Vad tidigare tech-booms kan lära oss om AI

Infrastrukturcykeln upprepar sig

Silicon Valley hävdar ofta att deras senaste genombrott är unikt. Det är det inte. Den nuvarande vågen av artificiell intelligens speglar järnvägsutbyggnaden under 1800-talet och dotcom-boomen under slutet av 1990-talet. Vi ser en massiv förskjutning i hur kapital flödar och hur beräkningskraft centraliseras. Det handlar om vem som äger framtidens infrastruktur. USA leder eftersom de har de djupaste fickorna och de mest aggressiva molnleverantörerna. Historien visar att de som kontrollerar spåren eller fiberkablarna i slutändan dikterar villkoren för alla andra. AI är inget undantag. Den följer en välkänd väg av infrastrukturuppbyggnad följt av snabb konsolidering. Att förstå detta mönster hjälper oss att se förbi hypen och identifiera var den verkliga makten ligger i denna nya cykel. Den viktigaste lärdomen är enkel. Vi bygger inte bara smartare mjukvara. Vi bygger en ny allmännytta som kommer att vara lika fundamental som elektricitet eller internet. Vinnarna blir de som kontrollerar den fysiska hårdvaran och de massiva datamängder som krävs för att hålla dessa system igång.

Från stålräls till neurala nätverk

För att förstå dagens AI, titta på den amerikanska järnvägsboomen. Under mitten av 1800-talet strömmade enorma mängder kapital in för att lägga spår över kontinenten. Många företag gick i konkurs, men spåren blev kvar. Dessa spår utgjorde grunden för nästa sekels ekonomiska tillväxt. AI befinner sig just nu i fasen för spårläggning. Istället för stål och ånga använder vi kisel och elektricitet. De enorma investeringarna från företag som Microsoft och Google bygger de beräkningskluster som kommer att stödja varje annan industri. Detta är ett klassiskt infrastrukturspel. När en teknik kräver enormt kapital för att starta, gynnar det naturligtvis stora, etablerade aktörer. Det är därför ett fåtal företag i USA dominerar området. De har pengarna att köpa chippen och marken för att bygga datacenter. De har också befintliga användarbaser för att testa sina modeller i stor skala. Detta skapar en feedback-loop där de största aktörerna får mer data, vilket gör deras modeller bättre, vilket lockar fler användare.

Folk misstar ofta AI för en fristående produkt. Det är mer korrekt att se det som en plattform. Precis som internet behövde [external-link] internetets historia för att gå från ett militärt projekt till en global allmännytta, rör sig AI från forskningslabb till att bli ryggraden i affärsverksamhet. Övergången sker snabbare än i tidigare cykler eftersom distributionsnätverket redan finns. Vi behöver inte lägga nya kablar för att nå användare. Vi behöver bara uppgradera servrarna i slutet av linjerna. Denna hastighet är vad som gör att det nuvarande ögonblicket känns annorlunda, även om de underliggande ekonomiska mönstren är bekanta. Koncentrationen av makt är en funktion av detta stadium, inte ett fel. Historien tyder på att när infrastrukturen väl är på plats, skiftar fokus från att bygga systemen till att utvinna värde ur dem. Vi närmar oss den vändpunkten nu.

Den amerikanska kapitalfördelen

Den globala effekten av AI är direkt kopplad till vem som har råd med notan. Just nu är det främst USA. Djupet i de amerikanska kapitalmarknaderna tillåter en risknivå som andra regioner har svårt att matcha. Detta skapar ett betydande gap i plattformsmakt. När en handfull företag kontrollerar molnet, kontrollerar de i praktiken spelreglerna för alla andra. Detta har djupgående konsekvenser för nationell suveränitet och global konkurrens. Länder som inte har egen storskalig beräkningsinfrastruktur måste hyra den från amerikanska leverantörer. Detta skapar en ny sorts beroende. Det handlar inte bara om mjukvarulicenser längre. Det handlar om tillgång till den processorkraft som krävs för att driva en modern ekonomi. Denna centralisering av makt är ett återkommande tema i teknikens historia.

Det finns tre huvudorsaker till varför denna makt förblir koncentrerad i ett fåtal händer:

• Kostnaden för att träna en ledande modell uppgår nu till miljarder dollar.
• Den specialiserade hårdvaran som krävs produceras av ett mycket litet antal tillverkare.
• De massiva energikraven för datacenter gynnar regioner med stabila och billiga elnät.

Denna verklighet motsäger idén om att AI kommer att vara en stor utjämnare. Medan verktygen blir mer tillgängliga för individer, förblir den underliggande kontrollen mer konsoliderad än någonsin. Regeringar börjar uppmärksamma denna obalans. De tittar på historiska prejudikat som [external-link] Sherman Antitrust Act för att se om gamla lagar kan hantera nya monopol. Industriell hastighet springer dock för närvarande ifrån politiken. När en reglering väl har debatterats och antagits har tekniken ofta hunnit två generationer framåt. Detta skapar en permanent eftersläpning där lagen alltid reagerar på en verklighet som redan har förändrats.

När mjukvara rör sig snabbare än lagen

Den verkliga effekten av denna hastighet syns i hur företag tvingas anpassa sig. Betrakta en dag i livet för en liten marknadsföringsbyrå i Chicago. För fem år sedan anställde de juniora skribenter för att skriva copy och researchers för att hitta trender. Idag använder ägaren en enda prenumeration på en AI-plattform för att hantera sjuttio procent av den arbetsbördan. Morgonen börjar med en AI-genererad sammanfattning av globala marknadsförändringar. Vid lunchtid har systemet skapat trettio olika annonsvarianter baserade på dessa förändringar. Den mänskliga personalen agerar nu som redaktörer och strateger snarare än skapare. Denna förändring sker inom alla sektorer, från juridik till medicin. Det ökar effektiviteten, men skapar också ett massivt beroende av plattformsleverantören. Om leverantören ändrar sin prissättning eller sina användarvillkor har marknadsföringsbyrån inget annat val än att följa med. De har integrerat verktyget så djupt i sitt arbetsflöde att de inte enkelt kan byta tillbaka till manuellt arbete.

Detta scenario visar varför politiken har svårt att hänga med. Reglerare oroar sig fortfarande för dataintegritet och upphovsrätt, medan industrin redan rör sig mot autonoma agenter som kan fatta ekonomiska beslut. Den industriella hastigheten i AI-utvecklingen drivs av en kamp om marknadsandelar. Företag är villiga att ha sönder saker nu och laga dem senare eftersom att vara tvåa i ett infrastrukturrace ofta är detsamma som att vara sist. Vi såg detta med webbläsarkrigen och framväxten av sociala medier. Vinnarna är de som rör sig tillräckligt snabbt för att bli standarden. När du väl är standarden är du mycket svår att ersätta. Detta skapar en situation där allmänintresset ofta är sekundärt till drivkraften för skala. Motsägelsen är att vi vill ha fördelarna med tekniken, men vi är skeptiska till den makt den ger ett fåtal företag.

Den senaste AI-branschanalysen på [internal-link] senaste AI-branschanalysen tyder på att vi går in i en fas av djup integration. Det är här tekniken slutar vara en nyhet och börjar bli ett krav. För ett företag kommer det snart att vara som att inte använda internet 2010 om man inte använder AI. Det kanske går, men det kommer att vara otroligt ineffektivt. Denna press att anpassa sig är vad som driver den snabba tillväxten, även när de långsiktiga konsekvenserna är oklara. Vi ser en upprepning av början av 2000-talet när företag rusade för att komma online utan att helt förstå säkerhets- eller integritetsriskerna. Skillnaden idag är att skalan är mycket större och insatserna högre. De system vi bygger nu kommer sannolikt att styra hur vi arbetar och kommunicerar under de kommande decennierna.

Svåra frågor för beräkningsåldern

Vi måste tillämpa sokratisk skepticism på den nuvarande boomen. Vilka är de dolda kostnaderna för denna snabba expansion? Den mest uppenbara är miljöpåverkan. [external-link] Internationella energiorganisationens rapport om datacenter belyser hur mycket ström dessa system förbrukar. När vi bygger fler datacenter belastar vi åldrande elnät. Vem betalar för den infrastrukturen? Är det företagen som tjänar miljarder, eller skattebetalarna som delar på elnätet? Det finns också frågan om datarbete. Dessa modeller är tränade på mänsklighetens kollektiva produktion, ofta utan samtycke eller kompensation. Är det rättvist att ett fåtal företag privatiserar värdet av offentlig data? Vi måste fråga oss vem som verkligen drar nytta av denna effektivitet. Om en uppgift som tog tio timmar nu tar tio minuter, får arbetaren mer fritid, eller får de bara tio gånger mer arbete?

Integritet är ett annat område där kostnaderna ofta är dolda. För att göra AI mer användbar ger vi den mer tillgång till våra personliga och professionella liv. Vi byter vår data mot bekvämlighet. Historien visar att när integriteten väl har getts upp är den nästan omöjlig att få tillbaka. Vi såg detta med framväxten av det annonsfinansierade internetet. Det som började som ett sätt att hitta information förvandlades till ett globalt övervakningssystem. AI har potential att ta detta ännu längre. Om en AI vet hur du tänker och hur du arbetar, kan den påverka dina beslut på sätt som är svåra att upptäcka. Dessa är inte bara tekniska problem. De är sociala och etiska dilemman som kräver mer än bara en mjukvaruuppdatering. Vi måste bestämma om framstegens hastighet är värd förlusten av individuell autonomi. Svaren på dessa frågor kommer att avgöra vilken typ av samhälle vi lever i när AI-boomen väl har nått sin mogna fas.

Mekaniken i modellagret

För dem som tittar på den tekniska sidan skiftar fokus från modellstorlek till arbetsflödesintegration. Vi ser en rörelse bort från massiva, generella modeller mot mindre, specialiserade sådana som kan köras på lokal hårdvara. Detta är ett svar på de höga kostnaderna och latensen hos molnbaserade API:er. Power users letar i allt högre grad efter sätt att kringgå de begränsningar som de stora leverantörerna infört. Detta inkluderar att hantera API-hastighetsbegränsningar och hitta sätt att lagra data lokalt för att säkerställa integritet och hastighet. Integrationen av AI i befintliga verktyg är där det verkliga arbetet sker. Det handlar inte om att chatta med en bot. Det handlar om att ha en modell som kan läsa dina lokala filer, förstå din specifika kodningsstil och föreslå ändringar i realtid. Detta kräver en annan typ av arkitektur än den som används för offentliga webbverktyg.

De tekniska utmaningarna för de kommande åren inkluderar:

• Optimering av modeller för att köras på konsument-GPU:er utan att förlora för mycket precision.
• Utveckling av bättre sätt att hantera långtidsminne i AI-agenter så att de kan komma ihåg kontext över veckor eller månader.
• Skapande av standardiserade protokoll för att olika AI-system ska kunna kommunicera med varandra.

Vi ser också en ökning av *lokal inferens* som ett sätt att behålla kontrollen över känslig data. Genom att köra modeller på en lokal maskin kan en användare säkerställa att deras proprietära information aldrig lämnar byggnaden. Detta är särskilt viktigt för branscher som juridik och finans där datasäkerhet är av största vikt. Lokal hårdvara ligger dock fortfarande efter de massiva kluster som molnjättarna äger. Detta skapar ett system i två nivåer. De mest kraftfulla modellerna kommer att stanna i molnet, medan mer effektiva, mindre kapabla versioner kommer att köras lokalt. Att balansera dessa två världar är nästa stora utmaning för utvecklare. De måste bestämma när de ska använda molnets råstyrka och när de ska prioritera integriteten och hastigheten hos lokal beräkning. Denna tekniska spänning kommer att driva mycket av innovationen under de kommande åren.

Har du en AI-historia, ett verktyg, en trend eller en fråga som du tycker att vi borde täcka? Skicka oss din artikelidé — vi skulle älska att höra den.

Den ofärdiga historien om skala

Teknikens historia är en historia om konsolidering. Från järnvägar till internet ser vi ett mönster av explosion följt av kontroll. AI befinner sig just nu mitt i denna cykel. Den amerikanska vinkeln är dominant eftersom resurserna som krävs för detta tillväxtstadium är koncentrerade dit. Historien är dock inte slut. I takt med att tekniken mognar kommer vi att se nya utmaningar för denna plattformsmakt. Om det kommer från reglering, nya tekniska genombrott eller en förändring i hur vi värderar vår data återstår att se. Den levande frågan är om vi kan njuta av fördelarna med denna nya infrastruktur utan att ge upp den konkurrens och integritet som gör en hälsosam ekonomi möjlig. Vi bygger grunden för nästa sekel. Vi bör vara mycket försiktiga med vem som håller i nycklarna till den.

Redaktörens anmärkning: Vi skapade den här webbplatsen som ett flerspråkigt nav för AI-nyheter och guider för människor som inte är datornördar, men som ändå vill förstå artificiell intelligens, använda den med större självförtroende och följa den framtid som redan är här.