerne ved begge. Tilstandsrumsmodeller som Mamba tilbyder lineær skaleringsadfærd i inferens, mens transformere udmærker sig ved at indfange langtrækkende afhængigheder. Sådanne hybridsystemer kunne genbalancere ligningen mellem omkostningskvalitet og -kvalitet.

Alternative arkitekturer og fremtiden efter Transformers

Sideløbende med verdensmodeller dukker en række alternative arkitekturer op, som kan udfordre Transformers' dominans. Tilstandsrumsmodeller har gjort betydelige fremskridt i de senere år. S4, Mamba og Hyena demonstrerer, at effektiv langkontekst-ræsonnement med lineær kompleksitet er mulig. Mens Transformers skalerer kvadratisk med sekvenslængden, opnår SSM'er lineær skalering i både træning og inferens.

Disse effektivitetsgevinster kan være afgørende, når AI-systemer implementeres i produktionsmiljøer. Omkostningerne ved inferens er ofte blevet undervurderet. Træning er en engangsinvestering, men inferens kører kontinuerligt. ChatGPT er aldrig offline. Med milliarder af daglige forespørgsler giver selv små effektivitetsforbedringer massive omkostningsbesparelser. En model, der kræver halvdelen af ​​computerkraften for den samme kvalitet, har en enorm konkurrencefordel.

Udfordringen ligger i modningen af ​​disse teknologier. Transformere har et forspring på næsten otte år og et enormt økosystem af værktøjer, biblioteker og ekspertise. Alternative arkitekturer skal ikke kun være teknisk overlegne, men også praktisk anvendelige. Teknologihistorien er fuld af teknisk overlegne løsninger, der fejlede på markedet, fordi økosystemet manglede.

Interessant nok er den kinesiske konkurrence også afhængig af alternative tilgange. DeepSeek V3, en open source-model med 671 milliarder parametre, bruger en blanding af eksperter-arkitektur, hvor kun 37 milliarder parametre aktiveres pr. token. Modellen opnår sammenlignelig ydeevne med vestlige konkurrenter i benchmarks, men blev trænet til en brøkdel af prisen. Træningstiden var kun 2,788 millioner H800 GPU-timer, hvilket er betydeligt mindre end sammenlignelige modeller.

Denne udvikling viser, at teknologisk lederskab ikke nødvendigvis ligger hos de økonomisk mest magtfulde aktører. Smarte arkitektoniske beslutninger og optimeringer kan kompensere for ressourcefordele. For det globale AI-landskab betyder dette øget multipolaritet. Kina, Europa og andre regioner udvikler deres egne tilgange, der ikke blot er kopier af vestlige modeller.

Revurderingen og den uundgåelige tømmermænd

Konvergensen af ​​alle disse faktorer antyder en forestående revurdering af AI-industrien. Nuværende værdiansættelser er baseret på antagelsen om kontinuerlig eksponentiel vækst, både i modelydelse og kommerciel adoption. Begge antagelser bliver mere og mere tvivlsomme. Modelydelsen stagnerer, mens omkostningerne fortsætter med at stige voldsomt. Selvom den kommercielle adoption vokser, er monetisering fortsat udfordrende.

OpenAI, med sin værdiansættelse på en halv billion dollar, skal vokse til mindst 100 milliarder dollars i årlig omsætning og blive profitabel i de kommende år for at retfærdiggøre sin værdiansættelse. Det ville betyde en tidobling på bare få år. Til sammenligning tog det Google over et årti at vokse fra 10 milliarder dollars til 100 milliarder dollars i omsætning. Forventningerne til AI-virksomheder er urealistisk høje.

Analytikere advarer om en potentiel bristet AI-boble. Parallellerne til dot-com-boblen er åbenlyse. Dengang, som nu, er der revolutionerende teknologi med et enormt potentiale. Dengang, som nu, er der irrationelt oppustede værdiansættelser og cirkulære finansieringsstrukturer. Dengang, som nu, retfærdiggør investorer absurde værdiansættelser ved at argumentere for, at teknologien vil ændre alt, og at traditionelle værdiansættelsesmålinger ikke længere er anvendelige.

Den afgørende forskel: I modsætning til mange dot-com-virksomheder har nutidens AI-virksomheder faktisk fungerende produkter med reel værdi. ChatGPT er ikke vaporware, men en teknologi, der bruges af millioner af mennesker dagligt. Spørgsmålet er ikke, om AI er værdifuld, men om den er værdifuld nok til at retfærdiggøre de nuværende værdiansættelser. Svaret er højst sandsynligt nej.

Når revalueringen kommer, vil det være smertefuldt. Venturekapitalfonde har investeret 70 procent af deres kapital i AI. Pensionskasser og institutionelle investorer er massivt eksponerede. Et betydeligt fald i AI-værdiansættelser ville have vidtrækkende økonomiske konsekvenser. Virksomheder, der er afhængige af billig finansiering, ville pludselig have svært ved at rejse kapital. Projekter ville blive stoppet, og personale ville blive afskediget.

Det langsigtede perspektiv og vejen frem

Trods disse dystre kortsigtede udsigter er det langsigtede potentiale for kunstig intelligens fortsat enormt. Den nuværende hype ændrer ikke teknologiens grundlæggende betydning. Spørgsmålet er ikke om, men hvordan og hvornår AI vil leve op til sit løfte. LeCuns skift fra kortsigtet produktudvikling til langsigtet grundforskning viser vejen.

Den næste generation af AI-systemer vil sandsynligvis se anderledes ud end nutidens LLM'er. Den vil kombinere elementer fra verdensmodeller, alternative arkitekturer og nye træningsparadigmer. Den vil være mindre afhængig af brute-force-skalering og mere af effektive, strukturerede repræsentationer. Den vil lære af den fysiske verden, ikke kun tekst. Og den vil forstå kausalitet, ikke kun korrelationer.

Denne vision kræver imidlertid tid, tålmodighed og friheden til at udføre grundforskning. Netop disse betingelser er svære at finde i det nuværende markedsmiljø. Presset for at levere hurtig kommerciel succes er enormt. Kvartalsrapporter og evalueringsrunder dominerer dagsordenen. Langsigtede forskningsprogrammer, som kan tage år at producere resultater, er vanskelige at retfærdiggøre.

LeCuns beslutning om at grundlægge en startup som 65-årig er en bemærkelsesværdig udtalelse. Han kunne have gået på pension med al den ære og en garanteret plads i historien. I stedet har han valgt den ujævne vej at forfølge en vision, der er blevet afvist af mainstream-branchen. Meta vil forblive partner, hvilket betyder, at hans virksomhed vil have ressourcer, i hvert fald i starten. Men dens virkelige succes vil afhænge af, om han i de kommende år kan demonstrere, at Advanced Machine Intelligence faktisk er overlegen.

Transformationen vil tage år. Selv hvis LeCun har ret, og verdensmodeller fundamentalt set er bedre, skal de stadig udvikles, optimeres og industrialiseres. Økosystemet skal opbygges. Udviklere skal lære at bruge de nye værktøjer. Virksomheder skal migrere fra LLM'er til de nye systemer. Disse overgangsfaser har historisk set altid været smertefulde.

Fra hype til virkelighed: Den langsigtede fremgangsmåde inden for AI

Yann LeCuns afgang fra Meta markerer mere end blot en personaleudskiftning. Det symboliserer den grundlæggende spænding mellem videnskabelig vision og kommerciel pragmatisme, mellem langsigtet innovation og kortsigtede markedskrav. Den nuværende AI-revolution er ved et vendepunkt. De nemme succeser med skalering er udtømte. De næste skridt vil være mere vanskelige, dyre og usikre.

For investorer betyder det, at de ublu værdiansættelser af nuværende AI-mestre skal undersøges kritisk. For virksomheder betyder det, at håbet om hurtige produktivitetsmirakler gennem AI kan blive skuffet. For samfundet betyder det, at transformationen vil være langsommere og mere ujævn, end hypebølgen antyder.

Samtidig forbliver fundamentet robust. AI er ikke en forbigående dille, men en fundamental teknologi, der på lang sigt vil transformere stort set alle sektorer af økonomien. Parallellerne til den industrielle revolution er rammende. Som dengang vil der være vindere og tabere, overdrivelser og korrektioner, omvæltninger og justeringer. Spørgsmålet er ikke, om transformerarkitekturen har nået enden af ​​sine muligheder, men hvordan den næste fase vil se ud, og hvem der vil forme den.

LeCuns satsning på avanceret maskinintelligens og verdensmodeller er dristig, men den kan vise sig at være fremsynet. Om fem år ved vi, om det var den rigtige beslutning at bryde væk fra mainstreamen, eller om industrien har holdt kursen. De kommende år vil være afgørende for den langsigtede udvikling af kunstig intelligens og dermed for den økonomiske og samfundsmæssige fremtid.

Vores amerikanske ekspertise inden for forretningsudvikling, salg og marketing - Billede: Xpert.Digital

Branchefokusområder: B2B, digitalisering (fra AI til XR), maskinteknik, logistik, vedvarende energi og industri

Mere information her:

• Ekspert Business Hub

Et tematisk knudepunkt, der tilbyder indsigt og ekspertise:

• Vidensplatform, der dækker globale og regionale økonomier, innovation og branchespecifikke tendenser
• En samling af analyser, indsigter og baggrundsinformation fra vores vigtigste fokusområder
• Et sted for ekspertise og information om aktuelle udviklinger inden for erhvervsliv og teknologi
• Et knudepunkt for virksomheder, der søger information om markeder, digitalisering og brancheinnovationer

☑️ Vores forretningssprog er engelsk eller tysk

☑️ NYT: Korrespondance på dit modersmål!

Konrad Wolfenstein

Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen her eller blot ringe til mig på +49 89 89 674 804 ( München) . Min e-mailadresse er: [email protected]

Jeg glæder mig til vores fælles projekt.

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering

☑️ Udvidelse og optimering af internationale salgsprocesser

☑️ Globale og digitale B2B-handelsplatforme

☑️ Pioner inden for forretningsudvikling / marketing / PR / messer

Drag fordel af Xpert.Digital's omfattende, femdobbelte ekspertise i en omfattende servicepakke | R&D, XR, PR & optimering af digital synlighed - Billede: Xpert.Digital

Xpert.Digital besidder dybdegående viden på tværs af forskellige brancher. Dette giver os mulighed for at udvikle skræddersyede strategier, der er præcist afstemt med kravene og udfordringerne i dit specifikke markedssegment. Ved løbende at analysere markedstendenser og overvåge brancheudviklingen kan vi handle proaktivt og tilbyde innovative løsninger. Kombinationen af ​​erfaring og ekspertise skaber merværdi og giver vores kunder en afgørende konkurrencefordel.

Mere information her:

• Drag fordel af Xpert.Digital's 5 ekspertiseområder i én pakke – fra kun €500/måned