Экономическое обоснование генеративного ИИ и фундаментальных моделей

Jul 05, 2023

Искусственный интеллект был основным продуктом информатики с 1950-х годов. За прошедшие годы это также принесло много денег компаниям, способным эффективно его использовать. Однако, как мы объяснили в недавней статье для Wall Street Journal (которая является хорошей отправной точкой для более детальных аргументов, которые мы приводим здесь), большая часть этих прибылей досталась крупным действующим поставщикам (таким как Google или Meta), а не чем стартапам. До недавнего времени — с появлением генеративного искусственного интеллекта и всего, что он включает в себя — мы не видели компаний, ориентированных на искусственный интеллект, которые серьезно угрожали бы прибылям своих более крупных, устоявшихся коллег из-за прямой конкуренции или совершенно нового поведения, которое делает старые устаревшими.

Однако с генеративными приложениями ИИ и базовыми моделями (или передовыми моделями) дела обстоят совсем иначе. Невероятная производительность и быстрое внедрение в сочетании с стремительными темпами инноваций позволяют предположить, что мы можем оказаться на заре цикла, который изменит нашу жизнь и экономику на уровнях, невиданных со времен микрочипов и Интернета.

В этом посте рассматривается экономика традиционного ИИ и почему обычно бывает трудно достичь скорости убегания для стартапов, использующих ИИ в качестве основного отличительного признака (о чем мы писали ранее). Затем рассказывается, почему приложения генеративного искусственного интеллекта и крупные компании, работающие по базовой модели, выглядят совершенно по-разному и что это может означать для нашей отрасли.

Исторически проблема с ИИ заключалась не в том, что он не работает (он уже давно дает ошеломляющие результаты), а скорее в том, что он сопротивлялся построению привлекательных бизнес-моделей, ориентированных исключительно на игру, на частных рынках. Глядя на основы, нетрудно понять, почему стартапам сложно добиться хороших экономических результатов от ИИ.

Многие продукты искусственного интеллекта должны обеспечивать высокую точность даже в редких ситуациях, часто называемых «хвостом». И зачастую, хотя любая конкретная ситуация сама по себе может быть редкой, в совокупности существует множество редких ситуаций. Это важно, потому что по мере того, как случаи становятся все более редкими, уровень инвестиций, необходимых для их обработки, может резко возрасти. Это может быть извращенная экономия от масштаба, которую стартапы могут рационализировать.

Например, для создания робота, который сможет собирать вишню с точностью 80%, могут потребоваться инвестиции в размере 20 миллионов долларов, но необходимые инвестиции могут вырасти до 200 миллионов долларов, если вам нужна точность 90%. Чтобы достичь точности 95%, может потребоваться 1 миллиард долларов. Мало того, что это требует огромных первоначальных инвестиций для получения адекватного уровня точности, не слишком полагаясь на людей (иначе, какой в ​​этом смысл?), но это также приводит к уменьшению предельной прибыли на вложенный капитал. В дополнение к огромному количеству долларов, которое может потребоваться для достижения и поддержания желаемого уровня точности, растущая стоимость прогресса может служить препятствием для лидеров — они тратят деньги на исследования и разработки, в то время как быстрые последователи опираются на свои знания. и ликвидировать разрыв за небольшую часть стоимости.

Многие традиционные области проблем ИИ не особенно терпимы к неправильным ответам. Например, боты, работающие с клиентами, никогда не должны давать плохих указаний, оптическое распознавание символов (OCR) для чековых депозитов никогда не должно неправильно считывать банковские счета, и (конечно) автономные транспортные средства не должны совершать какие-либо незаконные или опасные действия. Хотя ИИ оказался более точным, чем люди, в некоторых четко определенных задачах, люди часто лучше справляются с задачами с длинным хвостом, где контекст имеет значение. Таким образом, решения на основе искусственного интеллекта часто по-прежнему используют людей для обеспечения точности, и эту ситуацию трудно масштабировать, и она часто становится обременительными затратами, которые влияют на валовую прибыль.

Человеческое тело и мозг представляют собой аналоговую машину, которая развивалась на протяжении сотен миллионов лет, чтобы ориентироваться в физическом мире. Он потребляет около 150 ватт энергии, работает на тарелке каши, неплохо справляется с проблемами в хвосте, а средняя мировая заработная плата составляет примерно 5 долларов в час. Для некоторых задач в некоторых частях мира средняя заработная плата составляет менее доллара в день.