Краткое содержание анализа
В последнее время в индустрии ИИ началась “гонка за средствами”, однако многие компании используют показатель эффективности (KPI) в виде количества потребленных токенов (количество текста/данных, обрабатываемых ИИ). Такой подход, ориентированный исключительно на количество, а не на качество, аналогичен попытке оценить уровень кулинара по количеству потребленного газа. Огромные средства тратятся на бесполезные проекты ИИ, и в конечном итоге компании, которые слепо следовали трендам, не учитывая реальную эффективность инвестиций, начинают осознавать свои ошибки и пересматривать целесообразность вложений в ИИ.
I. Гонка за средствами в ИИ: куда действительно уходят деньги?
Траты на ИИ не являются бессмысленными, но многие из них направлены в следующие области:
1. Затраты на вычислительные ресурсы: тренировка крупных моделей требует суперкомпьютеров (например, кластеров GPU), и один такой процесс может стоить миллионов или даже десятков миллионов долларов. Например, тренировка GPT-4 в OpenAI, по сообщениям, обошлась в сотни миллионов долларов – это стоимость нескольких частных самолетов; большая часть этих средств уходит на электроэнергию и износ оборудования (GPU при выполнении вычислений сильно нагреваются, поэтому требуется специальная система охлаждения).
2. Затраты на персонал: зарплаты ИИ-инженеров очень высоки; для привлечения талантливых специалистов компании предлагают дополнительные льготы (бонусы, опционы на акции). Затраты на персонал могут составлять более 30% от общих инвестиций.
3 Покупка данных: для тренировки ИИ необходимо огромное количество данных (изображений, текста, видео). Некоторые компании покупают низкокачественные данные за высокую цену (повторяющийся контент и т. д.), в результате чего полученные модели оказываются бесполезными.
Проблема в том, что многие компании не получают желаемых результатов от своих инвестиций: их ИИ-продукты выглядят импозантно, но пользователи после первого использования больше не возвращаются к ним или они вообще не решают реальных проблем.
II. Использование количества токенов как KPI: почему это самая дорогая шутка в мире?
Токены – это минимальные единицы данных, обрабатываемых ИИ. Некоторые компании используют их количество в качестве показателя эффективности, например:
- Оценка кулинара по количеству потребленного газа (независимо от качества приготовленной еды);
- Оценка работника шахты по времени, затраченному на выполнение работы (независимо от объема добытого угля).
Такой подход приводит к бессмысленным действиям: сотрудники заставляются задавать ИИ одни и те же вопросы или генерировать бессмысленный текст, что приводит к потреблению большого количества токенов без реальной пользы для бизнеса. В результате компании обнаруживают, что миллионы долларов были потрачены впустую.
III. Компании, слепо следовавшие трендам, начинают осознавать ошибки
Под “компаниями-следователями трендов” понимаются те, которые инвестируют в ИИ без учета собственных потребностей и возможностей. Например:
- Традиционные производственные компании, занимающиеся производством одежды, строят лаборатории ИИ, но полученные системы не способны создавать качественные дизайны;
- Малые компании, испытывающие финансовые трудности, берут кредиты на покупку оборудования для тренировки ИИ, но в итоге просто обанкротятся.
Теперь, когда стали очевидны последствия бездумных инвестиций, эти компании начинают пересматривать свою стратегию и сосредотачиваться на реальных решениях, направленных на повышение эффективности производства.
IV. “Охлаждение” индустрии ИИ: хорошо это или плохо?
В краткосрочной перспективе снижение активности в индустрии ИИ может привести к закрытию некоторых компаний, зависящих от финансирования. Однако в долгосрочной перспективе это положительно:
1. Устранение бесполезных проектов: многие ИИ-компании ранее получали финансирование на основе обещаний, теперь они должны предоставить реальные продукты и доходы; выживут только те, у кого есть серьезные технологии и способность решать реальные проблемы.
2 Возвращение к сути: ценность ИИ заключается не в количестве потребленных ресурсов, а в его способности помогать пользователям. Например, ИИ может использоваться для анализа медицинских данных, индивидуальной подготовки студентов или предсказания неисправностей оборудования на производстве.
3 Сокращение отходов: компании перестанут тратить средства на бессмысленные проекты и сосредоточатся на реальных решениях, что позволит ИИ стать эффективным инструментом для повышения производительности.
V. Как должны относиться обычные люди к этому “охлаждению” индустрии ИИ?
Для большинства пользователей ситуация не изменилась:
- Полезные ИИ-продукты (например, помощники, переводчики, медицинские инструменты) станут доступнее и дешевле;
- Бесполезные продукты исчезнут;
- Тем, кто хочет работать в области ИИ, следует сосредоточиться на практических решениях, а не на теоретических концепциях.
Итак, “охлаждение” индустрии ИИ – это естественный процесс, который позволит этой технологии стать более полезной и востребованной среди пользователей.