Hva tidligere teknologibølger kan lære oss om AI

Infrastruktursyklusen gjentar seg

Silicon Valley hevder ofte at deres nyeste gjennombrudd er unikt. Det er det ikke. Den nåværende boomen innen kunstig intelligens speiler jernbaneutbyggingen på 1800-tallet og dot-com-bølgen på slutten av 90-tallet. Vi ser et massivt skifte i hvordan kapital flyter og hvordan datakraft sentraliseres. Dette handler om hvem som eier fremtidens infrastruktur. USA leder an fordi de har de dypeste lommene og de mest aggressive cloud-leverandørene. Historien viser at de som kontrollerer skinnene eller fiberkablene, til slutt dikterer premissene for alle andre. AI er ikke annerledes. Den følger en veltråkket sti av infrastrukturbygging etterfulgt av rask konsolidering. Å forstå dette mønsteret hjelper oss å se forbi hypen og identifisere hvor den virkelige makten ligger i denne nye syklusen. Hovedpoenget er enkelt. Vi bygger ikke bare smartere software. Vi bygger en ny infrastruktur som vil være like fundamental som elektrisitet eller internett. Vinnerne blir de som kontrollerer den fysiske hardwaren og de massive datasettene som kreves for å holde disse systemene i gang.

Fra stålskinner til nevrale nettverk

For å forstå dagens AI, se på den amerikanske jernbaneboomen. På midten av 1800-tallet ble enorme mengder kapital investert i å legge skinner over hele kontinentet. Mange selskaper gikk konkurs, men skinnene ble værende. Disse skinnene dannet fundamentet for det neste århundrets økonomiske vekst. AI er for øyeblikket i fasen for skinnelegging. I stedet for stål og damp bruker vi silisium og elektrisitet. De enorme investeringene fra selskaper som Microsoft og Google bygger compute-klyngene som vil støtte alle andre bransjer. Dette er et klassisk infrastrukturspill. Når en teknologi krever enorm kapital for å starte, favoriserer det naturligvis store, etablerte aktører. Dette er grunnen til at noen få firmaer i USA dominerer feltet. De har pengene til å kjøpe chips og landområdene til å bygge datasentre. De har også eksisterende brukerbaser for å teste modellene sine i stor skala. Dette skaper en feedback-loop der de største aktørene får mer data, noe som gjør modellene deres bedre, som igjen tiltrekker seg flere brukere.

Folk forveksler ofte AI med et frittstående produkt. Det er mer nøyaktig å se på det som en plattform. Akkurat som internett trengte [external-link] historien om internett for å gå fra et militært prosjekt til en global tjeneste, beveger AI seg fra forskningslaboratorier til å bli ryggraden i forretningsdrift. Overgangen skjer raskere enn i tidligere sykluser fordi distribusjonsnettverket allerede eksisterer. Vi trenger ikke legge nye kabler for å nå brukere. Vi trenger bare å oppgradere serverne i enden av linjene. Denne hastigheten er det som gjør at det nåværende øyeblikket føles annerledes, selv om de underliggende økonomiske mønstrene er kjente. Konsentrasjonen av makt er et trekk ved dette stadiet, ikke en feil. Historien antyder at når infrastrukturen er på plass, skifter fokus fra å bygge systemene til å hente ut verdi fra dem. Vi nærmer oss det vippepunktet nå.

Den amerikanske kapitalfordelen

Den globale effekten av AI er direkte knyttet til hvem som kan betale regningen. Akkurat nå er det primært USA. Dybden i amerikanske kapitalmarkeder tillater et risikonivå som andre regioner sliter med å matche. Dette skaper et betydelig gap i plattformmakt. Når en håndfull selskaper kontrollerer cloud-tjenestene, kontrollerer de i praksis spillereglene for alle andre. Dette har dype implikasjoner for nasjonal suverenitet og global konkurranse. Land som ikke har sin egen storskala compute-infrastruktur, må leie den fra amerikanske leverandører. Dette skaper en ny type avhengighet. Det handler ikke lenger bare om software-lisenser. Det handler om tilgang til prosesseringskraften som kreves for å drive en moderne økonomi. Denne sentraliseringen av makt er et gjentakende tema i teknologihistorien.

Det er tre hovedgrunner til at denne makten forblir konsentrert på få hender:

• Kostnaden ved å trene en ledende modell når nå milliarder av dollar.
• Den spesialiserte hardwaren som kreves, produseres av et svært lite antall produsenter.
• De massive energibehovene for datasentre favoriserer regioner med stabile og billige strømnett.

Denne virkeligheten motsier ideen om at AI vil være en stor utjevner. Selv om verktøyene blir mer tilgjengelige for enkeltpersoner, forblir den underliggende kontrollen mer konsolidert enn noen gang. Myndigheter begynner å legge merke til denne ubalansen. De ser på historiske presedenser som [external-link] Sherman Antitrust Act for å se om gamle lover kan håndtere nye monopoler. Industrien beveger seg imidlertid for tiden raskere enn politikken. Innen en regulering er debattert og vedtatt, har teknologien ofte beveget seg to generasjoner frem. Dette skaper et permanent etterslep der lovverket alltid reagerer på en virkelighet som allerede har endret seg.

Når software beveger seg raskere enn loven

Den reelle effekten av denne hastigheten er synlig i hvordan bedrifter tvinges til å tilpasse seg. Tenk på en dag i livet til et lite markedsføringsbyrå i Chicago. For fem år siden ansatte de junior-skribenter for å utforme tekst og researchere for å finne trender. I dag bruker eieren et enkelt abonnement på en AI-plattform for å håndtere sytti prosent av den arbeidsmengden. Morgenen starter med et AI-generert sammendrag av globale markedsskifter. Innen lunsj har systemet utformet tretti forskjellige annonsevarianter basert på disse skiftene. De menneskelige ansatte fungerer nå som redaktører og strateger i stedet for skapere. Dette skiftet skjer i alle sektorer, fra jus til medisin. Det øker effektiviteten, men det skaper også en massiv avhengighet av plattformleverandøren. Hvis leverandøren endrer prisene eller brukervilkårene sine, har markedsføringsbyrået ikke noe annet valg enn å rette seg etter det. De har integrert verktøyet så dypt i arbeidsflyten at de ikke enkelt kan gå tilbake til manuelt arbeid.

Dette scenariet viser hvorfor politikk sliter med å holde følge. Regulatorer er fortsatt bekymret for personvern og opphavsrett, mens industrien allerede beveger seg mot autonome agenter som kan ta økonomiske beslutninger. Den industrielle hastigheten i AI-utviklingen drives av et kappløp om markedsandeler. Selskaper er villige til å ødelegge ting nå og fikse dem senere fordi det å være nummer to i et infrastrukturkappløp ofte er det samme som å være sist. Vi så dette med nettleserkrigene og fremveksten av sosiale medier. Vinnerne er de som beveger seg raskt nok til å bli standarden. Når du først er standarden, er du svært vanskelig å danke ut. Dette skaper en situasjon der allmennhetens interesse ofte blir sekundær i forhold til jakten på skala. Selvmotsigelsen er at vi ønsker fordelene med teknologien, men vi er skeptiske til makten den gir til noen få selskaper.

Den nyeste analysen av AI-bransjen på [internal-link] nyeste analyse av AI-bransjen antyder at vi går inn i en fase med dyp integrasjon. Dette er hvor teknologien slutter å være en nyhet og begynner å bli et krav. For en bedrift vil det snart være som å ikke bruke internett i 2010 hvis man ikke bruker AI. Det kan være mulig, men det vil være utrolig ineffektivt. Dette presset for å ta i bruk teknologien er det som driver den raske veksten, selv når de langsiktige konsekvensene er uklare. Vi ser en gjentakelse av tidlig 2000-tall da selskaper hastet med å komme seg på nett uten å fullt ut forstå sikkerhets- eller personvernrisikoen. Forskjellen i dag er at skalaen er mye større og innsatsen høyere. Systemene vi bygger nå, vil sannsynligvis styre hvordan vi jobber og kommuniserer de neste tiårene.

Vanskelige spørsmål for compute-alderen

Vi må bruke sokratisk skepsis på den nåværende boomen. Hva er de skjulte kostnadene ved denne raske ekspansjonen? Den mest åpenbare er miljøpåvirkningen. [external-link] Rapporten fra Det internasjonale energibyrået om datasentre fremhever hvor mye strøm disse systemene forbruker. Etter hvert som vi bygger flere datasentre, legger vi mer press på aldrende strømnett. Hvem betaler for den infrastrukturen? Er det selskapene som tjener milliarder, eller skattebetalerne som deler strømnettet? Det er også spørsmålet om datakraft og arbeid. Disse modellene er trent på menneskehetens kollektive produksjon, ofte uten samtykke eller kompensasjon. Er det rettferdig at noen få selskaper privatiserer verdien av offentlige data? Vi må spørre hvem som virkelig drar nytte av denne effektiviteten. Hvis en oppgave som tok ti timer nå tar ti minutter, får arbeideren mer fritid, eller får de bare ti ganger mer arbeid?

Personvern er et annet område hvor kostnadene ofte er skjulte. For å gjøre AI mer nyttig, gir vi den mer tilgang til våre personlige og profesjonelle liv. Vi bytter dataene våre mot bekvemmelighet. Historien viser at når personvernet først er gitt opp, er det nesten umulig å få tilbake. Vi så dette med fremveksten av det annonsestøttede internettet. Det som startet som en måte å finne informasjon på, ble til et globalt overvåkningssystem. AI har potensial til å ta dette enda lenger. Hvis en AI vet hvordan du tenker og hvordan du jobber, kan den påvirke beslutningene dine på måter som er vanskelige å oppdage. Dette er ikke bare tekniske problemer. Det er sosiale og etiske dilemmaer som krever mer enn bare en software-oppdatering. Vi må bestemme oss for om hastigheten i fremgangen er verdt tapet av individuell autonomi. Svarene på disse spørsmålene vil avgjøre hvilken type samfunn vi lever i når AI-boomen har satt seg i sin modne fase.

Mekanikken i modell-laget

For de som ser på den tekniske siden, skifter fokus fra modellstørrelse til integrasjon i arbeidsflyt. Vi ser et skifte bort fra massive, generelle modeller mot mindre, spesialiserte modeller som kan kjøre på lokal hardware. Dette er et svar på de høye kostnadene og forsinkelsene ved cloud-baserte API-er. Power-brukere ser i økende grad etter måter å omgå begrensningene som er pålagt av de store leverandørene. Dette inkluderer å administrere API-rate-grenser og finne måter å lagre data lokalt for å sikre personvern og hastighet. Integrasjonen av AI i eksisterende verktøy er der det virkelige arbeidet skjer. Det handler ikke om å chatte med en bot. Det handler om å ha en modell som kan lese de lokale filene dine, forstå din spesifikke kodestil og foreslå endringer i sanntid. Dette krever en annen type arkitektur enn den som brukes for offentlige web-verktøy.

De tekniske utfordringene for de neste årene inkluderer:

• Optimalisering av modeller for å kjøre på GPU-er av forbrukerkvalitet uten å miste for mye nøyaktighet.
• Utvikling av bedre måter å håndtere langtidsminne i AI-agenter slik at de kan huske kontekst over uker eller måneder.
• Opprettelse av standardiserte protokoller for at forskjellige AI-systemer skal kunne kommunisere med hverandre.

Vi ser også en økning i *lokal inferens* som en måte å opprettholde kontroll over sensitive data. Ved å kjøre modeller på en lokal maskin, kan en bruker sikre at deres proprietære informasjon aldri forlater bygget. Dette er spesielt viktig for bransjer som jus og finans, der datasikkerhet er avgjørende. Lokal hardware henger imidlertid fortsatt etter de massive klyngene som eies av cloud-gigantene. Dette skaper et to-lags system. De kraftigste modellene vil forbli i skyen, mens mer effektive, mindre kapable versjoner vil kjøre lokalt. Å balansere disse to verdenene er den neste store utfordringen for utviklere. De må bestemme når de skal bruke råkraften i skyen og når de skal prioritere personvernet og hastigheten til lokal compute. Denne tekniske spenningen vil drive mye av innovasjonen i årene som kommer.

Har du en AI-historie, et verktøy, en trend eller et spørsmål du synes vi bør dekke? Send oss din artikkelidé — vi vil gjerne høre den.

Den uferdige historien om skala

Teknologiens historie er en historie om konsolidering. Fra jernbaner til internett ser vi et mønster av eksplosjon etterfulgt av kontroll. AI er for øyeblikket midt i denne syklusen. Den amerikanske vinklingen er dominerende fordi ressursene som kreves for dette vekststadiet er konsentrert der. Historien er imidlertid ikke over. Etter hvert som teknologien modnes, vil vi se nye utfordringer for denne plattformmakten. Om det kommer fra regulering, nye tekniske gjennombrudd eller et skifte i hvordan vi verdsetter dataene våre, gjenstår å se. Det store spørsmålet er om vi kan nyte fordelene med denne nye infrastrukturen uten å gi opp konkurransen og personvernet som gjør en sunn økonomi mulig. Vi bygger fundamentet for det neste århundret. Vi bør være svært forsiktige med hvem som holder nøklene til det.

Redaktørens merknad: Vi opprettet dette nettstedet som et flerspråklig knutepunkt for AI-nyheter og guider for folk som ikke er datanerder, men som likevel ønsker å forstå kunstig intelligens, bruke den med større selvtillit og følge fremtiden som allerede er her.