Η κούρσα της ΑΙ: Από τα μεγαλύτερα μοντέλα στα φθηνότερα και εξυπνότερα συστήματα

Τα τελευταία δύο χρόνια, η κούρσα της τεχνητής νοημοσύνης ήταν εύκολο να αξιολογηθεί: μεγαλύτερα μοντέλα, καλύτερες επιδόσεις στα benchmarks και νικητής όποια εταιρεία μπορούσε να ισχυριστεί ότι προηγείται – τουλάχιστον μέχρι την επόμενη κυκλοφορία. Αυτός ο τρόπος αξιολόγησης αρχίζει πλέον να δείχνει ελλιπής.

Καθώς οι εταιρείες περνούν από τη δοκιμή της τεχνητής νοημοσύνης στην αξιοποίησή της σε πραγματικά προϊόντα και επιχειρησιακές διαδικασίες, το ζητούμενο δεν είναι πλέον η πρόσβαση στο καλύτερο μοντέλο, αλλά στο μοντέλο που ταιριάζει καλύτερα σε μια συγκεκριμένη εργασία, με το κατάλληλο κόστος, τα απαραίτητα δεδομένα και στο επιθυμητό περιβάλλον λειτουργίας.

Αυτή η μετατόπιση ανοίγει το δρόμο για ένα νέο είδος ανταγωνισμού στην τεχνητή νοημοσύνη, που επικεντρώνεται λιγότερο στο μέγεθος των μοντέλων και περισσότερο στη δρομολόγηση, το κόστος, τον έλεγχο και την υπολογιστική ισχύ.

«Το ίδιο το μοντέλο δεν αποτελεί πλέον το προϊόν», δήλωσε στο CNBC ο διευθύνων σύμβουλος της Perplexity, Aravind Srinivas. «Το προϊόν είναι το πλαίσιο λειτουργίας, το σύστημα ενορχήστρωσης που ενσωματώνει το μοντέλο σε ένα ιδιαίτερα ικανό περιβάλλον και το συνδυάζει με πολλά εργαλεία».

Αυτό σημαίνει ότι τα προϊόντα τεχνητής νοημοσύνης εξελίσσονται σε συστήματα που μπορούν να αποφασίζουν ποιο μοντέλο θα χρησιμοποιήσουν, πότε θα το χρησιμοποιήσουν και ποια εξωτερικά εργαλεία ή εταιρικές πηγές δεδομένων είναι απαραίτητα. Μια εργασία εξυπηρέτησης πελατών, για παράδειγμα, μπορεί να μη χρειάζεται το ακριβότερο μοντέλο. Ένα σύνθετο πρόβλημα προγραμματισμού μπορεί να το απαιτεί. Μια εσωτερική διαδικασία ρουτίνας μπορεί να εκτελείται σε ένα φθηνότερο ανοικτό μοντέλο, ενώ ένα πιο απαιτητικό στάδιο να ανατίθεται σε ένα ισχυρότερο.

«Η απάντηση είναι πάντα να χρησιμοποιείς ό,τι είναι καλύτερο για τη συγκεκριμένη εργασία», είπε ο Srinivas.

Η εμφάνιση εναλλακτικών μοντέλων έρχεται σε μια περίοδο κατά την οποία οι αμερικανικές επιχειρήσεις περιορίζουν τις δαπάνες τους για την τεχνητή νοημοσύνη και δημιουργεί μια ακόμη πρόκληση για τις OpenAI και Anthropic, οι οποίες άνθησαν τα τελευταία χρόνια διαθέτοντας τις πλέον προηγμένες τεχνολογίες.

Η Perplexity παρουσίασε αυτή την εβδομάδα ένα νέο σύστημα για το προϊόν χειρισμού υπολογιστών που βασίζεται στο GLM 5.2, ένα ανοικτό μοντέλο της κινεζικής Z.ai. Το σύστημα έχει σχεδιαστεί ώστε ένα φθηνότερο μοντέλο να εκτελεί το μεγαλύτερο μέρος της εργασίας και να καλεί ένα ισχυρότερο μόνο όταν αυτό είναι απαραίτητο.

Η προσέγγιση αυτή αντικατοπτρίζει μια ευρύτερη μεταβολή στην αγορά. Τα μοντέλα ανοικτών βαρών (open-weight models), τα οποία μπορούν να μεταφορτωθούν, να προσαρμοστούν και να λειτουργήσουν από τις ίδιες τις επιχειρήσεις, γίνονται ολοένα και πιο ικανά. Παράλληλα, είναι φθηνότερα στη λειτουργία από τα κορυφαία ιδιόκτητα μοντέλα των μεγαλύτερων εργαστηρίων τεχνητής νοημοσύνης.

Ο γενικός εταίρος της Benchmark, Peter Fenton, εκτίμησε ότι η μεταβολή αυτή θα μπορούσε να είναι εντυπωσιακή.

«Μια ίσως αντισυμβατική άποψη που σταδιακά γίνεται κοινή πεποίθηση είναι η εκτίμησή μας ότι πάνω από το 90% των tokens που θα δημιουργούνται θα προέρχονται από μοντέλα ανοικτών βαρών μέσα στους επόμενους 18 έως 24 μήνες, ίσως ακόμη και έως το τέλος του έτους», δήλωσε στο CNBC.

Τα tokens είναι οι μονάδες δεδομένων που επεξεργάζονται και παράγουν τα μοντέλα τεχνητής νοημοσύνης.

«Τα περιθώρια κέρδους από τη διαδικασία εξαγωγής συμπερασμάτων που απολαμβάνουν σήμερα οι εταιρείες των κορυφαίων μοντέλων θα δεχθούν πιέσεις, όταν θα μπορείς να εκτελείς τις ίδιες λειτουργίες χωρίς το επιπλέον περιθώριο που χρεώνουν, χρησιμοποιώντας αρκετά καλά ανοικτά μοντέλα», ανέφερε ο Fenton.

Ο ίδιος πρόσθεσε ότι η στροφή προς τα ανοικτά μοντέλα δεν αφορά μόνο τη μείωση του κόστους. Σε ορισμένες περιπτώσεις, μικρότερα μοντέλα προσαρμοσμένα σε συγκεκριμένες εργασίες είναι ταχύτερα και αποδίδουν καλύτερα από μεγαλύτερα μοντέλα γενικής χρήσης.

«Το πού και το πώς λειτουργεί»

Αυτός είναι ένας από τους λόγους για τους οποίους η Benchmark επένδυσε στην Ollama, μια εταιρεία που διευκολύνει προγραμματιστές και επιχειρήσεις να κατεβάζουν, να εκτελούν και να διαχειρίζονται ανοικτά μοντέλα.

«Ένα θέμα είναι από πού προέρχεται το μοντέλο και πού δημιουργήθηκε και εκπαιδεύτηκε», δήλωσε ο διευθύνων σύμβουλος της Ollama, Jeff Morgan. «Όμως το σημαντικότερο για τις επιχειρήσεις με τις οποίες συνεργαζόμαστε είναι το πού εκτελείται και ο τρόπος με τον οποίο λειτουργεί».

Ο Morgan ανέφερε ότι η Ollama χρησιμοποιείται πλέον από περισσότερες από το 85% των εταιρειών του Fortune 500, συμπεριλαμβανομένων επιχειρήσεων σε αυστηρά ρυθμιζόμενους κλάδους, όπως η αεροπορία, οι ασφαλίσεις και η υγειονομική περίθαλψη. Όπως είπε, πολλές εταιρείες ξεκινούν με μικρότερα μοντέλα που λειτουργούν κοντά στα δικά τους δεδομένα και στη συνέχεια επεκτείνονται σε μεγαλύτερα ανοικτά μοντέλα καθώς αποκτούν μεγαλύτερη εμπιστοσύνη.

Η άνοδος των ανοικτών μοντέλων δημιουργεί επίσης μια στρατηγική πρόκληση για τις Ηνωμένες Πολιτείες. Πολλά από τα πλέον ανταγωνιστικά μοντέλα ανοικτών βαρών προέρχονται από κινεζικά εργαστήρια, όπως η Z.ai και η DeepSeek. Αυτό έχει μετατρέψει την τεχνητή νοημοσύνη ανοικτού κώδικα όχι μόνο σε επιχειρηματικό ζήτημα, αλλά και σε θέμα δημόσιας πολιτικής και εθνικής ανταγωνιστικότητας.

Ο Srinivas υποστήριξε ότι οι ΗΠΑ θα πρέπει να στηρίξουν τα ανοικτά μοντέλα, επειδή καθιστούν την τεχνητή νοημοσύνη πιο προσιτή και οικονομικά προσβάσιμη.

«Αν θέλεις τα οφέλη της τεχνητής νοημοσύνης να διανεμηθούν ευρέως στις μικρές επιχειρήσεις της Αμερικής και των συμμάχων της, τότε η τεχνητή νοημοσύνη πρέπει να γίνει πολύ πιο προσιτή οικονομικά», δήλωσε. «Και ο ανοικτός κώδικας είναι ο μόνος τρόπος για να επιτευχθεί αυτό».

Η μεταβολή αυτή θα μπορούσε επίσης να επηρεάσει τη μαζική ανάπτυξη κέντρων δεδομένων που βρίσκεται σε εξέλιξη σε ολόκληρη τη βιομηχανία της τεχνολογίας. Η σημερινή άνθηση της τεχνητής νοημοσύνης βασίζεται στην παραδοχή ότι η ζήτηση θα συνεχίσει να κατευθύνεται προς μεγάλα κέντρα δεδομένων στο υπολογιστικό νέφος, εξοπλισμένα με προηγμένα τσιπ. Ο Srinivas εκτιμά ότι στο μέλλον μέρος της επεξεργασίας θα μπορεί να πραγματοποιείται τοπικά, στις ίδιες τις συσκευές των καταναλωτών ή των επιχειρήσεων.

Αυτό δεν θα καταργήσει την ανάγκη για κέντρα δεδομένων, αλλά ενδέχεται να οδηγήσει σε ένα πιο υβριδικό μοντέλο τεχνητής νοημοσύνης, όπου οι εργασίες ρουτίνας θα εκτελούνται τοπικά και οι πιο απαιτητικές θα αποστέλλονται σε ισχυρότερα μοντέλα στο υπολογιστικό νέφος.

Για τους επενδυτές, το βασικό ερώτημα είναι κατά πόσο τα μεγαλύτερα εργαστήρια τεχνητής νοημοσύνης θα μπορέσουν να διατηρήσουν την τιμολογιακή τους ισχύ, καθώς τα ανοικτά μοντέλα βελτιώνονται και οι επιχειρήσεις γίνονται πιο επιλεκτικές ως προς το τι χρησιμοποιούν.

CNBC