Чему нас учат прошлые технологические бумы в эпоху ИИ

История повторяется: цикл инфраструктуры

В Кремниевой долине часто любят заявлять, что их последний прорыв — нечто невиданное. Это не так. Нынешний всплеск искусственного интеллекта напоминает расширение железных дорог в 1800-х годах и бум доткомов в конце 1990-х. Мы наблюдаем масштабный сдвиг в том, как движется капитал и как централизуются вычислительные мощности. Речь идет о том, кто владеет инфраструктурой будущего. США лидируют, потому что у них самые глубокие карманы и самые агрессивные cloud-провайдеры. История показывает: те, кто контролирует пути или оптоволоконные кабели, в конечном итоге диктуют условия всем остальным. ИИ — не исключение. Он следует проторенным путем: сначала создание инфраструктуры, затем быстрая консолидация. Понимание этой модели помогает видеть сквозь хайп и определять, где на самом деле сосредоточена власть в этом новом цикле. Главный вывод прост: мы строим не просто более умное ПО. Мы создаем новую утилиту, которая станет такой же фундаментальной, как электричество или интернет. Победителями станут те, кто контролирует физическое оборудование и огромные массивы данных, необходимые для работы этих систем.

От стальных рельсов к нейронным сетям

Чтобы понять ИИ сегодня, посмотрите на бум американских железных дорог. В середине 1800-х годов колоссальные объемы капитала были вложены в прокладку путей по всему континенту. Многие компании обанкротились, но рельсы остались. Эти пути заложили фундамент для следующего столетия экономического роста. ИИ сейчас находится на этапе «прокладки путей». Вместо стали и пара мы используем кремний и электричество. Огромные инвестиции от таких компаний, как Microsoft и Google, создают вычислительные кластеры, которые будут поддерживать все остальные отрасли. Это классическая игра на инфраструктуре. Когда технология требует огромного капитала для старта, она естественным образом благоприятствует крупным, устоявшимся игрокам. Вот почему несколько фирм в США доминируют в этой области. У них есть деньги на покупку чипов и земли для строительства дата-центров. У них также есть существующие базы пользователей для тестирования моделей в масштабе. Это создает петлю обратной связи: крупнейшие игроки получают больше данных, что улучшает их модели, а это привлекает еще больше пользователей.

Люди часто ошибаются, считая ИИ отдельным продуктом. Точнее будет рассматривать его как платформу. Подобно тому, как интернету потребовалась [external-link] история интернета, чтобы превратиться из военного проекта в глобальную утилиту, ИИ переходит из исследовательских лабораторий в основу бизнес-процессов. Этот переход происходит быстрее, чем в предыдущих циклах, потому что сеть дистрибуции уже существует. Нам не нужно прокладывать новые кабели, чтобы добраться до пользователей. Нам просто нужно обновить серверы в конце линий. Эта скорость делает текущий момент особенным, даже если базовые экономические паттерны нам знакомы. Концентрация власти — это особенность данного этапа, а не ошибка. История подсказывает: как только инфраструктура готова, фокус смещается со строительства систем на извлечение из них выгоды. Мы приближаемся к этой поворотной точке прямо сейчас.

Преимущество американского капитала

Глобальное влияние ИИ напрямую связано с тем, кто оплачивает счета. Прямо сейчас это в основном США. Глубина американских рынков капитала позволяет идти на такой уровень риска, с которым другим регионам сложно сравниться. Это создает значительный разрыв в силе платформ. Когда горстка компаний контролирует cloud, они фактически устанавливают правила игры для всех остальных. Это имеет глубокие последствия для национального суверенитета и глобальной конкуренции. Страны, у которых нет собственной вычислительной инфраструктуры крупного масштаба, вынуждены арендовать ее у американских провайдеров. Это создает новый вид зависимости. Речь уже не просто о лицензиях на ПО. Речь о доступе к вычислительной мощности, необходимой для работы современной экономики. Эта централизация власти — повторяющаяся тема в истории технологий.

Есть три основные причины, почему эта власть остается сосредоточенной в нескольких руках:

• Стоимость обучения передовой модели сейчас достигает миллиардов долларов.
• Специализированное оборудование производится очень малым числом производителей.
• Огромные энергетические потребности дата-центров благоприятствуют регионам со стабильными и дешевыми энергосетями.

Эта реальность противоречит идее о том, что ИИ станет великим уравнителем. Хотя инструменты становятся более доступными для частных лиц, базовый контроль остается более консолидированным, чем когда-либо. Правительства начинают замечать этот дисбаланс. Они изучают исторические прецеденты, такие как [external-link] Закон Шермана об антимонопольной деятельности, чтобы понять, могут ли старые законы справиться с новыми монополиями. Однако скорость индустрии сейчас опережает политику. К тому времени, как закон обсуждается и принимается, технология часто уходит на два поколения вперед. Это создает постоянное отставание, при котором закон всегда реагирует на реальность, которая уже изменилась.

Когда ПО движется быстрее закона

Реальное влияние этой скорости заметно в том, как бизнес вынужден адаптироваться. Рассмотрим день из жизни небольшой маркетинговой фирмы в Чикаго. Пять лет назад они нанимали младших авторов для написания текстов и исследователей для поиска трендов. Сегодня владелец использует одну подписку на ИИ-платформу, чтобы справляться с семьюдесятью процентами этой нагрузки. Утро начинается с ИИ-сводки глобальных рыночных сдвигов. К полудню система подготовила тридцать различных вариантов рекламы на основе этих данных. Человеческий персонал теперь выступает в роли редакторов и стратегов, а не создателей. Этот сдвиг происходит во всех секторах, от права до медицины. Это повышает эффективность, но также создает огромную зависимость от провайдера платформы. Если провайдер меняет цены или условия обслуживания, у маркетинговой фирмы нет иного выбора, кроме как подчиниться. Они интегрировали инструмент настолько глубоко в свой рабочий процесс, что не могут легко вернуться к ручному труду.

Этот сценарий показывает, почему политика с трудом поспевает за прогрессом. Регуляторы все еще беспокоятся о конфиденциальности данных и авторских правах, в то время как индустрия уже движется к автономным агентам, способным принимать финансовые решения. Индустриальная скорость разработки ИИ обусловлена гонкой за долю рынка. Компании готовы ломать вещи сейчас и чинить их потом, потому что быть вторым в инфраструктурной гонке — часто то же самое, что быть последним. Мы видели это во время браузерных войн и подъема социальных сетей. Победители — те, кто двигается достаточно быстро, чтобы стать стандартом по умолчанию. Как только вы стали стандартом, вас очень трудно вытеснить. Это создает ситуацию, когда общественные интересы часто вторичны по отношению к стремлению к масштабу. Противоречие в том, что мы хотим преимуществ технологии, но опасаемся власти, которую она дает нескольким корпорациям.

Последний анализ индустрии ИИ на [internal-link] latest AI industry analysis предполагает, что мы входим в фазу глубокой интеграции. Это этап, когда технология перестает быть новинкой и становится требованием. Для бизнеса не использовать ИИ скоро будет так же, как не использовать интернет в 2010 году. Это может быть возможно, но невероятно неэффективно. Это давление с целью адаптации и движет быстрым ростом, даже когда долгосрочные последствия неясны. Мы наблюдаем повторение начала 2000-х, когда компании спешили выйти в онлайн, не до конца понимая риски безопасности или конфиденциальности. Разница сегодня в том, что масштаб намного больше, а ставки выше. Системы, которые мы строим сейчас, вероятно, будут определять, как мы работаем и общаемся в ближайшие несколько десятилетий.

Сложные вопросы для вычислительной эры

Мы должны применить сократовский скептицизм к текущему буму. Каковы скрытые издержки этого быстрого расширения? Самое очевидное — воздействие на окружающую среду. [external-link] Отчет Международного энергетического агентства о дата-центрах подчеркивает, сколько энергии потребляют эти системы. По мере строительства новых дата-центров мы создаем большую нагрузку на стареющие энергосети. Кто платит за эту инфраструктуру? Компании, зарабатывающие миллиарды, или налогоплательщики, которые делят эту сеть? Есть также вопрос о труде по обработке данных. Эти модели обучаются на коллективном продукте человечества, часто без согласия или компенсации. Справедливо ли, что несколько компаний приватизируют ценность публичных данных? Нам нужно спросить, кто на самом деле выигрывает от этой эффективности. Если задача, которая занимала десять часов, теперь занимает десять минут, получает ли работник больше свободного времени или он просто получает в десять раз больше работы?

Конфиденциальность — еще одна область, где издержки часто скрыты. Чтобы сделать ИИ более полезным, мы даем ему больше доступа к нашей личной и профессиональной жизни. Мы обмениваем наши данные на удобство. История показывает: как только конфиденциальность утрачена, вернуть ее почти невозможно. Мы видели это с развитием интернета, поддерживаемого рекламой. То, что начиналось как способ поиска информации, превратилось в глобальную систему слежки. ИИ имеет потенциал зайти еще дальше. Если ИИ знает, как вы думаете и как работаете, он может влиять на ваши решения способами, которые трудно обнаружить. Это не просто технические проблемы. Это социальные и этические дилеммы, требующие большего, чем просто программный патч. Мы должны решить, стоит ли скорость прогресса потери индивидуальной автономии. Ответы на эти вопросы определят, в каком обществе мы будем жить, когда бум ИИ перейдет в зрелую фазу.

Механика уровня моделей

Для тех, кто смотрит на техническую сторону, фокус смещается с размера модели на интеграцию в рабочие процессы. Мы видим отход от массивных моделей общего назначения к более мелким, специализированным, которые могут работать на локальном оборудовании. Это ответ на высокие затраты и задержки cloud-based API. Продвинутые пользователи все чаще ищут способы обойти ограничения, налагаемые основными провайдерами. Это включает управление лимитами API и поиск способов хранения данных локально для обеспечения конфиденциальности и скорости. Интеграция ИИ в существующие инструменты — это то, где происходит реальная работа. Речь не о чате с ботом. Речь о модели, которая может читать ваши локальные файлы, понимать ваш специфический стиль кодинга и предлагать изменения в реальном времени. Это требует иного типа архитектуры, чем та, что используется для публичных веб-инструментов.

Технические вызовы на ближайшие несколько лет включают:

• Оптимизацию моделей для работы на потребительских GPU без значительной потери точности.
• Разработку лучших способов обработки долговременной памяти в ИИ-агентах, чтобы они могли помнить контекст неделями или месяцами.
• Создание стандартизированных протоколов для взаимодействия различных ИИ-систем друг с другом.

Мы также наблюдаем рост *local inference* как способа сохранения контроля над конфиденциальными данными. Запуская модели на локальной машине, пользователь может гарантировать, что его проприетарная информация никогда не покинет здание. Это особенно важно для таких отраслей, как право и финансы, где безопасность данных имеет первостепенное значение. Однако локальное оборудование все еще отстает от массивных кластеров, принадлежащих cloud-гигантам. Это создает двухуровневую систему. Самые мощные модели останутся в облаке, в то время как более эффективные, менее способные версии будут работать локально. Баланс между этими двумя мирами — следующий большой вызов для разработчиков. Они должны решить, когда использовать сырую мощь облака, а когда отдавать приоритет конфиденциальности и скорости локальных вычислений. Это техническое напряжение будет двигать инновации в ближайшие годы.

У вас есть история об ИИ, инструмент, тренд или вопрос, который, по вашему мнению, мы должны осветить? Пришлите нам свою идею статьи — мы будем рады ее услышать.

Незаконченная история масштаба

История технологий — это история консолидации. От железных дорог до интернета мы видим паттерн взрыва, за которым следует контроль. ИИ сейчас находится в середине этого цикла. Американский аспект доминирует, потому что ресурсы, необходимые для этого этапа роста, сосредоточены там. Однако история еще не закончена. По мере созревания технологии мы увидим новые вызовы этой платформенной власти. Произойдет ли это из-за регулирования, новых технических прорывов или сдвига в том, как мы оцениваем свои данные — еще предстоит увидеть. Главный вопрос в том, сможем ли мы наслаждаться преимуществами этой новой инфраструктуры, не отказываясь от конкуренции и конфиденциальности, которые делают экономику здоровой. Мы строим фундамент следующего столетия. Нам следует быть очень осторожными с тем, кто держит от него ключи.

Примечание редактора: Мы создали этот сайт как многоязычный центр новостей и руководств по ИИ для людей, которые не являются компьютерными гиками, но все же хотят понять искусственный интеллект, использовать его с большей уверенностью и следить за будущим, которое уже наступает.