W zaciekłej pogoni za dominacją w dziedzinie sztucznej inteligencji (AI) rozgorzało to, co wielu nazywa "wojnami modeli", czyli rywalizacja o wysoką stawkę, w której giganci technologiczni walczą o supremację. Jednak zdaniem doświadczonego analityka technologicznego Benedicta Evansa, pole gry jest zaskakująco wyrównane. Podczas niedawnego wystąpienia na konferencji Fortune’s Brainstorm AI w Londynie, Evans przedstawił prowokującą do myślenia ideę: głównym czynnikiem różnicującym wiodące laboratoria AI nie jest przełomowa technologia ani zastrzeżone algorytmy, ale raczej ich praktycznie nieograniczony dostęp do kapitału.
Twierdzenie Evansa podważa konwencjonalną mądrość, że innowacje w dziedzinie AI są napędzane wyłącznie intelektualną sprawnością i przełomami algorytmicznymi. Argumentuje on, że podstawowe modele, takie jak GPT OpenAI lub Gemini Google, szybko stają się towarami. Oznacza to, że modele te są coraz bardziej wymienne i łatwo dostępne, co zmniejsza przewagę konkurencyjną każdej pojedynczej firmy.
Mit Fosy
Koncepcja ekonomicznej "fosy", spopularyzowana przez Warrena Buffetta, odnosi się do trwałych przewag konkurencyjnych firmy, które chronią jej długoterminowe zyski i udział w rynku przed rywalami. W kontekście AI wielu początkowo uważało, że zastrzeżone algorytmy, unikalne zbiory danych lub wyspecjalizowane talenty stworzą taką fosę. Jednak Evans twierdzi, że to się nie zmaterializowało.
Po dwóch latach intensywnej konkurencji wśród firm Big Tech nadal wydaje się, że nie ma fundamentalnej fosy w krajobrazie AI. Nie ma znaczących barier wejścia, brak silnych efektów sieciowych i brak wyraźnej dynamiki "zwycięzca bierze wszystko". Zamiast tego głównym motorem postępu był ogromny napływ inwestycji kapitałowych.
W ubiegłym roku cztery największe firmy chmurowe łącznie wydały ponad 200 miliardów dolarów na budowę infrastruktury wspierającej rozwój AI. Oczekuje się, że w tym roku liczba ta przekroczy 300 miliardów dolarów. Ten wykładniczy wzrost wydatków podkreśla kapitałochłonny charakter obecnego wyścigu AI.
"To stało się bardzo, bardzo kapitałochłonne, przynajmniej w tej chwili, bardzo, bardzo szybko" - zauważył Evans. Zauważył ponadto, że znaczna część tego kapitału ostatecznie trafia do Nvidii, wiodącego producenta procesorów graficznych (GPU), które są niezbędne do szkolenia modeli AI.
Wynikiem tego ogromnego nakładu jest proliferacja modeli AI, które stają się coraz bardziej dostępne. To z kolei tworzy środowisko, w którym każdy, kto dysponuje znacznymi zasobami finansowymi, może zbudować podstawowy model, który konkuruje z modelami opracowanymi przez czołowe firmy AI.
Na przykład DeepSeek to firma AI, która wykorzystała istniejące modele o otwartym kodzie źródłowym i inwestycję w wysokości 1,6 miliarda dolarów, aby stworzyć konkurencyjny model AI. To przekonująca ilustracja tego, jak kapitał może wyrównać szanse i umożliwić nowym graczom rzucenie wyzwania ugruntowanym graczom.
Zagadka Towaru
Evans argumentuje, że modele AI, takie jak GPT OpenAI, Claude Anthropic i Gemini Google, ewoluują w "towary". Modele te stają się łatwo dostępne, wymienne usługi, podobne do niezróżnicowanej, niskokosztowej infrastruktury.
Ten trend komercjalizacji ma głębokie implikacje dla branży AI. Sugeruje to, że ostateczne pole bitwy nie będzie dotyczyło tego, kto ma najlepszy model bazowy, ale raczej tego, kto może najskuteczniej pakować, integrować i zarządzać tym modelem w rzeczywistych produktach i usługach.
Innymi słowy, przewaga konkurencyjna może leżeć nie w samym modelu podstawowym, ale w warstwach aplikacji i usług zbudowanych na nim. To przesunięcie akcentu wymaga innego zestawu umiejętności i możliwości, kładąc nacisk na rozwój produktu, doświadczenie użytkownika i zgodność z przepisami.
Evans rozwinął ten temat w poście na blogu, podając jako przykład niedawną premierę narzędzia Deep Research OpenAI. Argumentował, że OpenAI i inne laboratoria modeli podstawowych nie mają prawdziwej fosy ani obrony poza dostępem do kapitału. Nie osiągnęli dopasowania produktu do rynku poza kodowaniem i marketingiem, a ich oferta zasadniczo ogranicza się do pól tekstowych i interfejsów API dla innych programistów do budowania.
Zmienne Piaski Konkurencji AI
Komercjalizacja modeli AI zmienia krajobraz konkurencyjny, zmuszając firmy do ponownej oceny swoich strategii i skupienia się na nowych obszarach zróżnicowania. Wraz z tym, jak podstawowa technologia staje się bardziej dostępna, nacisk przesuwa się w kierunku rozwoju aplikacji, integracji i zarządzania.
Oto niektóre z kluczowych trendów pojawiających się w branży AI:
AI Specyficzne dla Aplikacji: Firmy coraz częściej koncentrują się na opracowywaniu rozwiązań AI dostosowanych do określonych branż lub przypadków użycia. Takie podejście pozwala im tworzyć bardziej ukierunkowane i skuteczne aplikacje, które odpowiadają na konkretne potrzeby klientów.
Produkty Oparte na AI: Integracja AI z istniejącymi produktami i usługami staje się coraz bardziej powszechna. Może to zwiększyć funkcjonalność, poprawić komfort użytkowania i stworzyć nowe źródła przychodów.
Zarządzanie i Etyka AI: Wraz z tym, jak AI staje się coraz bardziej wszechobecna, rosną obawy dotyczące uprzedzeń, sprawiedliwości i odpowiedzialności. Firmy zaczynają inwestować w ramy zarządzania AI i wytyczne etyczne, aby zapewnić odpowiedzialny rozwój i wdrażanie AI.
Edge AI: Wdrażanie modeli AI na urządzeniach brzegowych, takich jak smartfony i czujniki IoT, zyskuje na popularności. Umożliwia to przetwarzanie danych w czasie rzeczywistym bez polegania na łączności z chmurą, zmniejszając opóźnienia i poprawiając prywatność.
AI-as-a-Service: Pojawienie się platform AI-as-a-Service (AIaaS) sprawia, że AI staje się bardziej dostępna dla firm każdej wielkości. Platformy te zapewniają wstępnie przeszkolone modele, narzędzia programistyczne i infrastrukturę, umożliwiając firmom szybkie i łatwe zintegrowanie AI z ich działalnością.
Trwała Rola Kapitału
Chociaż komercjalizacja modeli AI może zmniejszyć znaczenie zastrzeżonej technologii, kapitał będzie nadal odgrywał kluczową rolę w branży AI. Dostęp do finansowania będzie niezbędny dla firm do:
Szkolenia i dostrajania modeli AI: Szkolenie dużych modeli AI wymaga znacznych zasobów obliczeniowych i wiedzy specjalistycznej. Firmy z dostępem do kapitału mogą sobie pozwolić na szkolenie większych modeli na większej ilości danych, potencjalnie osiągając lepszą wydajność.
Opracowywania i wdrażania aplikacji AI: Budowanie i wdrażanie aplikacji AI wymaga inwestycji w rozwój oprogramowania, infrastrukturę i talent. Firmy z dostępem do kapitału mogą inwestować w te obszary, aby tworzyć atrakcyjne produkty i usługi oparte na AI.
Pozyskiwania talentów AI: Popyt na talenty AI jest wysoki, a wykwalifikowani inżynierowie i badacze AI otrzymują wysokie wynagrodzenia. Firmy z dostępem do kapitału mogą przyciągać i zatrzymywać najlepsze talenty, co daje im przewagę konkurencyjną.
Prowadzenia badań i rozwoju: Ciągłe innowacje są niezbędne w szybko zmieniającym się krajobrazie AI. Firmy z dostępem do kapitału mogą inwestować w badania i rozwój, aby badać nowe techniki i zastosowania AI.
Pokonywania przeszkód regulacyjnych: Wraz z tym, jak AI staje się coraz bardziej regulowana, firmy będą musiały inwestować w zgodność i wiedzę prawną. Firmy z dostępem do kapitału mogą skutecznie pokonywać te przeszkody regulacyjne.
Przyszłość Konkurencji AI
Branża AI przechodzi okres szybkiej transformacji. Komercjalizacja modeli AI wyrównuje szanse, ale kapitał pozostanie krytycznym czynnikiem determinującym sukces. Firmy, które mogą skutecznie wykorzystywać kapitał do opracowywania atrakcyjnych aplikacji AI, przyciągania najlepszych talentów i poruszania się po zmieniającym się krajobrazie regulacyjnym, będą najlepiej przygotowane do rozwoju w dłuższej perspektywie.
Przyszłość konkurencji AI prawdopodobnie będzie charakteryzować się:
Zwiększona specjalizacja: Firmy skupią się na opracowywaniu rozwiązań AI dla określonych branż lub przypadków użycia, zamiast próbować budować ogólne modele AI.
Większy nacisk na rozwój aplikacji: Nacisk przesunie się z budowania modeli bazowych na tworzenie atrakcyjnych aplikacji opartych na AI, które rozwiązują rzeczywiste problemy.
Rosnące znaczenie zarządzania AI: Firmy będą priorytetowo traktować etyczny i odpowiedzialny rozwój i wdrażanie AI, zapewniając, że AI jest wykorzystywana dla dobra.
Kontynuacja innowacji w sprzęcie AI: Popyt na mocniejszy i wydajniejszy sprzęt AI będzie nadal napędzał innowacje w obszarach takich jak GPU, TPU i obliczenia neuromorficzne.
Współpraca i otwarte oprogramowanie: Współpraca i inicjatywy open-source będą odgrywać coraz ważniejszą rolę w ekosystemie AI, przyspieszając innowacje i demokratyzując dostęp do technologii AI.
Podsumowując, chociaż dostęp do kapitału może być głównym czynnikiem różnicującym w obecnym krajobrazie AI, długoterminowy sukces firm AI będzie zależał od ich zdolności do wprowadzania innowacji, dostosowywania się i budowania atrakcyjnych rozwiązań opartych na AI, które tworzą wartość dla klientów i społeczeństwa jako całość.