ప్రారంభ ప్రకంపన: DeepSeek మరియు సామర్థ్యపు మాయాజాలం
ఈ సంవత్సరం ప్రారంభంలో చైనా యొక్క DeepSeek AI ఆవిర్భావం టెక్ పెట్టుబడి రంగంలో ప్రకంపనలు సృష్టించింది. గణనీయంగా తక్కువ గణన భారాన్ని కలిగి, శక్తివంతమైన కృత్రిమ మేధస్సును వాగ్దానం చేసే దాని అద్భుతమైన విధానం తక్షణ ఊహాగానాలకు దారితీసింది. ప్రత్యేకమైన చిప్స్ మరియు సిస్టమ్‌ల భారీ కొనుగోళ్లతో కూడిన AI మౌలిక సదుపాయాల నిరంతర, ఖరీదైన విస్తరణ మందగించబోతోందనే కథనం త్వరగా ఏర్పడింది. ఖర్చు-సమర్థవంతమైన AI యొక్క కొత్త శకం ఊహించిన ఖర్చుల పెరుగుదలను నాటకీయంగా తగ్గించవచ్చనే నమ్మకాన్ని ప్రతిబింబిస్తూ మార్కెట్ స్పందించింది.
అయితే, ఇటీవల జరిగిన పరిశ్రమ నిపుణుల ఉన్నత స్థాయి సమావేశం నుండి వచ్చిన అంతర్దృష్టులు పూర్తిగా భిన్నమైన చిత్రాన్ని అందిస్తున్నాయి. Bloomberg Intelligence ద్వారా న్యూయార్క్‌లో ఏర్పాటు చేయబడిన ఒక ఉత్పాదక AI సమావేశం, సంభావ్య వ్యయ పొదుపులపై మాత్రమే దృష్టి సారించిన ప్రారంభ వ్యాఖ్యానం, పెద్ద కథనాన్ని విస్మరించిందని సూచించింది. ఖర్చుల మందగింపును సూచించడానికి బదులుగా, ఈ కార్యక్రమం AI సామర్థ్యం కోసం దాదాపు అపరిమితమైన ఆకలిని నొక్కి చెప్పింది. ఏకాభిప్రాయం తగ్గించడం గురించి కాదు; మెనూ తక్కువ ఖరీదైనదిగా ఉండాలని తీవ్రంగా కోరుకుంటూనే, తెలివైన వ్యవస్థల కోసం విపరీతంగా పెరుగుతున్న ఆకలిని ఎలా తీర్చాలనే దాని గురించి ఆలోచించడం.
క్షేత్రస్థాయి నుండి స్వరాలు: సామర్థ్యం కోసం తీరని దాహం
డెవలపర్లు, వ్యూహకర్తలు మరియు పెట్టుబడిదారులను ఒకచోట చేర్చిన రోజంతా జరిగిన చర్చలు, పెరుగుతున్న డిమాండ్ భారీ పెట్టుబడులను నడిపిస్తుందనే అంశం చుట్టూ స్థిరంగా తిరిగాయి. Bloomberg Intelligence తో సీనియర్ టెక్నాలజీ విశ్లేషకుడు మరియు ఈవెంట్ నిర్వాహకులలో ఒకరైన Mandeep Singh, ప్రబలంగా ఉన్న సెంటిమెంట్‌ను క్లుప్తంగా సంగ్రహించారు. అనేక ప్యానెల్లు మరియు నిపుణుల చర్చలను ప్రతిబింబిస్తూ, అతను ఒక సార్వత్రిక పునరావృతాన్ని గుర్తించాడు: పాల్గొన్న ఎవరికీ తమ వద్ద తగినంత AI సామర్థ్యం ఉందని భావించలేదు. అధికంగా ఉన్న భావన చాలా ఎక్కువగా ఉండటం కాదు, మరింత అవసరం అనే భావన.
ముఖ్యంగా, Singh జోడించారు, వేగంగా విస్తరిస్తున్న టెక్ రంగాలలో ఒక సాధారణ భయం అయిన ‘మౌలిక సదుపాయాల బుడగ’ యొక్క భూతం సంభాషణలో గుర్తించదగినంతగా లేదు. మొత్తం పరిశ్రమ ఎదుర్కొంటున్న పునాది సవాలుపై దృష్టి కేంద్రీకరించబడింది. Singh సహోద్యోగి మరియు Bloomberg Intelligence యొక్క IT సేవలు మరియు సాఫ్ట్‌వేర్ కోసం సీనియర్ విశ్లేషకుడు Anurag Rana, దీనిని ప్రధాన ప్రశ్నగా రూపొందించారు: ‘మేము ఆ [AI మౌలిక సదుపాయాల నిర్మాణ] చక్రంలో ఎక్కడ ఉన్నాము?’
ఈ భారీ నిర్మాణ దశ యొక్క ఖచ్చితమైన దశను గుర్తించడం అస్పష్టంగా ఉందని అంగీకరిస్తూనే (‘ఎవరికీ ఖచ్చితంగా తెలియదు’ అని Rana అంగీకరించారు), DeepSeek దృగ్విషయం నిస్సందేహంగా దృక్కోణాలను మార్చింది. ఇది గణనీయమైన AI పనిభారాలను మరింత ఆర్థికంగా నిర్వహించగలదనే శక్తివంతమైన ఆశను కలిగించింది. ‘DeepSeek చాలా మందిని కదిలించింది,’ అని Rana గమనించారు. అంతర్లీనంగా స్పష్టంగా ఉంది: అధునాతన AI మోడల్‌లు తక్కువ డిమాండ్ ఉన్న హార్డ్‌వేర్‌పై సమర్థవంతంగా పనిచేయగలిగితే, ప్రధాన టెక్ ప్లేయర్‌లను కలిగి ఉన్న కన్సార్టియా ద్వారా ప్రణాళిక చేయబడినట్లు పుకార్లు వచ్చిన బహుళ-వందల-బిలియన్-డాలర్ల కార్యక్రమాల వంటి భారీ ప్రాజెక్టులు పునఃమూల్యాంకనం చేయబడవచ్చు లేదా విభిన్నంగా స్కేల్ చేయబడవచ్చు.
Rana ప్రకారం పరిశ్రమ అంతటా ప్రతిధ్వనించిన కల, AI కార్యాచరణ ఖర్చులు, ముఖ్యంగా inference (శిక్షణ పొందిన నమూనాలు అంచనాలను లేదా కంటెంట్‌ను రూపొందించే దశ) కోసం, గత దశాబ్దంలో క్లౌడ్ కంప్యూటింగ్ నిల్వలో చూసిన నాటకీయ తగ్గుదల పథాన్ని అనుసరించడం. Amazon Web Services (AWS) వంటి ప్లాట్‌ఫారమ్‌లపై భారీ మొత్తంలో డేటాను నిల్వ చేసే ఆర్థికశాస్త్రం సుమారు ఎనిమిది సంవత్సరాలలో నాటకీయంగా ఎలా మెరుగుపడిందో ఆయన గుర్తుచేసుకున్నారు. ‘ఖర్చు వక్రరేఖలో ఆ తగ్గుదల… ఆర్థికశాస్త్రం బాగుంది,’ అని ఆయన పేర్కొన్నారు. ‘మరియు ప్రతి ఒక్కరూ ఆశిస్తున్నది అదే, inference వైపు… వక్రరేఖ ఆ స్థాయికి పడిపోతే, ఓ మై గాడ్, AI పై స్వీకరణ రేటు… అద్భుతంగా ఉంటుంది.’ Singh అంగీకరించారు, DeepSeek రాక ప్రాథమికంగా ‘సామర్థ్యాన్ని సాధించడం గురించి ప్రతి ఒక్కరి ఆలోచనా విధానాన్ని మార్చివేసింది’ అని పేర్కొన్నారు.
సమావేశ సెషన్‌ల అంతటా సామర్థ్యం కోసం ఈ కోరిక స్పష్టంగా కనిపించింది. అనేక ప్యానెల్లు ఎంటర్‌ప్రైజ్ AI ప్రాజెక్ట్‌లను సంభావిత దశల నుండి ప్రత్యక్ష ఉత్పత్తిలోకి తరలించే ఆచరణాత్మకతలను పరిశోధించినప్పటికీ, సమాంతర చర్చ నిరంతరం ఈ AI మోడల్‌లను అమలు చేయడానికి మరియు అమలు చేయడానికి అయ్యే ఖర్చులను తగ్గించాల్సిన క్లిష్టమైన అవసరాన్ని నొక్కి చెప్పింది. లక్ష్యం స్పష్టంగా ఉంది: AI ని విస్తృత శ్రేణి అప్లికేషన్‌లు మరియు వినియోగదారులకు ఆర్థికంగా లాభదాయకంగా మార్చడం ద్వారా యాక్సెస్‌ను ప్రజాస్వామ్యీకరించడం. Bloomberg యొక్క స్వంత చీఫ్ టెక్నాలజిస్ట్ Shawn Edwards, DeepSeek తప్పనిసరిగా పూర్తి ఆశ్చర్యం కాదని, సార్వత్రిక కోరిక యొక్క శక్తివంతమైన ఉదాహరణ అని సూచించారు. ‘ఇది నన్ను ఆలోచింపజేసింది ఏమిటంటే, మీరు ఒక మంత్రదండం ఊపి, ఈ మోడల్‌లు నమ్మశక్యం కాని విధంగా సమర్థవంతంగా పనిచేయగలిగితే గొప్పగా ఉంటుంది,’ అని ఆయన వ్యాఖ్యానించారు, ఈ కోరికను కేవలం ఒక నిర్దిష్ట పురోగతికి మాత్రమే కాకుండా AI మోడల్‌ల మొత్తం స్పెక్ట్రమ్‌కు విస్తరించారు.
విస్తరణ సూత్రం: కంప్యూట్ డిమాండ్‌ను పెంచడం
సామర్థ్యం కోసం అన్వేషణ ఉన్నప్పటికీ, నిపుణులు AI మౌలిక సదుపాయాలలో నిరంతర, గణనీయమైన పెట్టుబడులను ఊహించడానికి ప్రాథమిక కారణాలలో ఒకటి AI మోడల్‌ల యొక్క సంపూర్ణ విస్తరణ. న్యూయార్క్ సమావేశంలో పునరావృతమయ్యే ఇతివృత్తం అన్ని పనులను నిర్వహించగల ఒకే, ఏకశిలా AI మోడల్ అనే భావన నుండి నిర్ణయాత్మక చర్య.
- ఒక కుటుంబ వ్యవహారం: Bloomberg యొక్క Edwards చెప్పినట్లుగా, ‘మేము మోడల్‌ల కుటుంబాన్ని ఉపయోగిస్తాము. ఉత్తమ మోడల్ అంటూ ఏదీ లేదు.’ ఇది విభిన్న AI ఆర్కిటెక్చర్‌లు విభిన్న పనులలో రాణిస్తాయనే పెరుగుతున్న అవగాహనను ప్రతిబింబిస్తుంది - భాషా ఉత్పత్తి, డేటా విశ్లేషణ, చిత్ర గుర్తింపు, కోడ్ పూర్తి చేయడం మొదలైనవి.
- ఎంటర్‌ప్రైజ్ అనుకూలీకరణ: పెద్ద, సాధారణ-ప్రయోజన ‘ఫౌండేషన్’ లేదా ‘ఫ్రాంటియర్’ మోడల్‌లు ప్రధాన AI ల్యాబ్‌లచే అభివృద్ధి చేయబడటం మరియు మెరుగుపరచబడటం కొనసాగుతుందని ప్యానలిస్టులు విస్తృతంగా అంగీకరించారు, వ్యాపారాలలో నిజమైన చర్య వందలాది లేదా వేలాది ప్రత్యేకమైన AI మోడల్‌లను అమలు చేయడంలో ఉంటుంది.
- ఫైన్-ట్యూనింగ్ మరియు యాజమాన్య డేటా: ఈ ఎంటర్‌ప్రైజ్ మోడల్‌లలో చాలా వరకు ఫైన్-ట్యూనింగ్ అనే ప్రక్రియ ద్వారా బేస్ మోడల్‌ల నుండి స్వీకరించబడతాయి. ఇది ఒక కంపెనీ యొక్క నిర్దిష్ట, తరచుగా యాజమాన్య డేటాపై ముందుగా శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్‌ను తిరిగి శిక్షణ ఇవ్వడం. ఇది AI కి ప్రత్యేకమైన వ్యాపార సందర్భాలు, పరిభాష మరియు కస్టమర్ పరస్పర చర్యలను అర్థం చేసుకోవడానికి అనుమతిస్తుంది, సాధారణ మోడల్ అందించగల దానికంటే చాలా సంబంధిత మరియు విలువైన ఫలితాలను అందిస్తుంది.
- అభివృద్ధిని ప్రజాస్వామ్యీకరించడం: డేటా సైన్స్ ప్లాట్‌ఫారమ్ Dataiku కు ప్రాతినిధ్యం వహిస్తున్న Jed Dougherty, ఎంటర్‌ప్రైజ్ AI ఏజెంట్ల కోసం ‘మోడల్‌లలో ఐచ్ఛికత’ అవసరాన్ని హైలైట్ చేశారు. కంపెనీలకు వారి AI సాధనాలపై నియంత్రణ, సృష్టి సామర్థ్యాలు మరియు ఆడిటబిలిటీ ఇవ్వడం యొక్క ప్రాముఖ్యతను ఆయన నొక్కి చెప్పారు. ‘మేము ఈ వస్తువులను నిర్మించడానికి సాధనాలను ప్రజల చేతుల్లో పెట్టాలనుకుంటున్నాము,’ అని Dougherty నొక్కి చెప్పారు. ‘పది మంది PhD లు అన్ని ఏజెంట్లను నిర్మించాలని మేము కోరుకోవడం లేదు.’ అభివృద్ధిలో విస్తృత ప్రాప్యత వైపు ఈ డ్రైవ్ ఈ పంపిణీ చేయబడిన సృష్టి ప్రయత్నాలకు మద్దతు ఇవ్వడానికి మరింత అంతర్లీన మౌలిక సదుపాయాల అవసరాన్ని సూచిస్తుంది.
- బ్రాండ్-నిర్దిష్ట AI: సృజనాత్మక పరిశ్రమలు ఒక ప్రధాన ఉదాహరణను అందిస్తాయి. Adobe లో కొత్త వ్యాపార వెంచర్‌లకు నాయకత్వం వహిస్తున్న Hannah Elsakr, కస్టమ్ మోడల్‌లపై పందెం వేయడం వారి వ్యూహాన్ని కీలకమైన భేదంగా వివరించారు. ‘మేము మీ బ్రాండ్ కోసం కస్టమ్ మోడల్ పొడిగింపులకు శిక్షణ ఇవ్వగలము, అది కొత్త ప్రకటనల ప్రచారానికి సహాయపడుతుంది,’ అని ఆమె ఉదహరించారు, నిర్దిష్ట బ్రాండ్ సౌందర్యం మరియు సందేశాన్ని నిర్వహించడానికి AI ని ఎలా రూపొందించవచ్చో ప్రదర్శిస్తూ.
మోడల్‌ల వైవిధ్యీకరణకు మించి, కార్పొరేట్ వర్క్‌ఫ్లోలలో AI ఏజెంట్ల పెరుగుతున్న విస్తరణ ప్రాసెసింగ్ డిమాండ్ యొక్క మరొక ముఖ్యమైన చోదకం. ఈ ఏజెంట్లు కేవలం నిష్క్రియాత్మక సాధనాలుగా కాకుండా బహుళ-దశల పనులను అమలు చేయగల క్రియాశీల పాల్గొనేవారిగా ఊహించబడ్డారు.
Microsoft యొక్క Copilot Studio ఏజెంట్లు మరియు ఆటోమేషన్ ప్రయత్నాలకు నాయకత్వం వహిస్తున్న Ray Smith, వినియోగదారులు Copilot వంటి ఏకీకృత ఇంటర్‌ఫేస్ ద్వారా వందలాది ప్రత్యేక ఏజెంట్లతో సంభాషించే భవిష్యత్తును అంచనా వేశారు. ‘మీరు మొత్తం ప్రక్రియను ఒక ఏజెంట్‌లో కుదించరు, మీరు దానిని భాగాలుగా విభజిస్తారు,’ అని ఆయన వివరించారు. ఈ ఏజెంట్లు, ఆయన సూచించారు, తప్పనిసరిగా ప్రోగ్రామింగ్ యొక్క ‘కొత్త ప్రపంచంలో యాప్‌లు’. వినియోగదారులు తమ లక్ష్యాన్ని పేర్కొనడం - ‘మేము ఏమి సాధించాలనుకుంటున్నామో దానికి చెప్పండి’ - మరియు ఏజెంట్ అవసరమైన దశలను ఆర్కెస్ట్రేట్ చేయడం అనే దృష్టి ఉంది. ‘ఏజెంటిక్ యాప్‌లు కేవలం వర్క్‌ఫ్లో యొక్క కొత్త మార్గం,’ అని Smith పేర్కొన్నారు, ఈ దృష్టిని గ్రహించడం సాంకేతిక అవకాశం (‘ఇదంతా సాంకేతికంగా సాధ్యమే’) కంటే ‘మేము దానిని నిర్మించే వేగం’ గురించి ఎక్కువ అని నొక్కి చెప్పారు.
AI ఏజెంట్లను రోజువారీ సంస్థాగత ప్రక్రియలలో మరింత లోతుగా పొందుపరచడానికి ఈ ఒత్తిడి ఖర్చు తగ్గింపు మరియు సమర్థవంతమైన విస్తరణ కోసం ఒత్తిడిని మరింత తీవ్రతరం చేస్తుంది. మైక్రోప్రాసెసర్ దిగ్గజం ARM Holdings లో ఉత్పత్తి నిర్వహణ అధిపతి James McNiven, ప్రాప్యత పరంగా సవాలును రూపొందించారు. ‘మరిన్ని మరిన్ని పరికరాలలో మేము యాక్సెస్‌ను ఎలా అందిస్తాము?’ అని ఆయన ఆలోచించారు. నిర్దిష్ట పనులలో ‘PhD-స్థాయి’ సామర్థ్యాలను సాధించే మోడల్‌లను గమనిస్తూ, సంవత్సరాల క్రితం అభివృద్ధి చెందుతున్న దేశాలకు మొబైల్ చెల్లింపు వ్యవస్థలను తీసుకురావడం యొక్క పరివర్తన ప్రభావాన్ని ఆయన పోల్చారు. ప్రధాన ప్రశ్న మిగిలి ఉంది: ‘ఆ [AI సామర్థ్యాన్ని] ఉపయోగించగల వ్యక్తులకు మేము దానిని ఎలా పొందుతాము?’ అధునాతన AI ఏజెంట్లను విస్తృత శ్రేణి శ్రామిక శక్తికి సహాయకులుగా సులభంగా అందుబాటులో ఉంచడానికి తెలివైన సాఫ్ట్‌వేర్ మాత్రమే కాకుండా సమర్థవంతమైన హార్డ్‌వేర్ మరియు అనివార్యంగా, గణన başına సామర్థ్యం మెరుగుపడినప్పటికీ, మరింత అంతర్లీన మౌలిక సదుపాయాల పెట్టుబడి అవసరం.
స్కేలింగ్ అడ్డంకులు: సిలికాన్, పవర్, మరియు క్లౌడ్ బెహెమోత్‌లు
అత్యంత విస్తృతంగా ఉపయోగించే, సాధారణ ఫౌండేషన్ మోడల్‌లు కూడా అస్థిరమైన వేగంతో గుణించబడుతున్నాయి, ఇప్పటికే ఉన్న మౌలిక సదుపాయాలపై అపారమైన ఒత్తిడిని కలిగిస్తున్నాయి. Amazon Web Services (AWS) కోసం కంప్యూటింగ్ మరియు నెట్‌వర్కింగ్‌ను పర్యవేక్షించే Dave Brown, వారి ప్లాట్‌ఫారమ్ మాత్రమే వినియోగదారులకు సుమారు 1,800 విభిన్న AI మోడల్‌లకు యాక్సెస్‌ను అందిస్తుందని వెల్లడించారు. ఈ శక్తివంతమైన సాధనాలను అమలు చేసే ‘ఖర్చును తగ్గించడానికి చాలా చేస్తున్న’ AWS యొక్క తీవ్రమైన దృష్టిని ఆయన నొక్కి చెప్పారు.
AWS వంటి క్లౌడ్ ప్రొవైడర్లకు కీలక వ్యూహం వారి స్వంత కస్టమ్ సిలికాన్‌ను అభివృద్ధి చేయడం. Brown, AI శిక్షణ కోసం ఆప్టిమైజ్ చేయబడిన వారి Trainium ప్రాసెసర్‌ల వంటి AWS-రూపొందించిన చిప్‌ల పెరుగుతున్న వినియోగాన్ని హైలైట్ చేశారు, ‘AWS ఇతర కంపెనీల ప్రాసెసర్‌ల కంటే మా స్వంత ప్రాసెసర్‌లను ఎక్కువగా ఉపయోగిస్తోంది’ అని పేర్కొన్నారు. ప్రత్యేకమైన, అంతర్గత హార్డ్‌వేర్ వైపు ఈ చర్య పనితీరు మరియు ఖర్చుపై నియంత్రణను పొందడం, Nvidia, AMD, మరియు Intel వంటి సాధారణ-ప్రయోజన చిప్ సరఫరాదారులపై ఆధారపడటాన్ని తగ్గించడం లక్ష్యంగా పెట్టుకుంది. ఈ ప్రయత్నాలు ఉన్నప్పటికీ, Brown నిష్కపటంగా ప్రాథమిక వాస్తవికతను అంగీకరించారు: ‘ఖర్చు తక్కువగా ఉంటే వినియోగదారులు ఎక్కువ చేస్తారు.’ డిమాండ్ పరిమితి ప్రస్తుతం సంభావ్య అనువర్తనాల కొరత కంటే బడ్జెట్ పరిమితుల ద్వారా ఎక్కువగా నిర్వచించబడింది.
ప్రముఖ AI డెవలపర్‌లకు అవసరమైన వనరుల స్థాయి అపారమైనది. Brown, అధునాతన Claude భాషా నమూనాల కుటుంబ సృష్టికర్తలైన Anthropic తో AWS యొక్క రోజువారీ సహకారాన్ని గుర్తించారు. Brown తో పాటు మాట్లాడిన Anthropic యొక్క అప్లికేషన్ ప్రోగ్రామింగ్ ఇంటర్‌ఫేస్‌ల అధిపతి Michael Gerstenhaber, ఆధునిక AI యొక్క గణన తీవ్రతను, ముఖ్యంగా సంక్లిష్ట తార్కికం లేదా ‘ఆలోచన’ కోసం రూపొందించిన నమూనాలను ఎత్తి చూపారు. ఈ నమూనాలు తరచుగా వారి సమాధానాల కోసం వివరణాత్మక దశల వారీ వివరణలను ఉత్పత్తి చేస్తాయి, గణనీయమైన ప్రాసెసింగ్ శక్తిని వినియోగిస్తాయి. ‘ఆలోచించే నమూనాలు చాలా సామర్థ్యాన్ని ఉపయోగించుకునేలా చేస్తాయి,’ అని Gerstenhaber పేర్కొన్నారు.
Anthropic ‘ప్రాంప్ట్ కాషింగ్’ (వనరులను ఆదా చేయడానికి మునుపటి పరస్పర చర్యల నుండి గణనలను నిల్వ చేయడం మరియు పునర్వినియోగించడం) వంటి ఆప్టిమైజేషన్ పద్ధతులపై AWS తో చురుకుగా పనిచేస్తున్నప్పటికీ, ప్రాథమిక హార్డ్‌వేర్ అవసరం అపారంగా ఉంది. Gerstenhaber నిష్కర్షగా పేర్కొన్నారు, Anthropic కి దాని ప్రస్తుత మోడల్‌ల సూట్‌ను అమలు చేయడానికి ‘వందల వేల యాక్సిలరేటర్లు’ - ప్రత్యేక AI చిప్‌లు - ‘అనేక డేటా సెంటర్లలో’ పంపిణీ చేయబడాలి. ఇది కేవలం ఒక ప్రధాన AI ప్లేయర్‌కు ఆధారమైన కంప్యూట్ వనరుల యొక్క సంపూర్ణ స్థాయి యొక్క ఖచ్చితమైన భావాన్ని అందిస్తుంది.
సిలికాన్ యొక్క విస్తారమైన విమానాలను సేకరించడం మరియు నిర్వహించడం యొక్క సవాలును పెంచడం AI తో అనుబంధించబడిన శక్తి వినియోగం పెరగడం. Brown దీనిని ఒక క్లిష్టమైన, మరియు వేగంగా పెరుగుతున్న ఆందోళనగా హైలైట్ చేశారు. ఇంటెన్సివ్ AI పనిభారాలకు మద్దతు ఇచ్చే ప్రస్తుత డేటా సెంటర్‌లు ఇప్పటికే వందల మెగావాట్లలో కొలవబడిన శక్తిని వినియోగిస్తున్నాయి. భవిష్యత్ అవసరాలు అనివార్యంగా గిగావాట్ పరిధిలోకి - పెద్ద విద్యుత్ ప్లాంట్ల ఉత్పత్తి - పెరుగుతాయని అంచనాలు సూచిస్తున్నాయి. ‘అది వినియోగించే శక్తి,’ Brown హెచ్చరించారు, AI ని సూచిస్తూ, ‘పెద్దది, మరియు అనేక డేటా సెంటర్లలో పాదముద్ర పెద్దది.’ ఈ పెరుగుతున్న శక్తి డిమాండ్ అపారమైన కార్యాచరణ ఖర్చులను మాత్రమే కాకుండా, తదుపరి తరం AI మౌలిక సదుపాయాలను సైట్ చేయడానికి మరియు శక్తివంతం చేయడానికి గణనీయమైన పర్యావరణ మరియు లాజిస్టికల్ సవాళ్లను కూడా అందిస్తుంది.
ఆర్థిక వైల్డ్‌కార్డ్: వృద్ధి ప్రణాళికలపై ఒక నీడ
సాంకేతిక పురోగతులు మరియు పెరుగుతున్న వినియోగ కేసుల ద్వారా నడిచే బుల్లిష్ దృక్పథం ఉన్నప్పటికీ, AI పెట్టుబడి కోసం అన్ని అంచనాలపై ఒక ముఖ్యమైన వేరియబుల్ పొంచి ఉంది: విస్తృత ఆర్థిక వాతావరణం. Bloomberg Intelligence సమావేశం ముగిసే సమయానికి, హాజరైనవారు ఇప్పటికే కొత్తగా ప్రకటించిన ప్రపంచ టారిఫ్ ప్యాకేజీల నుండి ఉత్పన్నమయ్యే మార్కెట్ అస్థిరతలను గమనిస్తున్నారు, ఊహించిన దానికంటే విస్తృతంగా భావించబడింది.
ఇది స్థూల ఆర్థిక ఎదురుగాలుల ద్వారా ప్రతిష్టాత్మక సాంకేతిక రోడ్‌మ్యాప్‌లు వేగంగా అంతరాయం కలిగించవచ్చనే శక్తివంతమైన రిమైండర్‌గా పనిచేస్తుంది. Bloomberg యొక్క Rana హెచ్చరించారు, AI ఖర్చు ప్రారంభంలో కొంతవరకు ఇన్సులేట్ చేయబడినప్పటికీ, AI కి సంబంధం లేని సర్వర్లు మరియు నిల్వ వంటి కార్పొరేట్ IT పెట్టుబడి యొక్క సాంప్రదాయ ప్రాంతాలు ఆర్థిక సంకోచంలో మొదటి బాధితులు కావచ్చు. ‘మేము దృష్టి సారించిన మరో పెద్ద విషయం నాన్-AI టెక్ ఖర్చు,’ అని ఆయన పేర్కొన్నారు, AI బడ్జెట్‌లను ప్రత్యేకంగా పరిగణనలోకి తీసుకునే ముందు కూడా, ఆదాయాల సీజన్‌లోకి వెళ్లే ప్రధాన టెక్ సర్వీస్ ప్రొవైడర్లపై సంభావ్య ప్రభావం గురించి ఆందోళన వ్యక్తం చేశారు.
అయితే, AI ప్రత్యేకంగా స్థితిస్థాపకంగా నిరూపించబడవచ్చనే ప్రబలమైన సిద్ధాంతం ఉంది. Rana సూచించారు, ఆర్థిక అనిశ్చితి లేదా మాంద్యం కారణంగా బడ్జెట్ పరిమితులను ఎదుర్కొంటున్న ప్రధాన కార్పొరేషన్లలోని చీఫ్ ఫైనాన్షియల్ ఆఫీసర్లు (CFO లు), AI కార్యక్రమాలకు ప్రాధాన్యత ఇవ్వడానికి ఎంచుకోవచ్చు. భవిష్యత్ పోటీతత్వానికి కీలకమైనవిగా భావించే వ్యూహాత్మక AI పెట్టుబడులను రక్షించడానికి వారు తక్కువ క్లిష్టమైన ప్రాంతాల నుండి నిధులను మార్చవచ్చు.
అయినప్పటికీ, ఈ ఆశావాద దృక్పథం హామీకి దూరంగా ఉంది. Rana ప్రకారం, అంతిమ పరీక్ష, పెద్ద కార్పొరేషన్లు తమ దూకుడు మూలధన వ్యయ లక్ష్యాలను, ముఖ్యంగా AI డేటా సెంటర్లను నిర్మించడం కోసం, పెరుగుతున్న ఆర్థిక అనిశ్చితి నేపథ్యంలో నిర్వహిస్తాయా లేదా అనేది. క్లిష్టమైన ప్రశ్న మిగిలి ఉంది: ‘వారు చెప్పబోతున్నారా, ‘మీకు తెలుసా? ఇది చాలా అనిశ్చితంగా ఉంది.’’ AI మౌలిక సదుపాయాల ఖర్చు వెనుక అప్రతిహతంగా కనిపించే ఊపు దాని నిరంతర ఆరోహణను కొనసాగిస్తుందా లేదా ప్రపంచ ఆర్థిక వాస్తవాల ద్వారా నిర్దేశించబడిన ఊహించని విరామాన్ని ఎదుర్కొంటుందా అనేది సమాధానం నిర్ణయిస్తుంది.