AI செலவு விவாதம்: தேவை திறனை மிஞ்சுகிறது

ஆரம்ப அதிர்வு: DeepSeek மற்றும் செயல்திறன் மாயை

இந்த ஆண்டின் தொடக்கத்தில் சீனாவின் DeepSeek AI-யின் தோற்றம் தொழில்நுட்ப முதலீட்டுச் சூழலில் அதிர்வலைகளை ஏற்படுத்தியது. அதன் புரட்சிகரமான அணுகுமுறை, கணிசமாக குறைந்த கணினிச் செலவில் சக்திவாய்ந்த செயற்கை நுண்ணறிவை உறுதியளித்தது, உடனடியாக ஊகங்களைத் தூண்டியது. ஒரு கதை விரைவாக உருவானது: சிறப்பு சில்லுகள் மற்றும் அமைப்புகளின் பாரிய கொள்முதல்களால் வகைப்படுத்தப்படும் AI உள்கட்டமைப்பின் இடைவிடாத, விலையுயர்ந்த விரிவாக்கம் குறையப் போகிறது. செலவு குறைந்த AI-யின் ஒரு புதிய சகாப்தம் எதிர்பார்க்கப்படும் செலவின ஏற்றத்தை வியத்தகு முறையில் குறைக்கக்கூடும் என்ற நம்பிக்கையை சந்தை பிரதிபலித்தது.

இருப்பினும், சமீபத்திய உயர்மட்ட தொழில்துறை வல்லுநர்களின் கூட்டத்திலிருந்து கிடைத்த தகவல்கள் முற்றிலும் மாறுபட்ட சித்திரத்தை வரைகின்றன. Bloomberg Intelligence மூலம் நியூயார்க்கில் கூட்டப்பட்ட ஒரு ஜெனரேட்டிவ் AI மாநாடு, சாத்தியமான செலவு சேமிப்பில் மட்டுமே கவனம் செலுத்திய ஆரம்ப விளக்கம், பெரிய கதையைத் தவறவிட்டது என்று பரிந்துரைத்தது. செலவினக் குறைப்பைக் குறிப்பதற்குப் பதிலாக, இந்த நிகழ்வு AI திறனுக்கான கிட்டத்தட்ட தணியாத பசியை அடிக்கோடிட்டுக் காட்டியது. ஒருமித்த கருத்து குறைப்பதைப் பற்றியது அல்ல; மெனு குறைவாக செலவாகும் என்று தீவிரமாக விரும்பும் அதே வேளையில், அறிவார்ந்த அமைப்புகளுக்கான அதிவேகமாக வளர்ந்து வரும் பசியை எவ்வாறு திருப்திப்படுத்துவது என்பதைக் கண்டுபிடிப்பதைப் பற்றியது.

களத்திலிருந்து குரல்கள்: திறனுக்கான தணியாத தாகம்

டெவலப்பர்கள், வியூகவாதிகள் மற்றும் முதலீட்டாளர்களை ஒன்றிணைத்த நாள் முழுவதும் நடந்த நிகழ்வின் விவாதங்கள், தொடர்ந்து அதிகரித்து வரும் தேவை நினைவுச்சின்ன முதலீட்டைத் தூண்டும் என்ற கருப்பொருளைச் சுற்றி வந்தன. Bloomberg Intelligence-ன் மூத்த தொழில்நுட்ப ஆய்வாளரும், நிகழ்வின் அமைப்பாளர்களில் ஒருவருமான Mandeep Singh, நிலவும் உணர்வை சுருக்கமாகப் படம்பிடித்தார். எண்ணற்ற குழுக்கள் மற்றும் நிபுணர் விவாதங்களைப் பிரதிபலித்த அவர், ஒரு உலகளாவிய மறுமொழியை கவனித்தார்: சம்பந்தப்பட்ட எவரும் போதுமான AI திறனைக் கொண்டிருப்பதாக உணரவில்லை. அதிகப்படியான உணர்வு அதிகம் தேவைப்படுவதாக இருந்தது, அதிகமாக இல்லை.

முக்கியமாக, Singh மேலும் கூறினார், வேகமாக விரிவடையும் தொழில்நுட்பத் துறைகளில் ஒரு பொதுவான பயமான ‘உள்கட்டமைப்பு குமிழி’யின் அச்சம் உரையாடலில் குறிப்பிடத்தக்க வகையில் இல்லை. முழுத் தொழில்துறையும் எதிர்கொள்ளும் அடிப்படை சவாலில் கவனம் செலுத்தப்பட்டது. Singh-ன் சகாவும், Bloomberg Intelligence-ன் IT சேவைகள் மற்றும் மென்பொருளுக்கான மூத்த ஆய்வாளருமான Anurag Rana, அதை முதன்மையான கேள்வியாக வடிவமைத்தார்: ‘அந்த [AI உள்கட்டமைப்பு உருவாக்கம்] சுழற்சியில் நாம் எங்கே இருக்கிறோம்?’

இந்த பாரிய உருவாக்கத்தின் சரியான கட்டத்தைக் கண்டறிவது கடினமாக உள்ளது என்பதை ஒப்புக்கொண்டாலும் (‘யாருக்கும் உறுதியாகத் தெரியாது’ என்று Rana ஒப்புக்கொண்டார்), DeepSeek நிகழ்வு மறுக்கமுடியாமல் முன்னோக்குகளை மாற்றியது. குறிப்பிடத்தக்க AI பணிச்சுமைகளை அதிக சிக்கனமாக கையாள முடியும் என்ற வலுவான நம்பிக்கையை அது புகுத்தியது. ‘DeepSeek பலரை உலுக்கியது,’ என்று Rana கவனித்தார். இதன் உட்பொருள் தெளிவாக இருந்தது: அதிநவீன AI மாதிரிகள் உண்மையில் குறைந்த தேவைப்படும் வன்பொருளில் திறமையாக இயங்க முடிந்தால், பெரிய தொழில்நுட்ப நிறுவனங்களை உள்ளடக்கிய கூட்டமைப்புகளால் திட்டமிடப்பட்டதாக வதந்தி பரப்பப்படும் பல நூறு பில்லியன் டாலர் முயற்சிகள் போன்ற பிரம்மாண்டமான திட்டங்கள் மறுமதிப்பீடு செய்யப்படலாம் அல்லது வித்தியாசமாக அளவிடப்படலாம்.

Rana-வின் கூற்றுப்படி, தொழில்துறை முழுவதும் எதிரொலிக்கும் கனவு, AI செயல்பாட்டுச் செலவுகள், குறிப்பாக inference (பயிற்சி பெற்ற மாதிரிகள் கணிப்புகள் அல்லது உள்ளடக்கத்தை உருவாக்கும் நிலை) கடந்த தசாப்தத்தில் கிளவுட் கம்ப்யூட்டிங் சேமிப்பகத்தில் காணப்பட்ட வியத்தகு கீழ்நோக்கிய பாதையைப் பின்பற்றுவதாகும். Amazon Web Services (AWS) போன்ற தளங்களில் பரந்த அளவிலான தரவைச் சேமிப்பதற்கான பொருளாதாரம் சுமார் எட்டு ஆண்டுகளில் வியத்தகு முறையில் மேம்பட்டதை அவர் நினைவு கூர்ந்தார். ‘அந்த செலவு வளைவின் வீழ்ச்சி… பொருளாதாரம் நன்றாக இருந்தது,’ என்று அவர் கூறினார். ‘மேலும் அதுதான் அனைவரும் நம்புகிறார்கள், inference பக்கத்தில்… வளைவு அந்த நிலைக்கு விழுந்தால், ஓ கடவுளே, AI-யின் தத்தெடுப்பு விகிதம்… கண்கவர் ஆக இருக்கும்.’ Singh ஒப்புக்கொண்டார், DeepSeek-ன் வருகை அடிப்படையில் ‘செயல்திறனை அடைவது பற்றிய அனைவரின் மனநிலையையும் மாற்றியுள்ளது’ என்றார்.

செயல்திறனுக்கான இந்த ஏக்கம் மாநாட்டு அமர்வுகள் முழுவதும் தெளிவாகத் தெரிந்தது. நிறுவன AI திட்டங்களை கருத்தியல் நிலைகளிலிருந்து நேரடி உற்பத்திக்கு நகர்த்துவதற்கான நடைமுறைகளை பல குழுக்கள் ஆராய்ந்தாலும், இந்த AI மாதிரிகளைப் பயன்படுத்துவதற்கும் இயக்குவதற்கும் ஆகும் செலவுகளைக் குறைப்பதற்கான முக்கியமான தேவையை ஒரு இணையான விவாதம் தொடர்ந்து வலியுறுத்தியது. இலக்கு தெளிவாக உள்ளது: பரந்த அளவிலான பயன்பாடுகள் மற்றும் பயனர்களுக்கு AI-யை பொருளாதார ரீதியாக சாத்தியமாக்குவதன் மூலம் அணுகலை ஜனநாயகப்படுத்துதல். Bloomberg-ன் சொந்த தலைமை தொழில்நுட்பவியலாளர் Shawn Edwards, DeepSeek ஒரு முழுமையான ஆச்சரியம் அல்ல, மாறாக ஒரு உலகளாவிய விருப்பத்தின் சக்திவாய்ந்த எடுத்துக்காட்டு என்று பரிந்துரைத்தார். ‘அது என்னை என்ன நினைக்க வைத்தது என்றால், நீங்கள் ஒரு மந்திரக்கோலை அசைத்து இந்த மாதிரிகளை நம்பமுடியாத அளவிற்கு திறமையாக இயக்க முடிந்தால் அது நன்றாக இருக்கும்,’ என்று அவர் குறிப்பிட்டார், இந்த விருப்பத்தை ஒரு குறிப்பிட்ட திருப்புமுனைக்கு மட்டுமல்ல, AI மாதிரிகளின் முழு ஸ்பெக்ட்ரமிற்கும் நீட்டித்தார்.

பெருக்கக் கொள்கை: கணினித் தேவையைத் தூண்டுதல்

செயல்திறனுக்கான தேடலுக்கு மத்தியிலும், AI உள்கட்டமைப்பில் தொடர்ச்சியான, கணிசமான முதலீட்டை நிபுணர்கள் எதிர்பார்ப்பதற்கான முதன்மைக் காரணங்களில் ஒன்று AI மாதிரிகளின் பெருக்கம் ஆகும். நியூயார்க் மாநாடு முழுவதும் மீண்டும் மீண்டும் வந்த ஒரு கருப்பொருள், அனைத்து பணிகளையும் கையாளக்கூடிய ஒற்றை, ஒற்றைக்கல் AI மாதிரி என்ற கருத்திலிருந்து தீர்க்கமான நகர்வு ஆகும்.

• ஒரு குடும்ப விவகாரம்: Bloomberg-ன் Edwards கூறியது போல், ‘நாங்கள் மாதிரிகளின் குடும்பத்தைப் பயன்படுத்துகிறோம். சிறந்த மாதிரி என்று எதுவும் இல்லை.’ இது வெவ்வேறு AI கட்டமைப்புகள் வெவ்வேறு பணிகளில் சிறந்து விளங்குகின்றன என்ற வளர்ந்து வரும் புரிதலைப் பிரதிபலிக்கிறது - மொழி உருவாக்கம், தரவு பகுப்பாய்வு, பட அங்கீகாரம், குறியீடு நிறைவு செய்தல் மற்றும் பல.
• நிறுவன தனிப்பயனாக்கம்: பெரிய, பொது நோக்கத்திற்கான ‘foundation’ அல்லது ‘frontier’ மாதிரிகள் தொடர்ந்து முக்கிய AI ஆய்வகங்களால் உருவாக்கப்பட்டு செம்மைப்படுத்தப்படும் அதே வேளையில், வணிகங்களுக்குள் உண்மையான செயல்பாடு நூற்றுக்கணக்கான அல்லது ஆயிரக்கணக்கான சிறப்பு AI மாதிரிகளைப் பயன்படுத்துவதை உள்ளடக்கியது என்று குழு உறுப்பினர்கள் பரவலாக ஒப்புக்கொண்டனர்.
• Fine-Tuning மற்றும் தனியுரிம தரவு: இந்த நிறுவன மாதிரிகளில் பல fine-tuning எனப்படும் செயல்முறை மூலம் அடிப்படை மாதிரிகளிலிருந்து தழுவப்படும். இது ஒரு நிறுவனத்தின் குறிப்பிட்ட, பெரும்பாலும் தனியுரிம தரவுகளில் முன் பயிற்சி பெற்ற நரம்பியல் வலையமைப்பை மீண்டும் பயிற்றுவிப்பதை உள்ளடக்குகிறது. இது AI-யை தனித்துவமான வணிக சூழல்கள், சொற்களஞ்சியம் மற்றும் வாடிக்கையாளர் தொடர்புகளைப் புரிந்துகொள்ள அனுமதிக்கிறது, இது ஒரு பொதுவான மாதிரியை விட மிகவும் பொருத்தமான மற்றும் மதிப்புமிக்க முடிவுகளை வழங்குகிறது.
• மேம்பாட்டை ஜனநாயகப்படுத்துதல்: தரவு அறிவியல் தளமான Dataiku-வைப் பிரதிநிதித்துவப்படுத்தும் Jed Dougherty, நிறுவன AI முகவர்களுக்கான ‘மாதிரிகளிடையே விருப்பத்தேர்வு’ தேவை என்பதை எடுத்துக்காட்டினார். நிறுவனங்களுக்கு அவர்களின் AI கருவிகள் மீது கட்டுப்பாடு, உருவாக்கும் திறன்கள் மற்றும் தணிக்கைத்திறன் ஆகியவற்றை வழங்குவதன் முக்கியத்துவத்தை அவர் வலியுறுத்தினார். ‘இந்த விஷயங்களை உருவாக்கும் கருவிகளை மக்களின் கைகளில் வைக்க நாங்கள் விரும்புகிறோம்,’ என்று Dougherty வலியுறுத்தினார். ‘பத்து PhD-க்கள் அனைத்து முகவர்களையும் உருவாக்க நாங்கள் விரும்பவில்லை.’ மேம்பாட்டில் பரந்த அணுகலுக்கான இந்த உந்துதல், இந்த விநியோகிக்கப்பட்ட உருவாக்கும் முயற்சிகளை ஆதரிக்க அதிக அடிப்படை உள்கட்டமைப்பின் தேவையைக் குறிக்கிறது.
• பிராண்ட்-குறிப்பிட்ட AI: படைப்புத் தொழில்கள் ஒரு பிரதான உதாரணத்தை வழங்குகின்றன. Adobe-ல் புதிய வணிக முயற்சிகளை வழிநடத்தும் Hannah Elsakr, தனிப்பயன் மாதிரிகளை ஒரு முக்கிய வேறுபாடாகக் கருதும் அவர்களின் உத்தியை விளக்கினார். ‘உங்கள் பிராண்டிற்கான தனிப்பயன் மாதிரி நீட்டிப்புகளை நாங்கள் பயிற்றுவிக்க முடியும், இது ஒரு புதிய விளம்பரப் பிரச்சாரத்திற்கு உதவியாக இருக்கும்,’ என்று அவர் விளக்கினார், குறிப்பிட்ட பிராண்ட் அழகியல் மற்றும் செய்தியிடலைப் பராமரிக்க AI எவ்வாறு வடிவமைக்கப்படலாம் என்பதைக் காட்டினார்.

மாதிரிகளின் பல்வகைப்படுத்தலுக்கு அப்பால், பெருநிறுவன பணிப்பாய்வுகளுக்குள் AI முகவர்களின் அதிகரித்து வரும் பயன்பாடு செயலாக்கத் தேவைக்கான மற்றொரு குறிப்பிடத்தக்க இயக்கி ஆகும். இந்த முகவர்கள் செயலற்ற கருவிகளாக மட்டுமல்லாமல், பல-படி பணிகளைச் செயல்படுத்தும் திறன் கொண்ட செயலில் பங்கேற்பாளர்களாகவும் கருதப்படுகிறார்கள்.

Microsoft-ன் Copilot Studio முகவர்கள் மற்றும் ஆட்டோமேஷன் முயற்சிகளை வழிநடத்தும் Ray Smith, பயனர்கள் Copilot போன்ற ஒரு ஒருங்கிணைந்த இடைமுகம் மூலம் நூற்றுக்கணக்கான சிறப்பு முகவர்களுடன் தொடர்பு கொள்ளும் எதிர்காலத்தை கணித்தார். ‘நீங்கள் ஒரு முழு செயல்முறையையும் ஒரே முகவரில் திணிக்க மாட்டீர்கள், அதை பகுதிகளாகப் பிரிப்பீர்கள்,’ என்று அவர் விளக்கினார். இந்த முகவர்கள், அவர் பரிந்துரைத்தார், அடிப்படையில் நிரலாக்கத்தின் ‘புதிய உலகில் பயன்பாடுகள்’ ஆகும். பார்வை என்னவென்றால், பயனர்கள் தங்கள் இலக்கை வெறுமனே கூறுவார்கள் - ‘நாம் எதை அடைய விரும்புகிறோம் என்று சொல்லுங்கள்’ - மற்றும் முகவர் தேவையான படிகளை ஒருங்கிணைப்பார். ‘Agentic பயன்பாடுகள் பணிப்பாய்வின் ஒரு புதிய வழி,’ என்று Smith கூறினார், இந்த பார்வையை உணர்ந்து கொள்வது தொழில்நுட்ப சாத்தியக்கூறுகளின் விஷயம் அல்ல (‘இது அனைத்தும் தொழில்நுட்ப ரீதியாக சாத்தியம்’) மாறாக ‘நாம் அதை உருவாக்கும் வேகம்’ பற்றியது என்று வலியுறுத்தினார்.

AI முகவர்களை அன்றாட நிறுவன செயல்முறைகளில் ஆழமாக உட்பொதிப்பதற்கான இந்த உந்துதல், செலவுக் குறைப்பு மற்றும் திறமையான வரிசைப்படுத்தலுக்கான அழுத்தத்தை மேலும் தீவிரப்படுத்துகிறது. மைக்ரோபிராசசர் ஜாம்பவான் ARM Holdings-ன் தயாரிப்பு மேலாண்மைத் தலைவர் James McNiven, அணுகல் அடிப்படையில் சவாலை வடிவமைத்தார். ‘மேலும் மேலும் சாதனங்களில் அணுகலை எவ்வாறு வழங்குவது?’ என்று அவர் சிந்தித்தார். குறிப்பிட்ட பணிகளில் ‘PhD-நிலை’ திறன்களை அடையும் மாதிரிகளைக் கவனித்த அவர், பல ஆண்டுகளுக்கு முன்பு வளரும் நாடுகளுக்கு மொபைல் கட்டண முறைகளைக் கொண்டு வந்ததன் உருமாறும் தாக்கத்துடன் ஒரு இணையான வரைந்தார். முக்கிய கேள்வி அப்படியே உள்ளது: ‘அந்த [AI திறனை] அந்தத் திறனைப் பயன்படுத்தக்கூடிய மக்களுக்கு எவ்வாறு கொண்டு செல்வது?’ அதிநவீன AI முகவர்களை பரந்த அளவிலான பணியாளர்களுக்கு உதவியாளர்களாக உடனடியாகக் கிடைக்கச் செய்வது புத்திசாலித்தனமான மென்பொருளை மட்டுமல்ல, திறமையான வன்பொருளையும், தவிர்க்க முடியாமல், கணக்கீட்டிற்கான செயல்திறன் மேம்படும்போதும், அதிக அடிப்படை உள்கட்டமைப்பு முதலீட்டையும் அவசியமாக்குகிறது.

அளவிடுதல் தடைகள்: சிலிக்கான், சக்தி மற்றும் கிளவுட் பெஹிமோத்கள்

மிகவும் பரவலாகப் பயன்படுத்தப்படும், பொதுவான foundation மாதிரிகள் கூட வியக்கத்தக்க வேகத்தில் பெருகி வருகின்றன, இது தற்போதுள்ள உள்கட்டமைப்பில் பெரும் அழுத்தத்தை ஏற்படுத்துகிறது. Amazon Web Services (AWS)-க்கான கணினி மற்றும் நெட்வொர்க்கிங்கை மேற்பார்வையிடும் Dave Brown, அவர்களின் தளம் மட்டும் வாடிக்கையாளர்களுக்கு சுமார் 1,800 வெவ்வேறு AI மாதிரிகளுக்கான அணுகலை வழங்குகிறது என்பதை வெளிப்படுத்தினார். இந்த சக்திவாய்ந்த கருவிகளை இயக்குவதற்கான ‘செலவைக் குறைக்க நிறைய செய்வதில்’ AWS-ன் தீவிர கவனத்தை அவர் அடிக்கோடிட்டுக் காட்டினார்.

AWS போன்ற கிளவுட் வழங்குநர்களுக்கான ஒரு முக்கிய உத்தி, அவர்களின் சொந்த தனிப்பயன் சிலிக்கானை உருவாக்குவதை உள்ளடக்குகிறது. AWS-வடிவமைக்கப்பட்ட சில்லுகளின் அதிகரித்து வரும் பயன்பாட்டை Brown எடுத்துக்காட்டினார், அதாவது AI பயிற்சிக்காக உகந்ததாக்கப்பட்ட அவர்களின் Trainium செயலிகள், ‘AWS மற்ற நிறுவனங்களின் செயலிகளை விட எங்கள் சொந்த செயலிகளை அதிகம் பயன்படுத்துகிறது’ என்று கூறினார். சிறப்பு வாய்ந்த, உள் வன்பொருளை நோக்கிய இந்த நகர்வு செயல்திறன் மற்றும் செலவின் மீதான கட்டுப்பாட்டைப் பெறுவதை நோக்கமாகக் கொண்டுள்ளது, Nvidia, AMD மற்றும் Intel போன்ற பொது-நோக்க சிப் சப்ளையர்களைச் சார்ந்திருப்பதைக் குறைக்கிறது. இந்த முயற்சிகள் இருந்தபோதிலும், Brown அடிப்படை யதார்த்தத்தை வெளிப்படையாக ஒப்புக்கொண்டார்: ‘செலவு குறைவாக இருந்தால் வாடிக்கையாளர்கள் அதிகம் செய்வார்கள்.’ தேவை உச்சவரம்பு தற்போது சாத்தியமான பயன்பாடுகளின் பற்றாக்குறையை விட பட்ஜெட் கட்டுப்பாடுகளால் அதிகம் வரையறுக்கப்படுகிறது.

முன்னணி AI டெவலப்பர்களுக்குத் தேவைப்படும் வளங்களின் அளவு மகத்தானது. அதிநவீன Claude மொழி மாதிரிகளின் குடும்பத்தை உருவாக்கிய Anthropic உடன் AWS-ன் தினசரி ஒத்துழைப்பை Brown குறிப்பிட்டார். Anthropic-ன் பயன்பாட்டு நிரலாக்க இடைமுகங்களின் தலைவர் Michael Gerstenhaber, Brown உடன் பேசுகையில், நவீன AI-யின் கணினி தீவிரத்தை சுட்டிக்காட்டினார், குறிப்பாக சிக்கலான பகுத்தறிவு அல்லது ‘சிந்தனை’க்காக வடிவமைக்கப்பட்ட மாதிரிகள். இந்த மாதிரிகள் பெரும்பாலும் அவற்றின் பதில்களுக்கான விரிவான படிப்படியான விளக்கங்களை உருவாக்குகின்றன, இது குறிப்பிடத்தக்க செயலாக்க சக்தியைப் பயன்படுத்துகிறது. ‘சிந்தனை மாதிரிகள் அதிக திறனைப் பயன்படுத்த காரணமாகின்றன,’ என்று Gerstenhaber கூறினார்.

Anthropic, ‘prompt caching’ (முந்தைய தொடர்புகளிலிருந்து கணக்கீடுகளைச் சேமித்து மீண்டும் பயன்படுத்துவதன் மூலம் வளங்களைச் சேமிப்பது) போன்ற தேர்வுமுறை நுட்பங்களில் AWS உடன் தீவிரமாகப் பணியாற்றும் அதே வேளையில், அடிப்படை வன்பொருள் தேவை மகத்தானதாகவே உள்ளது. Anthropic-க்கு அதன் தற்போதைய மாதிரிகளின் தொகுப்பை இயக்க ‘நூற்றுக்கணக்கான ஆயிரக்கணக்கான accelerators’ - சிறப்பு AI சில்லுகள் - ‘பல தரவு மையங்களில்’ விநியோகிக்கப்பட வேண்டும் என்று Gerstenhaber வெளிப்படையாகக் கூறினார். இது ஒரு பெரிய AI பிளேயரை ஆதரிக்கும் கணினி வளங்களின் அளவைப் பற்றிய ஒரு உறுதியான உணர்வை வழங்குகிறது.

சிலிக்கானின் பரந்த கடற்படைகளை வாங்குவதற்கும் நிர்வகிப்பதற்கும் உள்ள சவாலை அதிகப்படுத்துவது AI உடன் தொடர்புடைய சுழலும் ஆற்றல் நுகர்வு ஆகும். Brown இதை ஒரு முக்கியமான மற்றும் வேகமாக அதிகரித்து வரும் கவலையாக எடுத்துக்காட்டினார். தீவிரமான AI பணிச்சுமைகளை ஆதரிக்கும் தற்போதைய தரவு மையங்கள் ஏற்கனவே நூற்றுக்கணக்கான மெகாவாட்களில் அளவிடப்படும் சக்தியைப் பயன்படுத்துகின்றன. எதிர்காலத் தேவைகள் தவிர்க்க முடியாமல் ஜிகாவாட் வரம்பிற்கு உயரும் என்று கணிப்புகள் தெரிவிக்கின்றன - பெரிய மின் உற்பத்தி நிலையங்களின் வெளியீடு. ‘அது நுகரும் சக்தி,’ என்று Brown எச்சரித்தார், AI-யைக் குறிப்பிடுகையில், ‘பெரியது, மேலும் பல தரவு மையங்களில் தடம் பெரியது.’ இந்த அதிகரித்து வரும் எரிசக்தி தேவை மகத்தான செயல்பாட்டுச் செலவுகளை மட்டுமல்லாமல், அடுத்த தலைமுறை AI உள்கட்டமைப்பை அமைப்பதற்கும் இயக்குவதற்கும் குறிப்பிடத்தக்க சுற்றுச்சூழல் மற்றும் தளவாட சவால்களையும் முன்வைக்கிறது.

பொருளாதார வைல்ட் கார்டு: வளர்ச்சித் திட்டங்களின் மீது ஒரு நிழல்

தொழில்நுட்ப முன்னேற்றங்கள் மற்றும் வளர்ந்து வரும் பயன்பாட்டு நிகழ்வுகளால் உந்தப்பட்ட நேர்மறையான பார்வை இருந்தபோதிலும், AI முதலீட்டிற்கான அனைத்து கணிப்புகளின் மீதும் ஒரு குறிப்பிடத்தக்க மாறி தொங்குகிறது: பரந்த பொருளாதார சூழல். Bloomberg Intelligence மாநாடு முடிவடைந்த நிலையில், பங்கேற்பாளர்கள் ஏற்கனவே புதிதாக அறிவிக்கப்பட்ட உலகளாவிய கட்டணத் தொகுப்புகளிலிருந்து எழும் சந்தை நடுக்கங்களைக் கவனித்தனர், இது எதிர்பார்த்ததை விட விரிவானதாகக் கருதப்பட்டது.

இது லட்சிய தொழில்நுட்ப சாலை வரைபடங்கள் பேரினப் பொருளாதாரத் தலைகீழ் காற்றுகளால் விரைவாக சீர்குலைக்கப்படலாம் என்பதற்கான சக்திவாய்ந்த நினைவூட்டலாக செயல்படுகிறது. Bloomberg-ன் Rana, AI செலவினம் ஆரம்பத்தில் ஓரளவு காப்பிடப்படலாம் என்றாலும், AI தொடர்பில்லாத சேவையகங்கள் மற்றும் சேமிப்பகம் போன்ற பெருநிறுவன IT முதலீட்டின் பாரம்பரிய பகுதிகள் பொருளாதார சுருக்கத்தில் முதல் பலியாக இருக்கலாம் என்று எச்சரித்தார். ‘நாங்கள் கவனம் செலுத்தும் மற்ற பெரிய விஷயம் AI அல்லாத தொழில்நுட்ப செலவினம்,’ என்று அவர் குறிப்பிட்டார், வருவாய் பருவத்திற்குச் செல்லும் முக்கிய தொழில்நுட்ப சேவை வழங்குநர்கள் மீதான சாத்தியமான தாக்கம் குறித்து கவலை தெரிவித்தார், AI வரவு செலவுத் திட்டங்களைக் கருத்தில் கொள்வதற்கு முன்பே.

இருப்பினும், AI தனித்துவமாக நெகிழ்ச்சியுடன் நிரூபிக்கப்படலாம் என்ற ஒரு மேலோங்கிய கோட்பாடு உள்ளது. பொருளாதார நிச்சயமற்ற தன்மை அல்லது மந்தநிலை காரணமாக பட்ஜெட் கட்டுப்பாடுகளை எதிர்கொள்ளும் பெரிய நிறுவனங்களில் உள்ள தலைமை நிதி அதிகாரிகள் (CFOs), AI முயற்சிகளுக்கு முன்னுரிமை அளிக்கத் தேர்வு செய்யலாம் என்று Rana பரிந்துரைத்தார். எதிர்கால போட்டித்தன்மைக்கு முக்கியமானதாகக் கருதப்படும் மூலோபாய AI முதலீடுகளைப் பாதுகாக்க அவர்கள் குறைவான முக்கியமான பகுதிகளிலிருந்து நிதியை மாற்றலாம்.

ஆயினும், இந்த நம்பிக்கையான பார்வை உத்தரவாதத்திலிருந்து வெகு தொலைவில் உள்ளது. Rana-வின் கூற்றுப்படி, இறுதி சோதனை என்னவென்றால், பெரிய நிறுவனங்கள் தங்கள் ஆக்கிரமிப்பு மூலதனச் செலவு இலக்குகளை, குறிப்பாக AI தரவு மையங்களை உருவாக்குவதற்காக, அதிகரித்து வரும் பொருளாதார நிச்சயமற்ற தன்மையின் முகத்தில் பராமரிக்கிறதா என்பதுதான். முக்கியமான கேள்வி அப்படியே உள்ளது: ‘அவர்கள் சொல்லப் போகிறார்களா, ‘உங்களுக்கு என்ன தெரியும்? இது மிகவும் நிச்சயமற்றது.’’ AI உள்கட்டமைப்பு செலவினங்களுக்குப் பின்னால் உள்ள தடுத்து நிறுத்த முடியாத வேகம் அதன் இடைவிடாத ஏற்றத்தைத் தொடர்கிறதா அல்லது உலகப் பொருளாதார யதார்த்தங்களால் கட்டளையிடப்பட்ட எதிர்பாராத இடைநிறுத்தத்தை எதிர்கொள்கிறதா என்பதை பதில் தீர்மானிக்கும்.