Wyścig w dziedzinie sztucznej inteligencji zwalnia: co to oznacza dla inwestorów?

Kluczowe punkty

• Spowolnienie prac nad najbardziej zaawansowanymi modelami AI może przekierować wydatki z trenowania coraz większych modeli na wdrażanie, zabezpieczanie i praktyczne wykorzystanie już istniejących modeli.

• Sprzęt komputerowy pozostaje największą niewiadomą, ponieważ obecne wyceny implikują, że popyt na moc obliczeniową będzie nadal szybko rósł.

• Surowsze wymogi bezpieczeństwa mogą niezamierzenie wzmocnić pozycję największych laboratoriów AI, podnosząc koszty konkurowania.

Przez ostatnie kilka lat wyścig w dziedzinie sztucznej inteligencji opierał się na prostym schemacie: większe modele, więcej mocy obliczeniowej, szybszy rozwój. Teraz niektórzy liderzy tego wyścigu pytają, czy nie należałoby zwolnić tempa.

Szef Anthropic, Dario Amodei, wzywa, by dostosować tempo zwiększania możliwości najbardziej zaawansowanych modeli AI w taki sposób, aby systemy bezpieczeństwa miały czas, by nadążyć. Główny naukowiec OpenAI, Jakub Pachocki, dodaje, że żadne laboratorium nie rozwiązało kwestii bezpieczeństwa wystarczająco dobrze, by móc skalować swoje systemy w nieskończoność, i to w maksymalnym tempie.

Naturalne pytanie brzmi, czy grozi to załamaniem się boomu na AI. Bardziej interesująca odpowiedź jest taka, że może to po prostu zmienić kierunek przepływu pieniędzy.

Wolniejsze modele, nie wolniejsza sztuczna inteligencja

Kluczowe jest odróżnienie budowania kolejnego przełomowego modelu od wykorzystywania modeli, które już mamy.

Amodei nie postuluje zatrzymania rozwoju. „Wyznaczanie tempa” ma dać więcej czasu na testy, monitorowanie i zabezpieczenia, zanim możliwości znów dokonają dużego skoku naprzód. OpenAI już wcześniej tymczasowo spowolniło skalowanie, gdy jeden z nadchodzących modeli zbliżył się do krytycznych możliwości w obszarze cyberbezpieczeństwa.

To istotne, ponieważ wydatki na AI wykraczają daleko poza samo trenowanie.

Firmy potrzebują mocy obliczeniowej do uruchamiania modeli. Potrzebują też oprogramowania, aby wpleść je w procesy biznesowe; cyberbezpieczeństwa, aby je kontrolować; systemów zarządzania danymi, aby zasilać je informacjami; oraz aplikacji, które przełożą „inteligencję” na coś, za co klienci rzeczywiście zapłacą.

Mówiąc prościej, ciężar w łańcuchu wartości AI może przesuwać się z trenowania w kierunku wnioskowania, aplikacji, bezpieczeństwa i wdrożeń.

Wolniejsze pierwsze ogniwo wcale nie musi ograniczać tego, co dzieje się dalej. W praktyce firmy dopiero zaczynają wydobywać wartość z już dostępnych możliwości. Pytanie inwestycyjne może więc przesunąć się z „jak szybko zbudujemy mądrzejszy model?” na „ile realnej wartości ekonomicznej potrafimy wydobyć z modeli, które już mamy?” Dla inwestorów to może być zdrowsze podejście.

Sprawdzian dla strategii „łopat i kilofów”

W pierwszej fazie boomu na AI zarabiały przede wszystkim firmy dostarczające deficytową moc obliczeniową — producenci GPU, zaawansowanych pamięci, sprzętu sieciowego, operatorzy centrów danych i dostawcy energii. To klasyczna strategia „łopat i kilofów”, polegająca na stawianiu na dostawców narzędzi w czasie „gorączki złota”. Stało za tym jedno mocne założenie: najbardziej zaawansowane modele będą stale wymagać znacznie więcej mocy obliczeniowej.

Wolniejsze tempo na samym froncie rozwoju podważa najprostszy wariant tej historii. Jeśli kolejne generacje modeli pojawią się później, część projektów budowy klastrów treningowych może się opóźnić. To szczególnie istotne dla spółek, których wyceny i oczekiwania wzrostu zakładają niemal automatyczne dalsze przyspieszanie nakładów inwestycyjnych.

Ale zapotrzebowanie na trenowanie modeli nie jest tożsame z popytem na AI jako całość. Istniejące modele nadal pochłaniają ogromne zasoby mocy obliczeniowej za każdym razem, gdy są używane. Systemy agentowe AI, wdrożenia w firmach i zastosowania naukowe mogą istotnie zwiększać zapotrzebowanie na wnioskowanie, nawet jeśli nowe przełomowe modele będą pojawiać się rzadziej.

Dlatego reakcja rynku w poniedziałek może być raczej sygnałem ostrzegawczym niż wyrokiem. Spółki sprzętowe stają przed nowym pytaniem o dynamikę popytu, a oprogramowanie i cyberbezpieczeństwo mogą zyskać na znaczeniu, jeśli branża przez dłuższy czas będzie komercjalizować, monitorować i chronić istniejące systemy AI.

Inwestowanie w AI może coraz mniej dotyczyć jednego wąskiego gardła, a coraz bardziej obejmować cały stos technologiczny.

Bezpieczeństwo może stać się fosą konkurencyjną

Jest jeszcze jedna, mniej oczywista konsekwencja. Spowalnianie rozwoju brzmi jak ograniczenie dla OpenAI i Anthropic, ale może też wzmocnić ich pozycję konkurencyjną.

Wyobraźmy sobie, że tworzenie najbardziej zaawansowanej AI będzie coraz częściej wymagać niezależnych audytorów bezpieczeństwa, zaawansowanego monitorowania, dobrze zabezpieczonej infrastruktury i szeroko zakrojonych testów przed wydaniem modelu.

To wszystko kosztuje. OpenAI, Anthropic, Google i inne dobrze finansowane laboratoria prawdopodobnie to udźwigną. Mniejszym konkurentom może być trudniej. Powstaje więc niewygodne napięcie: regulacje projektowane z myślą o większym bezpieczeństwie mogą też podnosić bariery wejścia i utrudniać rzucenie wyzwania dzisiejszym liderom.

Jest jeszcze kwestia Chin. Amerykańskie laboratoria mogą dobrowolnie zwalniać tempo, ale nie mają gwarancji, że konkurenci w innych krajach zrobią to samo. Amodei mówi o tym wprost, argumentując, że każdy przestój musi uwzględniać dystans technologiczny między USA a Chinami.

To sprawia, że trwałe, globalne wstrzymanie jest mało realne. Presja konkurencyjna nie zniknęła tylko dlatego, że dyskusja o bezpieczeństwie stała się głośniejsza.

Ryzyka po obu stronach

Inwestorzy nie powinni wyciągać zbyt daleko idących wniosków z poniedziałkowej wyprzedaży. Czołowe laboratoria mówią o spowolnieniu tempa zwiększania możliwości, a nie o porzuceniu AI. OpenAI wciąż dąży do stworzenia zautomatyzowanych „badaczy” AI, a Anthropic nadal przekonuje, że zaawansowana AI może przynieść ogromne korzyści gospodarcze i naukowe.

Istnieje też ryzyko po drugiej stronie. Jeśli dobrowolne hamowanie okaże się niemożliwe, ponieważ konkurenci wciąż będą posuwać się naprzód, obecna debata może przełożyć się głównie na więcej testów i regulacji, a nie na rzeczywiste spowolnienie popytu na moc obliczeniową.

Warto więc wypatrywać praktycznych sygnałów: opóźnień w realizacji dużych programów trenowania modeli, cięć wydatków kapitałowych u największych dostawców chmury, spowolnienia napływu zamówień na zaawansowane układy scalone oraz dowodów, że wydatki przesuwają się w stronę wnioskowania, oprogramowania i bezpieczeństwa.

Poradnik inwestora:

• Oddziel trenowanie od wykorzystania. Wolniejsze tempo na samym froncie rozwoju nie oznacza automatycznie niższego popytu na każdą część ekosystemu AI.
• Obserwuj nakłady inwestycyjne. Budżety hiperskalerów dają lepszy sygnał o popycie niż nagłówki o opóźnieniu premiery pojedynczego modelu.
• Śledź źródła przychodów. Rosnące wpływy z wnioskowania i oprogramowania sugerują, że AI przesuwa się z budowy infrastruktury w stronę komercyjnego wykorzystania.
• Uważaj na nadmierną koncentrację. Portfel silnie wystawiony na jedną warstwę stosu AI staje się bardziej wrażliwy, gdy branża zmienia priorytety wydatkowe.

Od większego do lepszego

W ostatnich latach wyścig w dziedzinie AI sprowadzano głównie do jednego pytania: kto zbuduje kolejny, najpotężniejszy model? Coraz częściej warto będzie zadać inne: kto potrafi zarobić najwięcej na inteligencji, którą już mamy?

Wolniejsze tempo na froncie rozwoju podważa najprostszy wariant tezy inwestycyjnej, w której coraz większe modele automatycznie wymagają coraz więcej układów scalonych, energii i centrów danych. Nie musi to jednak osłabiać samej AI. Może przesunąć ciężar branży z tworzenia inteligencji na jej wdrażanie, zabezpieczanie i monetyzację.

Pierwszy wyścig w AI dotyczył budowy „największego mózgu”. Kolejny może polegać na przekształceniu tego mózgu w trwały, dochodowy biznes.