Tehisintellekti revolutsioon ristteel: tehisintellekti buum peegeldub dotcom-mullis – hüpe ja kulude strateegiline analüüs

Räpane tõde tehisintellekti kohta: miks tehnoloogia põletab miljardeid, kuid ei too kasumit

Tehnoloogiamaastik on jõudnud murdepunkti, mida iseloomustab tehisintellekti (AI) kiire tõus. Generatiivse tehisintellekti edusammudest tingitud optimismilaine on vallandanud investeerimishulluse, mis oma intensiivsuse ja ulatuse poolest meenutab 1990. aastate lõpu dot-com-mulli. Sajad miljardid dollarid voolavad ühte tehnoloogiasse, mida õhutab kindel usk, et maailm on ajaloolise ulatusega majandusrevolutsiooni lävel. Astronoomilised hinnangud ettevõtetele, millel on sageli vaevu kasumlikud ärimudelid, on tavalised ning omamoodi kullapalaviku meeleolu on haaranud nii väljakujunenud tehnoloogiahiiglasi kui ka lugematuid idufirmasid. Turuväärtuse koondumine väheste ettevõtete, nn "Suurepärase seitsme", kätte peegeldab Nasdaqi lemmikute tolleaegset domineerimist ja õhutab muret ülekuumenenud turudünaamika pärast.

Selle aruande keskne tees on aga see, et vaatamata turumeeleolu pealiskaudsetele sarnasustele on aluseks olevates majanduslikes ja tehnoloogilistes struktuurides suured erinevused. Need erinevused toovad kaasa ainulaadse hulga võimalusi ja süsteemseid riske, mis vajavad keerukat analüüsi. Kuigi dot-com-hüpe ehitati üles lubadusele lõpetamata internetist, on tänapäeva tehisintellekti tehnoloogia juba sisse ehitatud paljudesse äriprotsessidesse ja tarbekaupadesse. Investeeritud kapitali liik, tehnoloogia küpsus ja turu struktuur loovad põhimõtteliselt erineva lähtepunkti.

Sobib selleks:

• Kas 2000. aasta dot-com-mull kordub? Praeguse tehisintellekti buumi kriitiline analüüs

Paralleelid dotcom-ajastuga

Sarnasused, mis kujundavad praegust turudebatti ja tekitavad paljudes investorites déjà vu tunde, on eksimatud. Esiteks ja kõige tähtsamalt on tegemist äärmuslike hinnangutega. 1990. aastate lõpus sai Nasdaqi aktsiate puhul normiks hinna ja kasumi (P/E) suhe 50, 70 või isegi 100. Tänapäeval ulatub S&P 500 tsükliliselt korrigeeritud väärtus 38 korda viimase kümne aasta kasumini – tase, mis on hiljutises majandusajaloos ületatud vaid dot-com-mulli haripunkti ajal. Need hinnangud põhinevad vähem praegusel kasumil kui tulevase monopoolse tootluse ootusel muutunud turul.

Teine levinud joon on usk tehnoloogia muutvasse jõusse, mis ulatub tehnoloogiasektorist kaugemale. Sarnaselt internetiga lubab tehisintellekt põhjalikult ümber kujundada iga tööstusharu – alates tootmisest kuni tervishoiu ja loomemajanduseni. See laialdase revolutsiooni narratiiv õigustab paljude investorite silmis erakordset kapitali sissevoolu ja lühiajaliste kahjude aktsepteerimist pikaajalise turul domineerimise kasuks. Kullapalaviku meeleolu haarab mitte ainult investoreid, vaid ka ettevõtteid, kellele avaldatakse survet tehisintellekti rakendada, et vältida mahajäämist, mis omakorda õhutab nõudlust ja seega ka väärtusi.

Peamised erinevused ja nende mõju

Vaatamata neile paralleelidele on erinevused dot-com-ajastuga praeguse turuolukorra ja selle potentsiaalse arengu mõistmiseks üliolulised. Võib-olla kõige olulisem erinevus seisneb kapitali allikas. Dot-com-mulli rahastasid suures osas väikeinvestorid, kes sageli spekuleerisid krediidiga, ja ülekuumenenud esmase avaliku pakkumise (IPO) turg. See lõi turumeeleolu poolt juhitud äärmiselt hapra tsükli. Tänapäeva tehisintellekti buumi seevastu ei rahasta peamiselt spekulatiivsed erainvestorid, vaid pigem maailma kõige tulusamate korporatsioonide punnis rahakotid. Sellised hiiglased nagu Microsoft, Meta, Google ja Amazon investeerivad strateegiliselt oma väljakujunenud ettevõtete tohutut kasumit järgmise tehnoloogiaplatvormi loomisse.

Sellel kapitalistruktuuri nihkel on sügavad tagajärjed. Praegune buum on palju vastupidavam lühiajalistele turumeeleolu kõikumistele. See pole niivõrd puhtspekulatiivne hullus kuivõrd strateegiline pikaajaline võitlus tehnoloogilise ülemvõimu nimel. Need investeeringud on strateegiliselt hädavajalikud, et "Suurepärane Seitsmik" järgmises platvormisõjas võidule pääseks. See tähendab, et buumi saab säilitada pikema aja jooksul, isegi kui tehisintellekti rakendused jäävad kahjumlikuks. Mulli potentsiaalne "lõhkemine" ei avalduks seega tõenäoliselt mitte väiksemate ettevõtete laiaulatusliku turu kokkuvarisemisena, vaid strateegiliste allahindluste ja suurte tegijate seas toimuva massiivse konsolideerumislainena.

Teine oluline erinevus on tehnoloogiline küpsus. Aastatuhande vahetuse internet oli noor, veel mitte täielikult väljaarendatud infrastruktuur piiratud ribalaiuse ja madala levikuga. Paljud tolleaegsed ärimudelid kukkusid läbi tehnoloogiliste ja logistiliste probleemide tõttu. Seevastu tänapäeva tehisintellekt, eriti suurte keelemudelite (LLM) kujul, on juba kindlalt integreeritud igapäevaellu ja laialdaselt kasutatavatesse tarkvaratoodetesse. Tehnoloogia ei ole lihtsalt lubadus, vaid juba kasutusel olev tööriist, mis muudab selle sidususe majandusega oluliselt kindlamaks.

Miks tehisintellekti hüpe ei ole dotcom-mulli koopia – ja võib ikkagi olla ohtlik

Miks tehisintellekti hüpe ei ole dotcom-mulli koopia – ja võib ikkagi olla ohtlik – Pilt: Xpert.Digital

Kuigi mõlemat faasi iseloomustab suur optimism, erinevad nad olulistes aspektides: kui dot-com-mulli umbes 2000. aasta paiku iseloomustasid äärmiselt kõrged P/E suhtarvud (50–100+) ja tugev keskendumine „silmapaistvatele ootustele“ ja kasvule, siis tehisintellekti buum umbes 2025. aasta paiku näitab S&P 500 tsükliliselt kohandatud P/E suhtarvu umbes 38 ja fookuse nihkumist oodatavate tulevaste monopolide poole. Ka rahastamisallikad on erinevad: tol ajal domineerisid börsileminekud, finantsvõimendusega jaeinvestorid ja riskikapital; tänapäeval pärinevad vahendid peamiselt tehnoloogiahiiglaste ettevõtete kasumist ja strateegilistest investeeringutest. Ka tehnoloogiline küpsus on oluliselt erinev – aastatuhande vahetusel oli internet veel piiratud ribalaiusega arendusjärgus, samas kui tehisintellekt on nüüd integreeritud ettevõtte tarkvarasse ja lõpptoodetesse. Lõpuks ilmneb turu erinev struktuuriline iseloom: dot-com-faasi iseloomustas suur hulk spekulatiivseid idufirmasid ja tõusvad Nasdaqi aktsiad, samas kui praegust tehisintellekti buumi iseloomustab äärmuslik koondumine vähestele „Suurepärase Seitsme“ ettevõtetele. Samal ajal on lõpptarbijate omaksvõtt tänapäeval palju suurem, kusjuures juhtivatel tehisintellekti rakendustel on sadu miljoneid kasutajaid.

Keskne küsimus

See analüüs viib selle aruande keskse küsimuseni: kas oleme jätkusuutliku tehnoloogilise ümberkujundamise alguses, mis määratleb uuesti tootlikkuse ja õitsengu? Või on tööstusharu ehitamas kolossaalset, kapitalimahukat masinat, millel puudub kasumlik eesmärk, luues seeläbi hoopis teistsuguse mulli – kontsentreerituma, strateegilisema ja potentsiaalselt ohtlikuma? Järgmistes peatükkides uuritakse seda küsimust majanduslikust, tehnilisest, eetilisest ja turustrateegilisest vaatenurgast, et maalida terviklik pilt tehisintellekti revolutsioonist selle otsustaval teelahkmel.

Majanduslik reaalsus: jätkusuutmatute ärimudelite analüüs

800 miljardi dollari suurune vahe

Tehisintellekti tööstuse majanduslike väljakutsete keskmes on tohutu struktuuriline lahknevus plahvatuslikult kasvavate kulude ja ebapiisava tulu vahel. Konsultatsioonifirma Bain & Company murettekitav uuring kvantifitseerib selle probleemi ja ennustab 2030. aastaks 800 miljardi dollari suurust rahastamispuudujääki. Uuringu kohaselt peaks tööstusharu arvutusvõimsuse, infrastruktuuri ja energia kasvavate kulude katmiseks 2030. aastaks genereerima ligikaudu 2 triljoni dollari suurust aastatulu. Prognoosid näitavad aga, et see eesmärk jääb märkimisväärselt saavutamata, mis tekitab põhimõttelisi küsimusi praeguste ärimudelite jätkusuutlikkuse ja astronoomiliste väärtuste õigustatuse kohta.

See lõhe ei ole abstraktne tulevikustsenaarium, vaid põhimõttelise majandusliku valearvestuse tulemus. Eeldus, et lai kasutajaskond, nagu see on sotsiaalmeedia ajastul välja kujunenud, viib automaatselt kasumlikkuseni, osutub tehisintellekti kontekstis petlikuks. Erinevalt platvormidest nagu Facebook või Google, kus täiendava kasutaja või interaktsiooni piirkulu on nullilähedane, tekitab tehisintellekti mudelites iga päring – iga genereeritud token – reaalseid ja mittetriviaalseid arvutuskulusid. See „maksa-mõtte-eest“ mudel õõnestab tarkvaratööstuse traditsioonilist skaleerimisloogikat. Seega muutub suur kasutajate arv pigem kasvavaks kuluteguriks kui potentsiaalseks kasumiteguriks, kui monetiseerimine ei ületa jooksvaid tegevuskulusid.

OpenAI juhtumiuuring: populaarsuse ja kasumlikkuse paradoks

Ükski ettevõte ei illustreeri seda paradoksi paremini kui OpenAI, generatiivse tehisintellekti revolutsiooni lipulaev. Vaatamata muljetavaldavale 300 miljardi dollari suurusele väärtusele ja 700 miljonile iganädalasele kasutajaskonnale on ettevõte sügavas kahjumis. Kahjum ulatus 2024. aastal ligikaudu 5 miljardi dollarini ja prognooside kohaselt ulatub see 2025. aastaks 9 miljardi dollarini. Probleemi tuum seisneb madalas konversioonimääras: sadadest miljonitest kasutajatest on vaid viis miljonit maksvad kliendid.

Veelgi murettekitavam on arusaam, et isegi kõige kallimad tellimusmudelid ei kata oma kulusid. Aruanded näitavad, et isegi premium-tellimus "ChatGPT Pro" hinnaga 200 dollarit kuus on kahjumlik ettevõtmine. Võimsad kasutajad, kes mudeli võimalusi intensiivselt kasutavad, tarbivad rohkem arvutusressursse, kui nende tellimustasu katab. Tegevjuht Sam Altman ise kirjeldas seda kuluolukorda kui "hullumeelsust", rõhutades monetiseerimise põhilist väljakutset. OpenAI kogemus näitab, et klassikaline SaaS-mudel (tarkvara teenusena) jõuab oma piirini, kui kasutajate poolt teenusest saadav väärtus ületab selle pakkumise kulud. Seetõttu peab tööstusharu välja töötama täiesti uue ärimudeli, mis läheb kaugemale lihtsatest tellimustest või reklaamist ja hindab asjakohaselt "intelligentsuse kui teenuse" väärtust – ülesannet, millele praegu pole väljakujunenud lahendust.

Investeerimishullus ilma tootlusväljavaadeteta

Kasumlikkuse puudumise probleem ei piirdu ainult OpenAI-ga, vaid läbib kogu tööstusharu. Suured tehnoloogiaettevõtted on tõelises investeerimisbuumis. Microsoft, Meta ja Google plaanivad 2025. aastaks kulutada tehisintellekti projektidele kokku 215 miljardit dollarit, samas kui Amazon plaanib investeerida täiendavalt 100 miljardit dollarit. Need kulutused, mis on ChatGPT käivitamisest saadik enam kui kahekordistunud, suunatakse peamiselt andmekeskuste laiendamisse ja uute tehisintellekti mudelite väljatöötamisse.

See tohutu kapitaliinvesteering on aga teravas vastuolus seni saavutatud tuludega. Massachusettsi Tehnoloogiainstituudi (MIT) uuring näitas, et hoolimata märkimisväärsetest investeeringutest ei saavuta 95% küsitletud ettevõtetest oma tehisintellekti algatustest mõõdetavat investeeringutasuvust (ROI). Selle peamiseks põhjuseks on nn õppimislünk: enamik tehisintellekti süsteeme ei suuda tagasisidest õppida, konkreetse ärikontekstiga kohaneda ega aja jooksul täiustuda. Nende eelised piirduvad sageli üksikute töötajate individuaalse tootlikkuse suurendamisega, ilma et see avaldaks ettevõtte lõpptulemusele nähtavat mõju.

See dünaamika paljastab praeguse tehisintellekti buumi sügavama tõe: see on suures osas suletud majandussüsteem. Tehnoloogiahiiglaste investeeritud sajad miljardid ei ole suunatud peamiselt kasumlike lõpptarbijatoodete loomisele. Selle asemel voolavad need otse riistvaratootjatele, eesotsas Nvidiaga, ja tagasi ettevõtete enda pilveosakondadesse (Azure, Google Cloud Platform, AWS). Samal ajal kui tehisintellekti tarkvaraosakonnad kannavad miljardite suurust kahjumit, kogevad pilve- ja riistvarasektorid plahvatuslikku tulude kasvu. Tehnoloogiahiiglased kannavad kapitali oma kasumlikest põhitegevustest tehisintellekti osakondadesse, kes seejärel kulutavad selle raha riist- ja pilveteenustele, suurendades seeläbi oma ettevõtte teiste osade või partnerite tulusid. Selle ulatusliku infrastruktuuri ehituse etapi ajal on lõppklient sageli vaid teisejärguline kaalutlus. Kasumlikkus koondub tehnoloogiapaketi alumisse ossa (kiibid, pilveinfrastruktuur), samas kui rakenduste kiht toimib tohutu kahjumi liidrina.

Altpoolt tulevate häirete oht

Väljakujunenud pakkujate kulukaid ja ressursimahukaid ärimudeleid õõnestab veelgi altpoolt tulev kasvav oht. Turule sisenevad kiiresti uued, odavad konkurendid, eriti Hiinast. Näiteks Hiina mudeli Deepseek R1 kiire turuletulek on näidanud, kui volatiilne on tehisintellekti turg ja kui kiiresti võivad kõrge hinnaga mudelitega väljakujunenud pakkujad surve alla sattuda.

See areng on osa laiemast trendist, kus avatud lähtekoodiga mudelid pakuvad paljude kasutusjuhtude jaoks "piisavalt head" jõudlust murdosa hinnaga. Ettevõtted mõistavad üha enam, et nad ei vaja kõige kallimaid ja võimsamaid mudeleid selliste rutiinsete ülesannete jaoks nagu lihtne klassifitseerimine või teksti kokkuvõtmine. Väiksemad, spetsialiseeritud mudelid on sageli mitte ainult odavamad, vaid ka kiiremad ja lihtsamini rakendatavad. See tehisintellekti tehnoloogia "demokratiseerimine" kujutab endast eksistentsiaalset ohtu ärimudelitele, mis põhinevad tipptasemel jõudluse kaubaks muutmisel premium-hindadega. Kui odavamad alternatiivid pakuvad 90% jõudlusest 1% hinnaga, muutub suurtel müüjatel üha raskemaks oma suuri investeeringuid õigustada ja rahaks teha.

Digitaalse transformatsiooni uus dimensioon hallatud tehisintellekti (AI) abil – platvorm ja B2B-lahendus | Xpert Consulting - pilt: Xpert.Digital

Siit saate teada, kuidas teie ettevõte saab kiiresti, turvaliselt ja ilma kõrgete sisenemisbarjäärideta rakendada kohandatud tehisintellekti lahendusi.

Hallatud tehisintellekti platvorm on teie igakülgne ja muretu tehisintellekti pakett. Keerulise tehnoloogia, kalli infrastruktuuri ja pikkade arendusprotsesside asemel saate spetsialiseerunud partnerilt teie vajadustele vastava võtmed kätte lahenduse – sageli juba mõne päeva jooksul.

Peamised eelised lühidalt:

⚡ Kiire teostus: Ideest rakenduseni päevade, mitte kuude jooksul. Pakume praktilisi lahendusi, mis loovad kohest väärtust.

🔒 Maksimaalne andmeturve: Teie tundlikud andmed jäävad teie kätte. Garanteerime turvalise ja nõuetele vastava töötlemise ilma andmeid kolmandate osapooltega jagamata.

💸 Finantsriski pole: maksate ainult tulemuste eest. Suured esialgsed investeeringud riist- ja tarkvarasse või personali jäävad täielikult ära.

🎯 Keskendu oma põhitegevusele: Keskendu sellele, mida sa kõige paremini oskad. Meie tegeleme sinu tehisintellekti lahenduse kogu tehnilise juurutamise, käitamise ja hooldusega.

📈 Tulevikukindel ja skaleeritav: teie tehisintellekt kasvab koos teiega. Tagame pideva optimeerimise ja skaleeritavuse ning kohandame mudeleid paindlikult uutele nõuetele.

Lisateavet selle kohta siin:

• Hallatud tehisintellekti lahendus – tööstuslikud tehisintellekti teenused: konkurentsivõime võti teenuste, tööstuse ja masinaehituse sektoris

Intellekti maksumus: infrastruktuur, energia ja tehisintellekti kulutuste tegelikud ajendid

Koolituskulud vs. järelduskulud: kaheosaline väljakutse

Tehisintellekti kulud saab jagada kahte põhikategooriasse: mudelite treenimise kulud ja nende käitamise kulud ehk järeldused. Suure keelemudeli treenimine on ühekordne, kuid äärmiselt kulukas protsess. See nõuab tohutuid andmekogumeid ja nädalaid või kuid arvutusaega tuhandetel spetsialiseeritud protsessoritel. Tuntud mudelite treenimise kulud näitavad nende investeeringute suurust: GPT-3 maksis umbes 4,6 miljonit dollarit, GPT-4 treenimiseks on juba kulunud üle 100 miljoni dollari ja Google'i Gemini Ultra treenimiskulud on hinnanguliselt 191 miljonit dollarit. Need summad kujutavad endast olulist sisenemistõket ja kinnistavad rahaliselt võimsate tehnoloogiaettevõtete domineerimist.

Kuigi koolituskulud domineerivad pealkirjades, kujutab järeldamine endast palju suuremat ja pikemaajalist majanduslikku väljakutset. Järeldamine viitab protsessile, kus eelnevalt treenitud mudelit kasutatakse päringutele vastamiseks ja sisu loomiseks. Iga üksik kasutajapäring tekitab arvutuskulusid, mis akumuleeruvad kasutamisega. Hinnangute kohaselt võivad järeldamiskulud mudeli kogu elutsükli jooksul moodustada 85–95% kogukuludest. Need käimasolevad tegevuskulud on peamine põhjus, miks eelmises peatükis kirjeldatud ärimudelite puhul on nii raske kasumlikkust saavutada. Kasutajabaasi laiendamine toob otseselt kaasa tegevuskulude laiendamise, mis pöörab traditsioonilise tarkvaraökonoomika pea peale.

Riistvaralõks: NVIDIA kuldne puur

Hinnaplahvatuse keskmes on kogu tööstusharu kriitiline sõltuvus ühest tüüpi riistvarast: kõrgelt spetsialiseerunud graafikaprotsessoritest (GPU-dest), mida toodab peaaegu eranditult üks ettevõte, Nvidia. H100 mudelid ja uuemad B200 ja H200 põlvkonnad on saanud tehisintellekti mudelite treenimise ja käitamise de facto standardiks. See turul domineerimine on võimaldanud Nvidial oma toodete eest küsida tohutuid hindu. Ühe H100 GPU ostuhind jääb vahemikku 25 000–40 000 dollarit.

Sobib selleks:

• Veider USA buum: šokeeriv tõde näitab, mis tegelikult juhtuks ilma tehisintellekti hüpeta

Enamiku ettevõtete jaoks pole selle riistvara ostmine võimalik, seega loodavad nad arvutusvõimsuse rentimisele pilves. Kuid isegi siin on kulud tohutud. Ühe tipptasemel GPU rendihinnad jäävad vahemikku 1,50–4,50 dollarit tunnis. Kaasaegsete tehisintellekti mudelite keerukus süvendab seda probleemi veelgi. Suur keelemudel ei mahu sageli ühe GPU mällu. Ühe keeruka päringu töötlemiseks tuleb mudel jaotada 8, 16 või enama paralleelselt töötava GPU klastri vahel. See tähendab, et ühe kasutaja seansi maksumus võib spetsiaalse riistvara kasutamisel kiiresti tõusta 50–100 dollarini tunnis. See äärmuslik sõltuvus kallist ja nappist riistvarast loob tehisintellekti tööstusele „kuldse puuri“: see on sunnitud suure osa oma investeeringutest tellima ühele tarnijale, mis vähendab marginaale ja suurendab kulusid.

Rahuldamatu isu: energia ja ressursside tarbimine

Tohutud riistvaranõuded toovad kaasa veel ühe, sageli alahinnatud kuluteguri, millel on globaalsed tagajärjed: tohutu energia- ja ressursitarbimine. Kümnete tuhandete graafikaprotsessorite käitamine suurtes andmekeskustes tekitab tohutult jääksoojust, mida tuleb hajutada keerukate jahutussüsteemide abil. See toob kaasa eksponentsiaalselt kasvava elektri- ja veevajaduse. Prognoosid maalivad murettekitava pildi: andmekeskuste ülemaailmne elektritarbimine peaks 2030. aastaks kahekordistuma üle 1000 teravatt-tunni (TWh), mis on võrdne kogu Jaapani praeguse elektrienergiavajadusega.

Tehisintellekti osakaal selles tarbimises kasvab ebaproportsionaalselt. Aastatel 2023–2030 peaks ainuüksi tehisintellekti rakenduste elektritarbimine suurenema üheteistkümnekordselt. Samal ajal neljakordistub andmekeskuste jahutamiseks vajalik veetarbimine 2030. aastaks 664 miljardi liitrini. Videote tootmine on eriti energiamahukas. Kulud ja energiatarbimine skaleeruvad ruutkeskselt video eraldusvõime ja pikkusega, mis tähendab, et kuuesekundilise klipi tegemine nõuab peaaegu neli korda rohkem energiat kui kolmesekundilise klipi tegemine.

Sellel arengul on kaugeleulatuvad tagajärjed. Google'i endine tegevjuht Eric Schmidt väitis hiljuti, et tehisintellekti loomulik piir ei ole ränikiipide, vaid elektri kättesaadavus. Tehisintellekti skaleerimisseadused, mis väidavad, et suuremad mudelid toimivad paremini, on otseses vastuolus energiatootmise füüsikaliste seadustega ja globaalsete kliimaeesmärkidega. Praegune teekond „suurem, parem, suurem“ on füüsiliselt ja ökoloogiliselt jätkusuutmatu. Seetõttu peavad tulevased läbimurded paratamatult tulema efektiivsuse parandamisest ja algoritmilistest uuendustest, mitte puhtast jõupõhisest skaleerimisest. See avab tohutu turuvõimaluse ettevõtetele, mis on võimelised pakkuma suurt jõudlust radikaalselt väiksema energiatarbimisega. Puhta skaleerimise ajastu on lõppemas; efektiivsuse ajastu on algamas.

Nähtamatud kulud: lisaks riistvarale ja elektrile

Lisaks ilmselgetele riistvara- ja energiakuludele on mitu "nähtamatut" kulu, mis suurendavad oluliselt tehisintellekti süsteemi kogukulu. Nende hulgas on peamine personalikulu. Kõrgelt kvalifitseeritud tehisintellekti uurijad ja insenerid on haruldased ja kallid. Väikese meeskonna palgad võivad kõigest kuue kuu jooksul kiiresti ulatuda 500 000 dollarini.

Teine oluline kulu on andmete hankimine ja ettevalmistamine. Kvaliteetsed, puhtad ja koolitusvalmis andmekogumid on iga võimsa tehisintellekti mudeli aluseks. Selliste andmekogumite litsentsimine või ostmine võib maksta üle 100 000 dollari. Sellele lisanduvad andmete ettevalmistamise kulud, mis nõuavad nii arvutusressursse kui ka inimteadmisi. Lõpuks ei saa unarusse jätta pidevaid hoolduskulusid, olemasolevate süsteemidega integreerimist, haldust ja eeskirjade järgimise tagamist. Neid tegevuskulusid on sageli raske kvantifitseerida, kuid need moodustavad olulise osa kogukuludest ja neid alahinnatakse eelarvestamisel sageli.

Tehisintellekti "nähtamatud" kulud

See detailne kulude jaotus näitab, et tehisintellekti majanduslik olemus on palju keerulisem, kui esmapilgul paistab. Suured muutuvad järelduskulud takistavad laialdast kasutuselevõttu hinnatundlikes äriprotsessides, kuna kulud on ettearvamatud ja võivad kasutamisega järsult suureneda. Ettevõtted ei taha tehisintellekti integreerida suuremahulistesse põhiprotsessidesse enne, kui järelduskulud vähenevad suurusjärkude võrra või tekivad uued, prognoositavad hinnamudelid. See viib selleni, et kõige edukamad varased rakendused leiavad aset suure väärtusega, kuid väikesemahulistes valdkondades, nagu ravimite avastamine või keeruline inseneritöö, mitte aga massituru tootlikkuse tööriistades.

Tehisintellekti „nähtamatud” kulud – pilt: Xpert.Digital

Tehisintellekti "nähtamatud" kulud hõlmavad mitut valdkonda: riistvara (eriti graafikaprotsessorite) maksumus sõltub peamiselt mudeli suurusest ja kasutajate arvust – tüüpilised rendikulud jäävad vahemikku 1,50–4,50 dollarit graafikaprotsessori tunnis, samas kui graafikaprotsessori ostmine võib maksta 25 000–40 000 dollarit ja rohkem. Energia ja jahutus sõltuvad arvutusintensiivsusest ja riistvara efektiivsusest; prognooside kohaselt kahekordistub andmekeskuste tarbimine üle 1000 TWh aastaks 2030. Tarkvara ja API kulud sõltuvad päringute (tokenite) arvust ja mudeli tüübist; hinnad jäävad vahemikku umbes 0,25 dollarit (Mistral 7B) kuni 30 dollarit (GPT-4) miljoni tokeni kohta. Andmete puhul – olenevalt kvaliteedist, ulatusest ja litsentsimisest – võivad andmekogumite hankimise kulud kergesti ületada 100 000 dollarit. Personalikulud, mida mõjutavad oskuste puudus ja spetsialiseerumise vajadus, võivad väikese meeskonna puhul kuue kuu jooksul ületada 500 000 dollarit. Lõpuks põhjustavad hooldus ja juhtimine süsteemi keerukuse ja regulatiivsete nõuete tõttu pidevaid tegevuskulusid, mida on raske täpselt kvantifitseerida.

Hüpe ja reaalsuse vahel: tehnilised puudujäägid ja praeguste tehisintellekti süsteemide piirid

Google Gemini juhtumiuuring: kui fassaad kokku variseb

Vaatamata tohutule hüpele ja miljarditesse dollaritesse ulatuvatele investeeringutele on isegi juhtivatel tehnoloogiaettevõtetel probleeme usaldusväärsete tehisintellekti toodete pakkumisel oluliste tehniliste probleemidega. Google'i raskused oma tehisintellekti süsteemidega Gemini ja Imagen on ilmekas näide kogu tööstusharu hõlmavatest väljakutsetest. Nädalaid on kasutajad teatanud põhimõttelistest riketest, mis ulatuvad kaugemale väiksematest programmeerimisvigadest. Näiteks piltide genereerimise tehnoloogia Imagen ei suuda sageli luua pilte kasutaja soovitud vormingutes, näiteks tavalises 16:9 kuvasuhtes, ja toodab selle asemel ainult ruudukujulisi pilte. Tõsisematel juhtudel pildid küll genereeritakse, kuid neid ei saa üldse kuvada, mistõttu funktsioon on praktiliselt kasutuskõlbmatu.

Need praegused probleemid on osa korduvast mustrist. 2024. aasta veebruaris pidi Google Gemini tähtkujus inimeste kujutamise täielikult keelama, kuna süsteem genereeris ajalooliselt absurdseid ja ebatäpseid pilte, näiteks Aasia näojoontega Saksa sõdureid. Teksti genereerimise kvaliteeti kritiseeritakse samuti regulaarselt: kasutajad kurdavad ebajärjekindlate vastuste, isegi kahjutute päringute liigse tsenseerimise ja äärmuslikel juhtudel isegi vihkamist õhutavate sõnumite väljastamise üle. Need juhtumid näitavad, et vaatamata muljetavaldavale potentsiaalile on tehnoloogia endiselt kaugel usaldusväärsusest, mida on vaja laialdaseks kasutamiseks kriitilistes rakendustes.

Struktuurilised põhjused: dilemma „Liigu kiiresti ja lõhu asju”

Nende tehniliste puudujääkide juured peituvad sageli arendusprotsesside struktuurilistes probleemides. Tohutu konkurentsisurve, eriti OpenAI edu tõttu, on viinud Google'i ja teiste ettevõtete kiirustatud tootearenduseni. Sotsiaalmeedia algusaegadest päritud mentaliteet „tegutse kiiresti ja lõhu asju” osutub tehisintellekti süsteemide jaoks äärmiselt problemaatiliseks. Kuigi tavapärase rakenduse viga võib mõjutada ainult ühte funktsiooni, võivad tehisintellekti mudeli vead viia ettearvamatute, kahjulike või piinlike tulemusteni, mis õõnestavad otseselt kasutajate usaldust.

Teine probleem on sisemise koordineerimise puudumine. Näiteks kuigi Google Photos rakendus saab uusi tehisintellektil põhinevaid pilditöötlusfunktsioone, ei tööta Gemini põhiline piltide genereerimine korralikult. See viitab ebapiisavale koordineerimisele eri osakondade vahel. Lisaks on teateid halbadest töötingimustest alltöövõtjate seas, kes vastutavad tehisintellekti "nähtamatute" kulude eest, nagu sisu modereerimine ja süsteemi täiustamine. Ajaline surve ja madalad palgad nendes valdkondades võivad veelgi kahjustada käsitsi süsteemi optimeerimise kvaliteeti.

Google'i tegevus nende vigadega on eriti oluline. Probleemide ennetava edastamise asemel pannakse kasutajatele sageli ikkagi mulje, et süsteem toimib laitmatult. See läbipaistvuse puudumine koos agressiivse turundusega uute, sageli sama vigaste funktsioonide jaoks põhjustab märkimisväärset kasutajate frustratsiooni ja püsivat usalduse kaotust. Need kogemused annavad turule olulise õppetunni: usaldusväärsus ja prognoositavus on ettevõtete jaoks väärtuslikumad kui juhuslik tippjõudlus. Veidi vähem võimas, kuid 99,99% usaldusväärne mudel on ärikriitiliste rakenduste jaoks palju kasulikum kui tipptasemel mudel, mis tekitab ohtlikke hallutsinatsioone 1% ajast.

Kujutiseprodutsentide loomingulised piirid

Lisaks puhtfunktsionaalsetele puudustele on ka praeguste tehisintellektil põhinevate pildigeneraatorite loomingulised võimed selgelt oma piirini jõudmas. Vaatamata paljude loodud piltide muljetavaldavale kvaliteedile puudub süsteemidel tegeliku maailma tegelik arusaam. See avaldub mitmes valdkonnas. Kasutajatel on lõpptulemuse üle sageli piiratud kontroll. Isegi väga detailsed ja täpsed juhised (ülesanded) ei anna alati soovitud pilti, kuna mudel tõlgendab juhiseid viisil, mis ei ole täielikult etteaimatav.

Puudujäägid muutuvad eriti ilmseks keerukate stseenide kujutamisel, kus on mitu omavahel suhtlevat inimest või objekti. Mudelil on raskusi elementide vaheliste ruumiliste ja loogiliste seoste korrektse kujutamisega. Kurikuulus probleem on suutmatus tähti ja teksti täpselt renderdada. Tehisintellekti loodud piltidel olevad sõnad on sageli loetamatu tähemärkide kogum, mis vajab käsitsi järeltöötlust. Piirangud ilmnevad ka piltide stiliseerimisel. Niipea kui soovitud stiil kaldub liiga palju kõrvale anatoomilisest reaalsusest, millel mudel treeniti, muutuvad tulemused üha moonutatumaks ja kasutuskõlbmatuks. Need loomingulised piirangud näitavad, et kuigi mudelid on võimelised oma treeningandmetest mustreid rekombineerima, puudub neil sügav kontseptuaalne arusaam.

Lõhe ettevõtlusmaailmas

Nende tehniliste puudujääkide ja loominguliste piirangute summa kajastub otseselt 2. peatükis käsitletud pettumust valmistavates äritulemustes. Asjaolu, et 95% ettevõtetest ei suuda oma tehisintellekti investeeringutelt mõõdetavat investeeringutasuvust saavutada, on otsene tagajärg praeguste süsteemide ebausaldusväärsusele ja haprale töövoogudele. Tehisintellekti süsteemi, mis annab ebajärjekindlaid tulemusi, aeg-ajalt tõrgub või tekitab ettearvamatuid vigu, ei saa integreerida ärikriitilistesse protsessidesse.

Levinud probleem on tehnilise lahenduse ja tegelike ärivajaduste mittevastavus. Tehisintellekti projektid ebaõnnestuvad sageli seetõttu, et need on optimeeritud valede mõõdikute jaoks. Näiteks võib logistikaettevõte välja töötada tehisintellekti mudeli, mis optimeerib marsruute lühima koguvahemaa jaoks, samas kui tegelik tegevuseesmärk on minimeerida hilinenud tarneid – eesmärk, mis võtab arvesse selliseid tegureid nagu liiklusmustrid ja tarneajad, mida mudel ignoreerib.

Need kogemused annavad olulise ülevaate tehisintellekti süsteemide vigade olemusest. Traditsioonilises tarkvaras saab vea isoleerida ja parandada sihipärase koodimuudatuse abil. Tehisintellekti mudeli "viga" – näiteks väärinfo või kallutatud sisu genereerimine – ei ole aga üksik vigane koodirida, vaid miljonite parameetrite ja terabaitidega treeningandmete tulemusel tekkiv omadus. Sellise süsteemse vea parandamine nõuab lisaks probleemsete andmete tuvastamisele ja parandamisele ka mudeli täielikku, mitme miljoni dollari suurust ümberõpetamist. See uut tüüpi "tehniline võlg" kujutab endast tehisintellekti süsteeme juurutavate ettevõtete jaoks tohutut, sageli alahinnatud jätkuvat vastutust. Üks viiruslik viga võib põhjustada katastroofilisi kulusid ja mainekahju, suurendades kogukulu oluliselt esialgsetest hinnangutest.

Eetilised ja ühiskondlikud mõõtmed: tehisintellekti ajastu varjatud riskid

Süsteemne eelarvamus: ühiskonna peegel

Üks tehisintellekti sügavamaid ja raskemaid väljakutseid on selle kalduvus mitte ainult taastoota, vaid sageli ka tugevdada ühiskondlikke eelarvamusi ja stereotüüpe. Tehisintellekti mudelid õpivad, tuvastades mustreid inimeste loodud tohututes andmehulkades. Kuna need andmed hõlmavad kogu inimkultuuri, ajalugu ja suhtlust, peegeldavad need paratamatult nende loomupäraseid eelarvamusi.

Tagajärjed on kaugeleulatuvad ja nähtavad paljudes rakendustes. Tehisintellekti pildigeneraatorid, kellelt küsitakse "eduka inimese" kujutamist, genereerivad valdavalt pilte noortest valgetest meestest ärirõivastes, mis annab edasi kitsa ja stereotüüpse pildi edust. Teatud ametite esindajate kuvamise taotlused viivad äärmuslike stereotüüpsete kujutisteni: tarkvaraarendajaid kujutatakse peaaegu eranditult meestena ja stjuardesse peaaegu eranditult naistena, mis moonutab tõsiselt nende ametite tegelikkust. Keelemudelid võivad ebaproportsionaalselt seostada negatiivseid omadusi teatud etniliste rühmadega või tugevdada soolisi stereotüüpe professionaalses kontekstis.

Arendajate katsed neid eelarvamusi lihtsate reeglite abil "parandada" on sageli täielikult läbi kukkunud. Katsed kunstlikult luua suuremat mitmekesisust on viinud ajalooliselt absurdsete kujutluspiltideni, näiteks etniliselt mitmekesised natsisõdurid, mis rõhutab probleemi keerukust. Need juhtumid paljastavad põhimõttelise tõe: "eelarvamus" ei ole tehniline viga, mida saab kergesti parandada, vaid pigem inimandmetel treenitud süsteemide loomupärane omadus. Seega on ühtse, universaalselt "erapooletu" tehisintellekti mudeli otsimine tõenäoliselt eksiarvamus. Lahendus ei peitu eelarvamuste võimatus kõrvaldamises, vaid läbipaistvuses ja kontrollis. Tulevased süsteemid peavad võimaldama kasutajatel mõista mudeli loomupäraseid kalduvusi ja kohandada selle käitumist konkreetsete kontekstidega. See loob püsiva vajaduse inimese järelevalve ja kontrolli järele ("inimene kaasas"), mis on vastuolus täieliku automatiseerimise visiooniga.

Andmekaitse ja privaatsus: uus esirinnas

Ulatuslike keelemudelite väljatöötamine on avanud privaatsusriskide uue dimensiooni. Neid mudeleid treenitakse kujuteldamatult suurte internetist pärit andmemahtude põhjal, mida sageli kogutakse ilma autorite või andmesubjektide selgesõnalise nõusolekuta. See hõlmab isiklikke ajaveebipostitusi, foorumipostitusi, privaatset kirjavahetust ja muud tundlikku teavet. See tava kujutab endast kahte peamist privaatsusohtu.

Esimene oht on "andmete meeldejätmine". Kuigi mudelid on loodud üldiste mustrite õppimiseks, võivad nad tahtmatult meelde jätta oma treeningandmetest konkreetset ja unikaalset teavet ning seda nõudmisel taasesitada. See võib viia treeningandmestiku isikuandmete (nt nimed, aadressid, telefoninumbrid või konfidentsiaalsed ärisaladused) tahtmatu avalikustamiseni.

Teine, peenem oht ​​on nn liikmelisuse järeldamise rünnakud (MIA-d). Nende rünnakute käigus püüavad ründajad kindlaks teha, kas konkreetse isiku andmed olid osa mudeli treeningandmestikust. Edukas rünnak võib näiteks paljastada, et inimene kirjutas meditsiinifoorumis konkreetsest haigusest, isegi kui täpset teksti ei reprodutseerita. See kujutab endast olulist privaatsuse rikkumist ja õõnestab usaldust tehisintellekti süsteemide turvalisuse vastu.

Desinformatsioonimasin

Üks generatiivse tehisintellekti ilmsemaid ja otsesemaid ohte on selle potentsiaal genereerida ja levitada desinformatsiooni varem kujuteldamatul skaalal. Suured keelemudelid suudavad nupuvajutusega toota usutavalt kõlavaid, kuid täielikult väljamõeldud tekste, nn hallutsinatsioone. Kuigi see võib kahjutute päringute puhul viia kummaliste tulemusteni, muutub see pahatahtliku kavatsusega kasutamisel võimsaks relvaks.

See tehnoloogia võimaldab massiliselt luua võltsitud uudiseid, propagandatekste, võltsitud tootearvustusi ja isikupärastatud andmepüügikirju, mis on peaaegu eristamatud inimeste loodud tekstidest. Koos tehisintellekti loodud piltide ja videotega (süvavõltsingud) loob see tööriistade arsenali, mis suudab manipuleerida avaliku arvamusega, õõnestada usaldust institutsioonide vastu ja ohustada demokraatlikke protsesse. Desinformatsiooni genereerimise võime ei ole tehnoloogia talitlushäire, vaid üks selle põhipädevusi, muutes reguleerimise ja kontrolli kiireloomuliseks ühiskondlikuks ülesandeks.

Autoriõigus ja intellektuaalomand: juriidiline miiniväli

Tehisintellekti mudelite treenimise viis on vallandanud autoriõiguse valdkonnas õigusvaidluste laine. Kuna mudeleid treenitakse internetist pärit andmete põhjal, hõlmab see paratamatult autoriõigustega kaitstud teoseid, nagu raamatud, artiklid, pildid ja kood, sageli ilma õiguste valdajate loata. Selle tulemusel on autorid, kunstnikud ja kirjastajad esitanud arvukalt kohtuasju. Keskne õiguslik küsimus, kas tehisintellekti mudelite treenimine kuulub "õiglase kasutamise" doktriini alla, on endiselt lahendamata ja hoiab kohtuid veel aastaid hõivatuna.

Samal ajal jääb tehisintellekti loodud sisu enda õiguslik staatus ebaselgeks. Kes on tehisintellekti loodud pildi või teksti autor? Kasutaja, kes sisestas käsureale? Ettevõte, mis mudeli välja töötas? Või kas autor võib olla isegi mitte-inimsüsteem? See ebakindlus loob õigusliku vaakumi ja kujutab endast märkimisväärset riski ettevõtetele, kes soovivad tehisintellekti loodud sisu äriliselt kasutada. Kui loodud teos tahtmatult treeningandmete elemente reprodutseerib, on oht autoriõiguste rikkumise kohtuasjadeks.

Need juriidilised ja andmekaitseriskid kujutavad endast kogu tehisintellekti tööstuse jaoks omamoodi „magavat kohustust“. Juhtivate tehisintellekti ettevõtete praegused väärtused kajastavad seda süsteemset riski vaevu. Märkimisväärne kohtuotsus suure tehisintellekti ettevõtte vastu – olgu see siis ulatusliku autoriõiguste rikkumise või tõsise andmetega seotud lekke eest – võiks luua pretsedendi. Selline otsus võiks sundida ettevõtteid oma mudeleid nullist ümber õpetama, kasutades litsentseeritud „puhtaid“ andmeid, kandes sellega astronoomilisi kulusid ja devalveerides oma kõige väärtuslikumat vara. Teise võimalusena võidakse andmekaitseseaduste, näiteks isikuandmete kaitse üldmääruse alusel määrata suuri trahve. See kvantifitseerimata õiguslik ebakindlus kujutab endast olulist ohtu tööstuse pikaajalisele elujõulisusele ja stabiilsusele.

AI ja XR-3D-renderdusmasin: Xpert.digital viis korda asjatundlikkust põhjalikus teeninduspaketis, R&D XR, PR & SEM-IMAGE: Xpert.digital

Xpert.digital on sügavad teadmised erinevates tööstusharudes. See võimaldab meil välja töötada kohandatud strateegiad, mis on kohandatud teie konkreetse turusegmendi nõuetele ja väljakutsetele. Analüüsides pidevalt turusuundumusi ja jätkates tööstuse arengut, saame tegutseda ettenägelikkusega ja pakkuda uuenduslikke lahendusi. Kogemuste ja teadmiste kombinatsiooni abil genereerime lisaväärtust ja anname klientidele otsustava konkurentsieelise.

Lisateavet selle kohta siin:

• Kasutage Xpert.digital 5 -kordist kompetentsi ühes paketis alates 500 €/kuus

Optimeerimisstrateegiad: teed tõhusamate ja kulutõhusamate tehisintellekti mudelite poole

Kulude optimeerimise põhitõed rakenduse tasandil

Arvestades tehisintellekti süsteemide tohutuid tegevus- ja arenduskulusid, on optimeerimisest saanud ärilise elujõulisuse seisukohalt kriitilise tähtsusega valdkond. Õnneks on ettevõtted saanud rakendada mitmeid rakendustaseme strateegiaid, mis aitavad kulusid märkimisväärselt vähendada ilma jõudlust oluliselt mõjutamata.

Üks lihtsamaid ja tõhusamaid meetodeid on kiire optimeerimine. Kuna paljude tehisintellekti teenuste kulud sõltuvad otseselt töödeldud sisend- ja väljundtokenide arvust, võib lühemate ja täpsemate juhiste sõnastamine kaasa tuua märkimisväärse kokkuhoiu. Mittevajalike täitesõnade eemaldamise ja päringute selge struktureerimise abil saab sisendtokeneid ja seega ka kulusid vähendada kuni 35%.

Teine oluline strateegia on õige mudeli valimine käsiloleva ülesande jaoks. Mitte iga rakendus ei vaja kõige võimsamat ja kallimat saadaolevat mudelit. Lihtsate ülesannete, näiteks teksti klassifitseerimise, andmete ekstraheerimise või standardsete küsimuste ja vastuste süsteemide jaoks on väiksemad, spetsialiseeritud mudelid sageli täiesti piisavad ja palju kulutõhusamad. Kulude erinevus võib olla dramaatiline: kui premium-mudel nagu GPT-4 maksab umbes 30 dollarit miljoni väljundtokeni kohta, siis väiksem avatud lähtekoodiga mudel nagu Mistral 7B maksab vaid 0,25 dollarit miljoni tokeni kohta. Ettevõtted saavad intelligentse, ülesandepõhise mudelivaliku abil saavutada tohutut kulude kokkuhoidu, sageli ilma et lõppkasutaja jaoks oleks jõudluses märgatavat erinevust.

Kolmas võimas tehnika on semantiline vahemälu. Selle asemel, et tehisintellekti mudel genereeriks iga päringu jaoks uue vastuse, salvestab vahemälusüsteem vastused korduma kippuvatele või semantiliselt sarnastele küsimustele. Uuringud näitavad, et kuni 31% õigusteaduse spetsialistidele (LLM) saadetud päringutest on korduva sisuga. Semantilise vahemälu rakendamisega saavad ettevõtted vähendada kallite API-kõnede arvu kuni 70%, vähendades nii kulusid kui ka suurendades vastamiskiirust.

Sobib selleks:

• Kas tehisintellekti koolituse lõpp? Tehisintellekti strateegiad üleminekuperioodil: andmemägede asemel „siniplaani“ lähenemine – tehisintellekti tulevik ettevõtetes

Tehniline sügavusanalüüs: mudeli kvantiseerimine

Ettevõtete jaoks, kes haldavad või kohandavad oma mudeleid, pakuvad täiustatud tehnilised meetodid veelgi suuremat optimeerimispotentsiaali. Üks tõhusamaid tehnikaid on mudeli kvantiseerimine. See on tihendusprotsess, mis vähendab närvivõrku moodustavate numbriliste kaalude täpsust. Tavaliselt teisendatakse kaalud suure täpsusega 32-bitisest ujukomaarvu vormingust (FP32) madalama täpsusega 8-bitisesse täisarvu vormingusse (INT8).

Sellel andmemahu vähendamisel on kaks peamist eelist. Esiteks vähendab see drastiliselt mudeli mäluvajadust, sageli neljakordselt. See võimaldab suurematel mudelitel töötada odavamal riistvaral, kus on vähem mälu. Teiseks kiirendab kvantiseerimine järelduskiirust – aega, mis mudelil vastuse saamiseks kulub – kaks kuni kolm korda. See on tingitud asjaolust, et täisarvudega arvutusi saab tänapäevasel riistvaral teha palju tõhusamalt kui ujukomaarvudega. Kvantimise kompromiss on potentsiaalne, kuid sageli minimaalne täpsuse kadu, mida tuntakse kui "kvantimisviga". On olemas erinevaid meetodeid, näiteks järelkoolituskvantimine (PTQ), mida rakendatakse eelnevalt treenitud mudelile, ja kvantimisteadlik koolitus (QAT), mis simuleerib kvantimist koolitusprotsessi ajal täpsuse säilitamiseks.

Tehniline süvaanalüüs: teadmiste destilleerimine

Teine täiustatud optimeerimistehnika on teadmiste destilleerimine. See meetod põhineb "õpetaja-õpilase" paradigmal. Väga suurt, keerulist ja kallist "õpetaja mudelit" (nt GPT-4) kasutatakse palju väiksema ja tõhusama "õpilase mudeli" treenimiseks. Peamine on see, et õpilase mudel ei õpi lihtsalt õpetaja lõplikke vastuseid ("kõvad sihtmärgid") jäljendama. Selle asemel treenitakse seda õpetaja mudeli sisemist arutluskäiku ja tõenäosusjaotusi ("pehmed sihtmärgid") jäljendama.

Õppides, kuidas õpetaja mudel oma järeldusteni jõuab, saab õpilase mudel saavutada konkreetsete ülesannete puhul võrreldava jõudluse, kuid murdosa arvutusressursside ja -kuludega. See tehnika on eriti kasulik võimsate, kuid ressursimahukate üldotstarbeliste mudelite kohandamiseks konkreetsetele kasutusjuhtudele ja nende optimeerimiseks juurutamiseks odavamale riistvarale või reaalajas rakendustesse.

Edasijõudnumad arhitektuurid ja tehnikad

Lisaks kvantiseerimisele ja teadmiste destilleerimisele on efektiivsuse suurendamiseks mitmeid teisi paljulubavaid lähenemisviise:

• Otsingu ja laiendatud genereerimine (RAG): teadmiste otse mudelisse salvestamise asemel, mis nõuab kulukat koolitust, pääseb mudel vastavalt vajadusele juurde välistele teadmiste andmebaasidele. See parandab vastuste õigeaegsust ja täpsust ning vähendab vajadust pideva ümberõppe järele.
• Madala astme kohandamine (LoRA): parameetrite seisukohast tõhus peenhäälestusmeetod, mis kohandab mudeli miljonite parameetrite hulgast ainult väikest alamhulka, mitte kõiki parameetreid. See võib vähendada peenhäälestamise kulusid 70–90%.
• Ekspertide kärpimine ja segamine (MoE): kärpimine eemaldab treenitud mudelist üleliigsed või ebaolulised parameetrid, et vähendada selle suurust. MoE arhitektuurid jagavad mudeli spetsiaalseteks "ekspertmooduliteks" ja aktiveerivad iga päringu jaoks ainult asjakohased osad, vähendades oluliselt arvutuskoormust.

Nende optimeerimisstrateegiate levik annab märku olulisest küpsemisprotsessist tehisintellekti tööstuses. Tähelepanu keskmes on nihkumine puhtalt tipptasemel jõudluse taotlemiselt võrdlusalustes majanduslikule tasuvusele. Konkurentsieelis ei seisne enam ainult suurimas mudelis, vaid üha enam antud ülesande jaoks kõige tõhusamas mudelis. See võib avada ukse uutele tegijatele, kes on spetsialiseerunud "tehisintellekti tõhususele" ja esitavad turule väljakutse mitte toore jõudluse, vaid suurepärase hinna ja kvaliteedi suhte kaudu.

Samal ajal loovad need optimeerimisstrateegiad aga uut tüüpi sõltuvuse. Sellised meetodid nagu teadmiste destilleerimine ja peenhäälestamine muudavad väiksemate ja tõhusamate mudelite ökosüsteemi põhimõtteliselt sõltuvaks väheste ülikallite OpenAI, Google'i ja Anthropicu "õpetajamudelite" olemasolust. Detsentraliseeritud turu edendamise asemel võiks see kinnistada feodaalstruktuuri, kus vähesed "isandad" kontrollivad intelligentsuse allikat, samal ajal kui suur hulk "vasalle" maksab juurdepääsu eest ja arendab selle peale üles ehitatud sõltuvaid teenuseid.

Tehisintellekti toimingute optimeerimise strateegiad

Tehisintellekti operatsioonide optimeerimise strateegiad – pilt: Xpert.Digital

Tehisintellekti peamiste operatiivse optimeerimise strateegiate hulka kuulub kiire optimeerimine, mis formuleerib lühemaid ja täpsemaid juhiseid järelduskulude vähendamiseks. See võib viia kuni 35% kulude vähenemiseni ja on suhteliselt madala keerukusega. Mudeli valik tugineb väiksemate ja odavamate mudelite kasutamisele lihtsamate ülesannete jaoks järelduse ajal, saavutades seega potentsiaalselt üle 90% kokkuhoiu, säilitades samal ajal madala rakenduse keerukuse. Semantiline vahemällu salvestamine võimaldab sarnaste päringute vastuste taaskasutamist, vähendab API-kõnesid kuni umbes 70% ja nõuab mõõdukat pingutust. Kvantimine vähendab mudeli kaalude numbrilist täpsust, mis parandab järeldust kiiruse ja mäluvajaduse osas 2–4 korda, kuid on seotud suure tehnilise keerukusega. Teadmiste destilleerimine kirjeldab väikese mudeli treenimist suure "õpetaja" mudeli abil, mis võib oluliselt vähendada mudeli suurust, säilitades samal ajal võrreldava jõudluse. See lähenemisviis on väga keeruline. RAG (Retrieval-Augmented Generation) kasutab käitusajal väliseid teadmiste andmebaase, väldib kallist ümberõpetamist ja on keskmise kuni kõrge keerukusega. Lõpuks pakub LoRA (madala astme adapterid) parameetrite abil efektiivset peenhäälestust treeningu ajal ja võib vähendada treeningukulusid 70–90%, kuid on seotud ka suure keerukusega.

Turudünaamika ja väljavaated: konsolideerumine, konkurents ja tehisintellekti tulevik

Riskikapitali uputus: konsolideerumise kiirendaja

Tehisintellekti tööstus kogeb praegu enneolematut riskikapitali tulva, millel on püsiv mõju turudünaamikale. Ainuüksi 2025. aasta esimesel poolel voolas genereeriva tehisintellekti valdkonda kogu maailmas 49,2 miljardit dollarit riskikapitali, mis ületab juba kogu 2024. aasta kogumahtu. Silicon Valleys, tehnoloogilise innovatsiooni epitsentris, läheb nüüd 93% kõigist investeeringutest kasvufirmadesse tehisintellekti sektorisse.

See kapitaliuputus ei too aga kaasa turu laialdast mitmekesistamist. Vastupidi, raha koondub üha enam vähestesse juba väljakujunenud ettevõtetesse megafinantseerimisvoorude vormis. Maastikku domineerivad tehingud nagu 40 miljardi dollari suurune voor OpenAI-le, 14,3 miljardi dollari suurune investeering Scale AI-sse või 10 miljardi dollari suurune voor xAI-le. Kuigi hilise etapi tehingute keskmine suurus on kolmekordistunud, on varajase etapi idufirmade rahastamine vähenenud. Sellel arengul on kaugeleulatuvad tagajärjed: detsentraliseeritud innovatsiooni mootorina toimimise asemel toimib riskikapital tehisintellekti sektoris võimu ja ressursside tsentraliseerimise kiirendajana väljakujunenud tehnoloogiahiiglaste ja nende lähimate partnerite vahel.

Tehisintellekti arendamise tohutu kulustruktuur tugevdab seda suundumust. Alates esimesest päevast sõltuvad idufirmad suurte tehnoloogiaettevõtete, nagu Amazon (AWS), Google (GCP), Microsoft (Azure) ja Nvidia, kallist pilveinfrastruktuurist ja riistvarast. Märkimisväärne osa selliste ettevõtete nagu OpenAI või Anthropic kaasatud tohututest rahastamisvoorudest voolab otse tagasi nende endi investoritele arvutusvõimsuse eest tasumise vormis. Seega ei loo riskikapital iseseisvaid konkurente, vaid rahastab pigem tehnoloogiahiiglaste kliente, tugevdades veelgi nende ökosüsteemi ja turupositsiooni. Edukaimad idufirmad omandavad sageli lõpuks suured tegijad, mis suurendab veelgi turu kontsentreerumist. Tehisintellekti idufirmade ökosüsteem areneb seega de facto teadus-, arendus- ja talentide värbamiskanaliks "Suurepärasele seitsmele". Lõppeesmärk ei näi olevat elujõuline turg paljude osalejatega, vaid pigem konsolideeritud oligopol, kus mõned ettevõtted kontrollivad tehisintellekti põhiinfrastruktuuri.

Ühinemis- ja omandamislaine ning hiiglaste lahing

Paralleelselt riskikapitali koondumisega käib turul läbi tohutu ühinemiste ja omandamiste (M&A) laine. Ülemaailmne ühinemiste ja omandamistehingute maht tõusis 2025. aastaks 2,6 triljoni dollarini, mida ajendas tehisintellekti oskusteabe strateegiline omandamine. Selle arengu keskmes on "Seitse suurt suurkuju". Nad kasutavad oma tohutuid finantsreserve paljulubavate idufirmade, tehnoloogiate ja talentide valikuliseks omandamiseks.

Nende korporatsioonide jaoks ei ole tehisintellekti valdkonnas domineerimine valik, vaid strateegiline vajadus. Nende traditsioonilised ja väga kasumlikud ärimudelid – nagu Microsoft Office'i tarkvarapakett, Google'i otsing või Meta sotsiaalmeedia platvormid – lähenevad oma elutsükli lõpule või on kasvus stagneerumas. Tehisintellekti peetakse järgmiseks suureks platvormiks ja igaüks neist hiiglastest püüdleb selles uues paradigmas globaalse monopoli poole, et kindlustada oma turuväärtus ja tulevane olulisus. See hiiglaste lahing viib agressiivse ülevõtmisturuni, mis raskendab sõltumatute ettevõtete ellujäämist ja laienemist.

Majandusprognoosid: tootlikkuse ime ja pettumuse vahel

Tehisintellekti mõju pikaajalisi majandusprognoose iseloomustab sügav ambivalentsus. Ühelt poolt on olemas optimistlikke ennustusi, mis kuulutavad tootlikkuse kasvu uut ajastut. Hinnangute kohaselt võiks tehisintellekt suurendada sisemajanduse koguprodukti 2035. aastaks 1,5% ja oluliselt edendada ülemaailmset majanduskasvu, eriti 2030. aastate alguses. Mõned analüüsid ennustavad isegi, et tehisintellekti tehnoloogiad võivad 2030. aastaks genereerida üle 15 triljoni dollari suurust täiendavat globaalset tulu.

Teisest küljest on olemas kainestav reaalsus. Nagu varem analüüsitud, ei näe 95% ettevõtetest oma tehisintellekti investeeringutelt mõõdetavat investeeringutasuvust. Gartneri hüpetsüklis, mis on mõjukas uute tehnoloogiate hindamise mudel, on generatiivne tehisintellekt juba sisenenud "pettumuse orgu". Selles faasis asendub esialgne eufooria arusaamaga, et rakendamine on keeruline, eelised sageli ebaselged ja väljakutsed on oodatust suuremad. See lahknevus pikaajalise potentsiaali ja lühiajaliste raskuste vahel kujundab majandusarengut lähiaastatel.

Sobib selleks:

• Tehisintellekti tõhusus ilma tehisintellekti strateegiata eeltingimusena? Miks ettevõtted ei tohiks pimesi tehisintellektile lootma jääda?

Mull ja monopol: tehisintellekti revolutsiooni kahepalgeline külg

Tehisintellekti buumi erinevate dimensioonide analüüs paljastab keerulise ja vastuolulise üldpildi. Tehisintellekt on otsustaval teelahkmel. Praegune puhta skaleerimise tee – üha suuremad mudelid, mis tarbivad üha rohkem andmeid ja energiat – osutub majanduslikult ja ökoloogiliselt jätkusuutmatuks. Tulevik kuulub neile ettevõtetele, kes valdavad õhukese piiri reklaami ja reaalsuse vahel ning keskenduvad käegakatsutava äriväärtuse loomisele tõhusate, usaldusväärsete ja eetiliselt vastutustundlike tehisintellekti süsteemide kaudu.

Konsolideerumisdünaamikal on ka geopoliitiline mõõde. USA domineerimist tehisintellekti sektoris tugevdab kapitali ja talentide koondumine. 39-st ülemaailmselt tunnustatud tehisintellekti ükssarvikust 29 asuvad USA-s, moodustades kaks kolmandikku selle sektori ülemaailmsetest riskikapitaliinvesteeringutest. Euroopal ja teistel piirkondadel on üha raskem sammu pidada alusmudelite arenguga. See loob uusi tehnoloogilisi ja majanduslikke sõltuvusi ning muudab tehisintellekti üle kontrolli keskseks geopoliitiliseks võimuteguriks, mis on võrreldav kontrolliga energia- või finantssüsteemide üle.

Aruande lõpus nenditakse keskne paradoksi: tehisintellekti tööstus on samaaegselt spekulatiivne mull rakenduste tasandil, kus enamik ettevõtteid kannab kahjumit, ja revolutsiooniline, monopoliseeruv platvormimuutus infrastruktuuri tasandil, kus vähesed ettevõtted teenivad tohutut kasumit. Äri- ja poliitikaotsutajate peamine strateegiline ülesanne lähiaastatel on tehisintellekti revolutsiooni selle kahetise olemuse mõistmine ja haldamine. See ei seisne enam lihtsalt uue tehnoloogia omaksvõtmises, vaid tehisintellekti ajastu majanduslike, ühiskondlike ja geopoliitiliste mängureeglite ümberdefineerimises.

☑️ Meie ärikeel on inglise või sakslane

☑️ Uus: kirjavahetus teie riigikeeles!

Konrad Wolfenstein

Mul on hea meel, et olete teile ja minu meeskonnale isikliku konsultandina kättesaadav.

Võite minuga ühendust võtta, täites siin kontaktvormi või helistage mulle lihtsalt telefonil +49 89 674 804 (München) . Minu e -posti aadress on: Wolfenstein ∂ xpert.digital

Ootan meie ühist projekti.

☑️ VKE tugi strateegia, nõuannete, planeerimise ja rakendamise alal

☑️ digitaalse strateegia loomine või ümberpaigutamine ja digiteerimine

☑️ Rahvusvaheliste müügiprotsesside laiendamine ja optimeerimine

☑️ Globaalsed ja digitaalsed B2B kauplemisplatvormid

☑️ teerajajate äriarendus / turundus / PR / mõõde

Meie globaalne tööstus- ja ärialane ekspertiis äriarenduses, müügis ja turunduses - pilt: Xpert.Digital

Tööstusharu fookus: B2B, digitaliseerimine (tehisintellektist XR-ini), masinaehitus, logistika, taastuvenergia ja tööstus

Lisateavet selle kohta siin:

• Xpert Business Hub

Teemakeskus koos teadmiste ja ekspertiisiga:

• Teadmisplatvorm globaalse ja regionaalse majanduse, innovatsiooni ja tööstusharude suundumuste kohta
• Analüüside, impulsside ja taustteabe kogumine meie fookusvaldkondadest
• Koht ekspertiisi ja teabe saamiseks äri- ja tehnoloogiavaldkonna praeguste arengute kohta
• Teemakeskus ettevõtetele, kes soovivad õppida turgude, digitaliseerimise ja valdkonna uuenduste kohta