Świat niewiadomych

W tym miesiącu inwestycje w sztuczną inteligencję zostały poddane ocenie rzeczywistości, podczas gdy postęp technologiczny utrzymuje nadzieje na wysokim poziomie. Ale organy regulacyjne nigdy nie śpią, a Europejski Bank Centralny przygląda się teraz wpływowi sztucznej inteligencji na inflację i politykę pieniężną. W tym miesiącu skupiamy się na tym, jak bardzo połączony jest świat sztucznej inteligencji i główne kwestie z nim związane.

Weryfikacja rzeczywistości: Luka inwestycyjna w AI wynosząca 500 miliardów dolarów

Sektor sztucznej inteligencji (AI) charakteryzuje się wzniosłymi pomysłami i wieloma  wschodzącymi firmami. Ponieważ jednak nie jest jasne, czy firmy te odniosą sukces - w najlepszym przypadku wywracając ustalony krajobraz korporacyjny do góry nogami, a w najgorszym upadając i niszcząc zainwestowany kapitał - krajobraz sztucznej inteligencji w dużej mierze opiera się na kapitale wysokiego ryzyka. Nic więc dziwnego, że uszy kłują, gdy jeden z największych na świecie inwestorów venture capital zaczyna zastanawiać się, czy wszystkie inwestycje w sztuczną inteligencję są uzasadnione i czy kiedykolwiek zostaną nagrodzone przyzwoitym zwrotem. Sequoia, zajmująca pierwsze miejsce wśród wszystkich globalnych funduszy venture capital według Dealroom, odnowiła swoją analizę z września 2023 r. dotyczącą luki między oczekiwaniami sprzedaży AI a faktycznym wzrostem sprzedaży AI, stwierdzając, że luka 125 miliardów dolarów ma teraz stać się luką 500 miliardów dolarów.

Obliczenia wyglądają następująco: na każdego dolara wydanego na procesor graficzny (GPU), około jednego dolara trzeba wydać na koszty energii potrzebnej do uruchomienia GPU w centrum danych, co oznacza, że wydatki wynoszą dwa dolary na GPU. Użytkownik końcowy procesora graficznego musi również uzyskać marżę, zakładaną na poziomie 50% ceny końcowej, co zwiększa całkowite koszty do czterech dolarów. Oznacza to, że za każdy rok nakładów inwestycyjnych na GPU należy wygenerować przychód w wysokości czterech dolarów, aby zwrócić początkową inwestycję kapitałową. Jeśli więc, na przykład, Nvidia ma ze sprzedaży 50 miliardów dolarów przychodów z GPU, prowadzenie centrum danych kosztuje 100 miliardów dolarów. Dodając marżę użytkowników końcowych w wysokości 50%, oznacza to, że w przypadku inwestycji w GPU potrzebny jest przychód w wysokości 200 miliardów dolarów, aby zwrócić początkową inwestycję kapitałową, szacowaną na wrzesień 2023 roku. Nawet jeśli duże firmy technologiczne i inne firmy związane ze sztuczną inteligencją byłyby w stanie wygenerować część tych wydatków, obecnie jesteśmy daleko od zamknięcia luki inwestycyjnej - co skutkuje luką w wysokości 500 miliardów dolarów, według Davida Cahna z Sequoia.

Wysokie początkowe koszty inwestycji nie są niczym nowym i stanowią nieodłączną część rewolucyjnych wynalazków. Problem z rozwojem sztucznej inteligencji polega na tym, że dzisiejsza najnowocześniejsza technologia szybko staje się przestarzała, co oznacza, że dla niektórych inwestycje mogą nigdy się nie zwrócić.

Postęp w modelach sztucznej inteligencji: Nieustannie zmieniający się świat sztucznej inteligencji

Rzeczywiście, tempo rozwoju technologii AI jest niesamowite. Kolejny kamień milowy został niedawno osiągnięty przez firmę Meta, która wydała wstępnie wytrenowane modele z podejściem opartym na wielu tokenach. Ale co czyni je tak rewolucyjnymi?

Obecnie dostępne duże modele językowe (LLM) uczą się tokenów pojedynczo, tj. jednej jednostki tekstu, która jest używana do reprezentowania słowa lub symbolu, takiego jak kropki lub spacje. Z drugiej strony, model wielotokenowy może bezpośrednio zrozumieć i przewidzieć całe zdanie. Dobrym przykładem ilustrującym tę sytuację jest orkiestra. Każdy instrument gra pięknie samodzielnie (obecny standardowy LLM), ale to, co jest naprawdę fascynujące, to wzajemne oddziaływanie wszystkich instrumentów razem (LLM z wieloma tokenami). Oczywiście nie ogranicza się to tylko do zdań. Złożone formuły można również uzyskać na przykład w kilka sekund. Jakie są tego korzyści? Szybsze i bardziej wydajne wyniki, które wymagają mniej mocy obliczeniowej. Obecnie dostępne modele mogą przewidywać cztery tokeny jednocześnie, osiągając wyniki o około 15% lepsze niż porównywalne LLM i generując wyniki trzy razy szybciej.

Modele Meta są dostępne jako open source; są one dostępne dla naukowców i programistów bezpłatnie, dzięki czemu mogą oni badać i dalej rozwijać technologię stojącą za modelem. Jest to dobry sposób na wprowadzanie innowacji, ale sprowadza nas z powrotem do początku naszej luki inwestycyjnej w wysokości miliarda dolarów.

Regulatorzy nigdy nie śpią

Ale AI nie jest pozostawiona sama sobie. Cóż, do pewnego stopnia tak jest. Microsoft, który zainwestował 13 miliardów dolarów w OpenAI, zrezygnował z fotela obserwatora w OpenAI w nadziei na złagodzenie obaw dotyczących zakresu jego kontroli nad startupem. Amerykańska Federalna Komisja Handlu (FTC) i Departament Sprawiedliwości prowadzą obecnie dochodzenie antymonopolowe w sprawie dużych firm technologicznych i ich relacji z firmami zajmującymi się sztuczną inteligencją.

Pojawia się również pytanie, czy w przyszłości będziemy dążyć do większej czy mniejszej koncentracji, scenariusze poruszone przez Erika Brynjolfssona i Gabriela Ungera. Czy tylko niektóre duże firmy i ich partnerzy biznesowi będą w stanie rozwijać zastrzeżoną sztuczną inteligencję, ponosząc początkowe koszty inwestycyjne i koszty uruchamiania modeli sztucznej inteligencji? Czy też będziemy żyć w świecie modeli AI typu open-source firm nastawionych na zysk, organizacji non-profit, środowisk akademickich i indywidualnych programistów, w którym wszyscy będą czerpać zyski?

Wpływ sztucznej inteligencji na politykę pieniężną

I wreszcie, sztuczna inteligencja wpłynie nie tylko na rynek pracy czy produktywność, ale także na politykę pieniężną, wpływając na inflację, politykę pieniężną i stopy procentowe, jak wyjaśnił w przemówieniu Piero Cipollone, członek zarządu Europejskiego Banku Centralnego:

1. Inflacja

Presja w dół

• Zmniejszone ryzyko niedoboru siły roboczej i presja na obniżenie wzrostu jednostkowych kosztów pracy, jeśli efektem netto sztucznej inteligencji będzie zastąpienie siły roboczej i zwiększenie produktywności.
• Spadek cen energii dzięki lepszemu zarządzaniu siecią i bardziej efektywnemu zużyciu energii po stronie podaży oraz lepszym narzędziom do porównywania cen po stronie popytu.

Presja w górę

• Wzrost cen energii spowodowany wyższym globalnym popytem na energię ze względu na wymaganą moc obliczeniową
• Dyskryminacyjne ustalanie cen poprzez ułatwienie analizy popytu i elastyczności cenowej konsumentów w czasie rzeczywistym

2. Przekaz polityki pieniężnej

• Jeśli sztuczna inteligencja doprowadzi do wzrostu pośrednictwa poza sektorem bankowym, transmisja polityki pieniężnej może być szybsza, ponieważ podmioty niebędące bankami silniej reagują na środki polityki pieniężnej wpływające na długoterminowe stopy procentowe, takie jak skup aktywów. Mają one wyższe ryzyko kredytowe, płynności i czasu trwania w porównaniu z sektorem bankowym, co wpływa na krańcową skłonność ludzi do konsumpcji i ich dostęp do kredytów.

3. Stopy procentowe

Presja w dół

• Przemieszczenie siły roboczej i rosnące nierówności dochodowe prowadzą do wzrostu oszczędności przezornościowych, a następnie do zwiększenia podaży funduszy pożyczkowych.

Presja w górę

• Wzrost produktywności i produkcji prowadzi do większego popytu na inwestycje kapitałowe i rozbudowę zdolności produkcyjnych.

Jednak dla Europejskiego Banku Centralnego nie jest jeszcze jasne, które efekty będą dominować. Ogólnie rzecz biorąc, wiele jest jeszcze niejasnych w świecie sztucznej inteligencji. Ale to właśnie sprawia, że jest on tak fascynujący. Podsumowując w języku EBC, musimy pozostać czujni.

Materiał źródłowy: https://think.ing.com/articles/ai-monthly-the-world-of-the-unknown/