Το κυρίαρχο αφήγημα στις επενδύσεις που αφορούν την τεχνητή νοημοσύνη βασίζεται σήμερα στη δημιουργία γιγαντιαίων υποδομών, ικανών να διαχειρίζονται τεράστιους όγκους δεδομένων και να βελτιώνουν συνεχώς τις επιδόσεις των γλωσσικών μοντέλων. Η λογική αυτή στηρίζεται σε απτά αποτελέσματα: όσο μεγαλύτερη είναι η υπολογιστική ισχύς και οι διαθέσιμοι πόροι, τόσο υψηλότερη είναι συνήθως η ποιότητα των απαντήσεων και η αποτελεσματικότητα των μοντέλων.
Οι νέες «φαραωνικές» επενδύσεις, ύψους εκατοντάδων δισεκατομμυρίων δολαρίων, σε κέντρα δεδομένων και υποστηρικτικές υποδομές αποσκοπούν όχι μόνο στην ενίσχυση των δυνατοτήτων της τεχνητής νοημοσύνης, αλλά και στη συγκέντρωση της αγοράς, δημιουργώντας ιδιαίτερα υψηλά εμπόδια εισόδου για τους ανταγωνιστές.
Ωστόσο, παραμένει ανοιχτό το ερώτημα κατά πόσο αυτή η στρατηγική αντανακλά τις πραγματικές ανάγκες της αγοράς ή αποτελεί περισσότερο μια επιδίωξη των εταιρειών που υλοποιούν αυτές τις επενδύσεις. Είναι άραγε το μέλλον της τεχνητής νοημοσύνης συνυφασμένο με ολοένα μεγαλύτερα κέντρα δεδομένων και αυξανόμενες κεφαλαιουχικές δαπάνες ή μήπως η πραγματικότητα θα αποδειχθεί διαφορετική από το όραμα που έχουν διαμορφώσει οι μεγάλοι πάροχοι τεχνητής νοημοσύνης;
Είναι τόσο σημαντική η παροχή τέτοιας δυνητικής ισχύος για ένα απλό χρήστη ΑΙ; Πόσοι από εμάς θα ασχοληθούμε με την δημιουργία νέων φαρμάκων ή την ανακάλυψη σύνθετων υλικών ή την διαχείριση αχανών παραμέτρων και δεδομένων για να στείλουμε ένα διαστημόπλοιο στον Άρη; Στο πλαίσιο μιας καθημερινότητας έξω από τον επαγγελματικό χώρο οι υπολογιστικές ανάγκες μια σχετικά σύνθετης λειτουργίας (φτιάξε μου ένα πλάνο διακοπών, δώσε μου μια διάγνωση με βάση τις ιατρικές μου εξετάσεις, φτιάξε ένα κολλάζ με τις φωτογραφίες μου κλπ) είναι πολύ μικρότερες και εντός των δυνατοτήτων μιας υπολογιστικής μονάδας. Και εδώ έρχεται η πραγματική επανάσταση: Ένα μικρότερο γλωσσικό μοντέλο μπορεί εν τέλει να μην χρειάζεται όλο αυτό το κόστος και να λειτουργεί με εξίσου καλά αποτελέσματα.
Μελέτη του Πανεπιστημίου Στάνφορντ, η οποία δημοσιεύθηκε τον Μάιο, συνέκρινε τις επιδόσεις μικρών γλωσσικών μοντέλων (Small Language Models – SLMs) που εκτελούνται σε υπολογιστές γραφείου με τα μεγάλα γλωσσικά μοντέλα (Large Language Models – LLMs) που φιλοξενούνται σε μεγάλα κέντρα δεδομένων. Οι ερευνητές αξιολόγησαν τα συστήματα σε περισσότερα από ένα εκατομμύριο τεστ συνομιλίας και λογικής επεξεργασίας.
Σύμφωνα με τα αποτελέσματα, τα μικρά μοντέλα εμφάνισαν ισάξιες ή και καλύτερες επιδόσεις σε περισσότερο από το 80% των εφαρμογών, ενώ σε τομείς όπως οι πωλήσεις, η διοίκηση και η ψυχαγωγία τα ποσοστά επιτυχίας άγγιξαν το 100%. Παρότι τα μεγάλα μοντέλα εξακολουθούν να υπερέχουν στις πλέον σύνθετες εργασίες λογικής, η διαφορά επιδόσεων περιορίζεται με ταχύ ρυθμό. Πριν από δύο χρόνια, τα μικρά μοντέλα μπορούσαν να ανταγωνιστούν τα μεγάλα μόλις στο 8% των απαιτητικών εργασιών, ενώ σήμερα το ποσοστό αυτό προσεγγίζει το 50%.
Η μελέτη καταγράφει ακόμα σημαντική βελτίωση στον δείκτη «νοημοσύνη ανά βατ», ο οποίος μετρά την απόδοση ενός μοντέλου σε σχέση με την κατανάλωση ενέργειας. Η αποδοτικότητα των SLMs έχει αυξηθεί περισσότερο από πέντε φορές μέσα σε δύο χρόνια, επιτρέποντας την εκτέλεση πολλών εργασιών με κατανάλωση ενέργειας κατά 50% έως 80% χαμηλότερη σε σχέση με τα μεγάλα μοντέλα. Αυτό μεταφράζεται σε σημαντικά μικρότερο λειτουργικό κόστος.
Εάν η τάση αυτή συνεχιστεί, οι επιπτώσεις για τις εταιρείες που ηγούνται της σημερινής επανάστασης της τεχνητής νοημοσύνης ενδέχεται να είναι σημαντικές. Επιχειρήσεις όπως η OpenAI, η Anthropic και η xAI έχουν βασίσει τις αποτιμήσεις και τα επιχειρηματικά τους μοντέλα στην ανάπτυξη ολοένα μεγαλύτερων και πιο απαιτητικών υπολογιστικά συστημάτων. Η αυξανόμενη χρήση μικρότερων μοντέλων θα μπορούσε να περιορίσει τις δυνατότητες κερδοφορίας των μεγάλων παικτών, ιδιαίτερα καθώς πολλά από τα πλέον εξελιγμένα SLMs είναι διαθέσιμα ως λογισμικό ανοικτού κώδικα και μπορούν να χρησιμοποιηθούν με ελάχιστο ή μηδενικό κόστος. Και η επίδραση δεν θα περιοριστεί μόνο στις εταιρείες τεχνητής νοημοσύνης αλλά και τους μεγάλους παρόχους cloud υπηρεσιών και τους κατασκευαστές μικροεπεξεργαστών.
Αντίθετα, ευνοημένες θα μπορούσαν να βρεθούν οι εταιρείες κατασκευής προσωπικών υπολογιστών και συσκευών που διαθέτουν ισχυρές δυνατότητες τοπικής επεξεργασίας τεχνητής νοημοσύνης. Η Apple συγκαταλέγεται μεταξύ των πιθανών ωφελημένων, ενώ η πρόσφατη είσοδος της Nvidia στην αγορά των desktop AI συστημάτων ερμηνεύεται από αρκετούς αναλυτές της αγοράς ως μια στρατηγική αντιστάθμισης κινδύνου.
Το ερώτημα που αναδύεται πλέον είναι εάν το μέλλον της τεχνητής νοημοσύνης θα συνεχίσει να ανήκει στα γιγαντιαία μοντέλα και στα τεράστια κέντρα δεδομένων ή αν η επόμενη φάση της αγοράς θα χαρακτηρίζεται από μικρότερα, φθηνότερα και ενεργειακά αποδοτικότερα συστήματα που θα λειτουργούν τοπικά στις συσκευές των χρηστών. Τα μεγάλα κεντρικά συστήματα (mainframes), τα οποία κυριαρχούσαν στις πρώτες δεκαετίες της ψηφιακής εποχής, ακολούθησαν τελικά δύο παράλληλες διαδρομές. Από τη μία πλευρά, η υπολογιστική ισχύς έγινε προσιτή στο ευρύ κοινό μέσω των προσωπικών υπολογιστών, μεταφέροντας σημαντικό μέρος της επεξεργασίας στον τελικό χρήστη. Από την άλλη, τα μεγάλα συστήματα συνέχισαν να εξελίσσονται, εξυπηρετώντας επιχειρήσεις και οργανισμούς με αυξημένες απαιτήσεις σε επεξεργαστική ισχύ, αξιοπιστία και διαχείριση δεδομένων.
Κάτι αντίστοιχο ενδέχεται να συμβεί και στην τεχνητή νοημοσύνη. Τα μεγάλα γλωσσικά μοντέλα και οι υποδομές υπερκλίμακας πιθανότατα θα διατηρήσουν τον ρόλο τους σε σύνθετες επιστημονικές, επιχειρησιακές ή βιομηχανικές εφαρμογές, ενώ τα μικρότερα μοντέλα θα μεταφέρουν ολοένα και περισσότερες δυνατότητες τεχνητής νοημοσύνης στις προσωπικές συσκευές των χρηστών, μειώνοντας το κόστος και αυξάνοντας την προσβασιμότητα της τεχνολογίας. Αυτή όμως η διαφοροποίηση θα έχει αργά ή γρήγορα και τις επιπτώσεις της στην αγορά.
Διαβάστε ακόμη
Το ΔΕΟΣ μπαίνει με ψηφιακά εργαλεία σε real estate, νησιά και μεσιτικές αμοιβές
Γιάννης Αντετοκούνμπο: Το big deal με τους Μαϊάμι Χιτ και τα… ιλιγγιώδη έσοδα καριέρας (pics)
Για όλες τις υπόλοιπες ειδήσεις της επικαιρότητας μπορείτε να επισκεφτείτε το Πρώτο Θέμα