„DI bendrovės praranda pinigus milžinišku greičiu, ir priežastys yra gilesnės, nei išlaidavimas. Dirbtinio intelekto ekonomika smarkiai atsisuko prieš jas, bent jau kol kas, ir dėl priežasčių, kurių niekas plačiai nenumatė.
Vis labiau kyla susirūpinimas dėl didžiulių kapitalo išlaidų, kylančių vertinimų, didelio įsiskolinimo lygio ir DI bendrovių, investuojančių pinigus į kitas DI bendroves, ciklinio pobūdžio.
Ir net labiausiai tikėtini galutiniai DI laimėtojai dabar praranda milijardus dolerių.
Sunku numatyti, kaip tai paveiks finansų rinkas, tačiau štai užuomina. DI paklausa, matuojama apdorojamų duomenų vienetais, sparčiai auga. Visas DI statymas gali priklausyti nuo to, kaip smarkiai ir greitai jis išaugs.
Pagrindinė klaida įvyko prieš metus, kai DI lyderiai sutelkė dėmesį tik į DI sąnaudų kreives skaičiavimo vienetui ir nenukreipė dėmesio į vienetų, reikalingų darbui atlikti, skaičių, sakė Heath Terry, „Citi“ pasaulinio technologijų ir ryšių tyrimų sektoriaus vadovas.
DI skaičiavimo sąnaudos mažėjo maždaug 90 % kas septynis mėnesius – tai dinamiška tendencija, panaši į Moore'o dėsnį mikroschemoms, suteikdamos dirbtinio intelekto įmonėms pagrindo manyti, kad jų kainos ir kokybės santykis pagerės.
Tada naudojimas, kurio visi tikėjosi, mažėjant kainai, tapo visiškai paraboliškas.
„Praėjusiais metais tuo pačiu metu mes apdorodavome 9,7 trilijono žetonų per mėnesį visuose savo produktuose ir API [programų programavimo sąsajose]“, – gegužės mėnesio tinklaraščio įraše teigė „Alphabet“ priklausanti „Google“, nurodydama dirbtinio intelekto naudojimo vienetus. „Dabar apdorojame daugiau, nei 480 trilijonų – 50 kartų daugiau.“
„Google“ dar tik apšilo. „Nuo tada mes padvigubinome šį skaičių, dabar apdorojame daugiau, nei 980 trilijonų, žetonų per mėnesį – tai įspūdingas padidėjimas“, – liepos mėnesį per antrojo ketvirčio pajamų skelbimą teigė technologijų milžinė.
Šį mėnesį „Google“ teigė, kad šis skaičius pasiekė 1,3 kvadrilijono.
(„The Wall Street Journal“ savininkė „News Corp“ turi komercinį susitarimą dėl turinio tiekimo „Google“ platformose.)
Žetonų paklausą iš dalies skatino kova su „haliucinacijomis“ arba neteisingais ar beprasmiais rezultatais, pateiktais taip, tarsi jie būtų tiesa, pagarsėjusiomis generatyvinių dirbtinio intelekto modelių tarpe. Dabartiniai pažangiausi modeliai yra sukurti šiai problemai spręsti, dažnai pasitelkiant tam tikrą sustiprinančio mokymosi metodą, kai jie kelis kartus atsako į tą patį klausimą viduje, prieš pateikdami atsakymą. Jie taip pat gali užduoti klausimus įvairiems ekspertams, t. y. specializuotiems modeliams. Tai padėjo dirbtiniam intelektui pateikti geresnius atsakymus ir padidino dirbtinio intelekto išteklių poreikius.
Taigi, vieneto žetono kaina sumažėjo, tačiau bendras žetonų vartojimas smarkiai išaugo.
Ši paklausa tik toliau augs. Naujoji „OpenAI“ trumpųjų formatų dirbtinio intelekto vaizdo įrašų programėlė „Sora“, paremta naujausia „Sora“ vaizdo įrašų generatoriaus versija, yra hitas. („News Corp“ bendradarbiauja su „OpenAI“ turinio licencijavimo srityje.) Bendrovė taip pat siekia padidinti pastangas dirbtinio intelekto komercijos srityje.
Ir naujasis didelis „Anthropic“ kalbos modelis „Claude Sonnet 4.5“ gali koduoti 30 valandų iš eilės. Tokie ilgesnio mąstymo modeliai yra besiformuojanti dirbtinio intelekto forma, kuri panaudos augančius pramonės duomenų centrų pajėgumus.
Dirbtinio intelekto startuoliai praranda dešimtimis milijardų dolerių daugiau, nei, iš dalies dėl šios dinamikos, jie būtų patyrę. Startuoliai ir rizikos kapitalo investuotojai iki šiol prisiima tokius nuostolius, panašiai, kaip „Uber Technologies“ kadaise subsidijavo kelionių kainas vartotojams, kad sukurtų rinką, sakė Terry.
Terry nuomone, trys jėgos yra pakeliui į bendrą kelią ir stums dirbtinio intelekto ekonomiką į pelną.
Pirma, modeliai toliau tobulės. Nors generatyvinio dirbtinio intelekto, pvz., didelių kalbų modelių, transforminės architektūros evoliucija galėjo sulėtėti, kūrėjai kuria naujas hibridinių modelių formas, tokias, kaip neurosimbolinis dirbtinis intelektas [1].
Kai kurie dirbtinio intelekto kūrėjai teigia, kad jie yra arčiau taško, kai dirbtinio intelekto sistemos pradeda padėti tobulėti pačios – koncepcija, kurią Terry vadina dirbtinis intelektas kvadratu.
„Per pastaruosius kelis mėnesius pradėjome matyti, kaip mūsų dirbtinio intelekto sistemos pačios tobulėja“, – liepos mėnesį socialinės žiniasklaidos milžinės antrojo ketvirčio pajamų skelbimo pokalbyje sakė „Meta Platforms“ generalinis direktorius Markas Zuckerbergas.
Visa tai turėtų padidinti dirbtinio intelekto modelių efektyvumą, o tai galėtų turėti teigiamą poveikį dirbtinio intelekto ekonomikai.
Antra, netrukus pradės veikti visame pasaulyje statomi duomenų centrai, padidindami skaičiavimo išteklių pasiūlą, taip pat mažinant mokymo ir dirbtinio intelekto naudojimo išlaidas. „Microsoft“ praėjusį mėnesį pranešė, kad yra paskutiniame 3,3 mlrd. dolerių vertės duomenų centro Viskonsine statybos etape ir paskelbė apie planus tame pačiame rajone statyti antrą, 4 mlrd. dolerių vertės objektą.
Trečia, didėjanti žetonų paklausa pagaliau gali tapti ekonomine nauda, tobulėjant modeliams ir plečiantis skaičiavimo infrastruktūros tiekimui.
Pasak Terry, ateinančiais mėnesiais tikėtinas dar vienas didžiulis dirbtinio intelekto paklausos padidėjimas, kaip ir tos kitos jėgos, kaip tikimasi. Taip yra todėl, kad perspektyviausi įmonių dirbtinio intelekto bandymai, greičiausiai, persikels platesniam diegimui.
„Nvidia“ generalinis direktorius Jensenas Huangas praėjusį mėnesį tinklalaidėje „BG2“ sakė, kad dirbtinio intelekto skaičiavimai išaugs „milijardu X“. „Tai yra ta dalis, kurios dauguma žmonių dar nėra iki galo įsisavinę“, – sakė Huangas. „... Tai yra pramonės revoliucija.“
Jei visa tai vyks tiksliai pagal planą, dirbtinio intelekto bumas ir toliau klestės. „Citi“ prognozuoja, kad per ateinančius penkerius metus dirbtinio intelekto pajamos augs beveik 80 % per metus ir 2030 m. pasieks 780 mlrd. USD, palyginti su 43 mlrd. USD šiais metais.
Tačiau net ir tada dirbtinio intelekto grąža gali būti labai koncentruota, todėl daugelis konkurentų, galiausiai, pasiliks nuošalyje.
„Rizikos kapitalo srityje 6 % investicijų sudaro 60 % grąžos“, – man sakė rizikos kapitalistas Vinodas Khosla, užsimindamas apie 2015 m. „a16z“ tinklaraščio įrašą, kuriame cituojami investuotojo Horsley Bridge trijų dešimtmečių duomenys. „Manau, kad dirbtinio intelekto srityje tai bus pusė šio procento, o tai duos daugiau, nei 60 % grąžos.“
---
Stevenas Rosenbushas rašo „WSJ Pro“ leidiniui „CIO Journal“. [2]
1. Neurosimbolinis DI yra hibridinis metodas, kuris sujungia neuroninių tinklų ir simbolinio DI stipriąsias puses, siekiant sukurti tvirtesnes, paaiškinamas ir pajėgesnes dirbtinio intelekto sistemas. Jis naudoja neuroninius tinklus šablonų atpažinimui iš duomenų ir simbolinį DI loginiam samprotavimui, žinių reprezentavimui ir paaiškinamumui, siekdamas įveikti kiekvieno individualaus metodo apribojimus. Taikymo sritys apima tikslesnes medicinines diagnozes, sudėtingesnį sukčiavimo aptikimą ir labiau į žmogų panašią robotų sąveiką.
Kaip tai veikia
Neuroniniai tinklai:
„Neuro“ termino dalis reiškia neuroninių tinklų, kurie puikiai mokosi iš didelių, nestruktūrizuotų duomenų rinkinių ir gali apdoroti triukšmingus ar sudėtingus duomenis, naudojimą.
Simbolinis DI:
„Simbolinė“ dalis reiškia simbolinio DI naudojimą, kuris apima taisykles, logiką ir žinių grafikus [3]. Tai suteikia struktūrą struktūrizuotam samprotavimui, sveikam protui ir paaiškinamumui, kuris yra grynai neuroninių sistemų silpnybė.
Integracija:
Šios dvi sistemos yra integruotos, siekiant sukurti išsamesnį vaizdą. Pavyzdžiui, neuroninis tinklas gali apdoroti asmens vaizdą, o tada simbolinis sluoksnis gali pritaikyti taisykles, kad suprasti, kad žmogaus galvą laiko kaklas ir pečiai, o ne tik matyti pikselius.
Privalumai ir pritaikymas
Patobulintas samprotavimas:
Tai pagerina DI gebėjimą samprotauti remiantis sveiku protu ir daryti logines išvadas.
Paaiškinimas:
Simbolinis komponentas padaro DI sprendimus skaidresnius ir lengviau interpretuojamus, o tai labai svarbu pasitikėjimui kritinėse srityse.
Realaus pasaulio pritaikymas:
Sveikatos priežiūra: pagalba diagnozuojant, derinant pacientų duomenis su ekspertų medicininėmis žiniomis.
Finansai: sukčiavimo aptikimas ir atitikties užtikrinimas, analizuojant operacijas pagal reglamentus.
Robotika: galimybė robotams sąveikauti su fiziniu pasauliu labiau žmogišku būdu.
Autonominis vairavimas: pagalba, savarankiškai važiuojantiems, automobiliams priimti labiau pagrįstus sprendimus, derinant jutiklių duomenis su simbolinėmis kelių eismo taisyklių žiniomis.
Ateities perspektyvos
Neurosimbolinis DI yra reikšmingas žingsnis, kuriant labiau apibendrintą ir į žmogų panašų intelektą.
Jis turi potencialą spręsti dabartinių DI sistemų apribojimus, padarydamas jas patikimesnes, skaidresnes ir gebančias tvarkyti sudėtingas realaus pasaulio problemas.
2. AI Growth Comes at Staggering Price Tag. Rosenbush, Steven. Wall Street Journal, Eastern edition; New York, N.Y.. 16 Oct 2025: B1.
3. Žinių grafikas – tai būdas atstovauti ir tvarkyti žinias, naudojant grafinę struktūrą, sudarytą iš „mazgų“ (realaus pasaulio objektų, tokių, kaip žmonės, vietos ar sąvokos) ir „kraštų“ (ryšių tarp jų).
Šie grafikai suteikia kontekstą ir gali susieti duomenis iš įvairių šaltinių, leisdami išmaniosioms programoms, tokioms, kaip paieškos sistemos, pateikti tiesioginius atsakymus ir informacijos santraukas, kaip matyti iš „Google“ žinių grafiko. Jie sukurti, remiantis apibrėžtomis sąvokomis ir ryšiais, leidžiančiais integruoti, analizuoti ir samprotauti, siekiant gauti naujų įžvalgų.
Pagrindiniai komponentai ir metodai
Mazgai ir kraštai:
Pagrindiniai statybiniai blokai. Mazgai žymi objektus (pvz., „Paryžius“), o kraštai – ryšį tarp jų (pvz., „sostinė“).
Ontologija:
Schema arba taisyklių rinkinys, apibrėžiantis mazgų tipus, jų savybės ir ryšiai, kurie gali egzistuoti tarp jų.
Duomenų integravimas:
Žinių grafikai sujungia informaciją iš struktūrizuotų, pusiau struktūrizuotų ir nestruktūrizuotų duomenų šaltinių, susiedami skirtingus duomenų rinkinius.
Samprotavimas ir išvados:
Modelyje integruota, logika, leidžianti jam daryti išvadas apie naujus faktus ir aiškiai išreikšti netiesioginę informaciją, pavyzdžiui, nustatyti asmens tautybę pagal jo gimimo miestą.
Semantinis sluoksnis:
Jie suteikia virtualų duomenų sluoksnį ant esamų duomenų bazių, todėl duomenys tampa suprantamesni ir lengviau randami.
Taikymas ir panaudojimas
Išmanesnė paieška:
Pagerina paieškos sistemas kontekstine informacija, pateikdami tiesioginius atsakymus ir santraukas, o ne tik sąsajas.
Tiekimo grandinės optimizavimas:
Vizualizuoja ir analizuoja sudėtingus ryšius tarp tiekėjų, produktų ir logistikos, kad nustatytų sutrikimus ir pagerintų efektyvumą, pažymi SAP.
Duomenų analizė:
Leidžia organizacijoms sujungti ir analizuoti informaciją skirtinguose skyriuose ir duomenų saugyklose, kad būtų galima atsakyti į klausimus, kurie kitaip nebūtų akivaizdūs.
Išmaniosios sistemos:
Suteikia galią dirbtinio intelekto programoms, tokioms, kaip „Amazon“ ir „Apple“, leidžiant joms efektyviau suprasti sudėtingas užklausas ir į jas atsakyti.
Mašininis mokymasis:
Suteikia kontekstą mašininio mokymosi modeliams, pagerindamas jų tikslumą ir samprotavimo galimybes.
Komentarų nėra:
Rašyti komentarą