Снимка: iStock

Близо 18 месеца в генеративната AI лудост някои от най-големите технологични компании доказват, че изкуственият интелект може да бъде истински двигател на приходите. Но това също е огромна яма за пари.

Microsoft Corp. и Google на Alphabet Inc. отчетоха скок на приходите от облачни услуги с последните си тримесечни резултати, тъй като бизнес клиентите харчат повече за техните AI услуги. Meta Platforms Inc., макар и по-назад в монетизирането на технологията, каза, че нейните усилия в областта на изкуствения интелект са помогнали за повишаване на ангажираността на потребителите и насочването на рекламите.

За да постигнат тези ранни печалби, трите компании са похарчили милиарди за разработване на AI – и планират да увеличат още повече тези инвестиции.

На 25 април Microsoft заяви, че е похарчила 14 милиарда долара за капиталови разходи през последното тримесечие и очаква тези разходи „да се увеличат значително“, водени отчасти от инвестициите в AI инфраструктура. Това е 79% увеличение спрямо предходното тримесечие на годината. Alphabet заяви, че е похарчила 12 милиарда долара през тримесечието, което е 91% увеличение спрямо година по-рано, и очаква останалата част от годината да бъде „на или над“ това ниво, тъй като се фокусира върху възможностите за AI. Междувременно Meta повиши прогнозите си за инвестиции за годината и сега вярва, че капиталовите разходи ще бъдат от 35 до 40 милиарда долара, което би било 42% увеличение в горния край на диапазона.

Нарастващата цена на ИИ хвана някои инвеститори неподготвени. Акциите на Meta, по-специално, се сринаха заради прогнозата за разходите, съчетана с по-бавен от очакваното растеж на продажбите. Но в технологичната индустрия отдавна се вярва, че разходите за ИИ ще се повишат. Има две ключови причини за това: Моделите на AI стават все по-големи и по-скъпи за разработване, а глобалното търсене на AI услуги изисква изграждането на много повече центрове за данни, които да го поддържат.

Бизнесите, които експериментират с такива AI услуги, могат да похарчат милиони за персонализиране на продукти от OpenAI или Google. След като са готови и работят, има добавени разходи всеки път, когато някой ползва чатбот или поиска от AI услуга да анализира данните за продажбите. Но по-скъпата работа е изграждането на основата за тези AI системи. Ето един поглед към тези усилия:

Най-известните AI продукти днес, включително ChatGPT на OpenAI, се захранват от големи езикови модели – системи, които се захранват с огромни количества данни, включително книги, статии и онлайн коментари, за да излъчат възможно най-добрите отговори на заявки от потребители. Много от водещите компании за изкуствен интелект залагат, че пътят към по-сложен изкуствен интелект – може би дори системи с изкуствен интелект, които могат да превъзхождат хората при много задачи – е да направят тези големи езикови модели още по-големи.

Голяма част от тези разходи са свързани с чипове. Това не са централните процесори (CPU), които направиха Intel Corp. известна, или техните мобилни братовчеди, които захранват милиарди смартфони. За да обучат големи езикови модели, компаниите за изкуствен интелект разчитат на графични процесори – графични процесори – които могат да обработват огромни количества данни при високи скорости. Тези чипове не само са недостиг, но и са изключително скъпи, с най-модерните функции, направени предимно от една компания: Nvidia Corp.

Графичният чип H100 на Nvidia, златният стандарт за обучение на AI модели, се продава за около 30 000 долара, като някои дистрибутори ги предлагат за няколко пъти повече. А големите технологични компании се нуждаят от много от тях. Главният изпълнителен директор на Meta Зукърбърг каза по-рано, че компанията му планира да придобие 350 000 чипа H100 до края на тази година, за да подпомогне своите изследователски усилия за AI. Дори и да получи отстъпка за закупуване на едро, това лесно добавя милиарди долари.

Компаниите могат да вършат тази работа, без да купуват действителните чипове, но те също са скъпи за заемане. Да кажем: облачното звено на Amazon.com Inc. ще наема на клиенти голям клъстер от процесори, създадени от Intel, за около $6 на час. За разлика от това, група от чипове Nvidia H100 струва почти $100 на час.

Миналия месец Nvidia представи нов процесорен дизайн, наречен Blackwell, който е многократно по-бърз при работа с големи езикови модели и се очаква да бъде на цена, подобна на линията Hopper, която включва H100. Nvidia каза, че ще са необходими около 2000 графични процесора Blackwell, за да обучат AI модел с 1,8 трилиона параметри. Това е приблизителният размер на GPT-4 на OpenAI, според съдебно дело на New York Times, заведено за използването на статиите от стартъпа за обучение на AI системи. За сравнение, Nvidia каза, че изисква 8000 графични процесора Hopper за изпълнение на същата задача. Но това подобрение може да бъде компенсирано от натиска на индустрията за изграждане на по-големи AI модели.

Това изисква осигуряване на повече данни, повече изчислителна мощност и обучение на AI системи за по-дълго време. В подкаст интервю в началото на април Дарио Амодей, главен изпълнителен директор на съперника на OpenAI Anthropic, каза, че текущата реколта от AI модели на пазара струва около 100 милиона долара за обучение.

„Моделите, които се обучават сега и които ще излязат по различно време по-късно тази година или началото на следващата година, са по-близки по цена до 1 милиард долара“, каза той. „И тогава мисля, че през 2025 г. и 2026 г. ще достигнем повече до 5 или 10 милиарда долара.“

Центрове за данни

Компаниите, които купуват тези чипове, имат нужда някъде да ги поставят. Meta, заедно с най-големите компании за облачни изчисления – Amazon, Microsoft и Google – и други доставчици на изчислителна мощност под наем се надпреварват да изграждат нови сървърни ферми. Тези сгради обикновено се изграждат по поръчка. Те държат стелажи с твърди дискове, процесори, охладителни системи и купища електрическо оборудване и резервни генератори.

Dell'Oro Group, изследовател, изчислява, че компаниите ще похарчат 294 милиарда долара за изграждане и оборудване на центрове за данни тази година спрямо 193 милиарда долара през 2020 г. Голяма част от това разширяване проследява широкото нарастване на дигиталните услуги - поточно видео, експлозия в корпоративните данни , вашата емисия в социалните медии. Но нарастващ дял от тези разходи е предназначен за скъпи чипове на Nvidia и друг специализиран хардуер, необходим за поддържане на бума на AI.

Сделки и талант

Докато чиповете и центровете за данни съставляват лъвския дял от разходите, някои AI компании също харчат милиони за лицензиране на данни от издатели.

OpenAI сключи сделки с няколко европейски издатели за включване на тяхното новинарско съдържание в ChatGPT и също така за обучение на своите AI модели. Финансовите условия на тези сделки не са оповестени, но Bloomberg News по-рано съобщи, че OpenAI се е съгласила да плати десетки милиони евро на Axel Springer SE, немския издател на Politico и Business Insider, за правото да използва новинарските му статии . Стартъпът също е провел разговори с Time, CNN и Fox News за лицензиране на съдържание.

Докато OpenAI е по-активен в осигуряването на лицензионни сделки, големите технологични компании също търсят начини да придобият езиковите данни, от които се нуждаят, за да създадат завладяващи инструменти за изкуствен интелект. Google сключи сделка за 60 милиона долара за лицензиране на данни от Reddit, съобщи Ройтерс. Съобщава се, че служителите на Meta са обсъждали закупуването на книгоиздателя Simon & Schuster, съобщи New York Times.

Технологичните компании също са въвлечени в трескава война за AI таланти. В един момент миналата година Netflix Inc. обяви за позиция на продуктов мениджър на AI, която предлагаше до $900 000 заплата.

По-евтини алтернативи

Microsoft, която направи повече от повечето, за да подхранва лудостта около големите езикови модели, каза наскоро, че ще опита различен подход. Компанията представи три по-малки AI модела, които са по-малко изчислително интензивни.

Microsoft каза, че големите езикови модели "продължават да бъдат златният стандарт за решаване на много типове сложни задачи", като "разширено разсъждение, анализ на данни и разбиране на контекста". Но по-малките модели може да са достатъчни за определени клиенти и случаи на употреба. Други компании, включително Sakana AI, стартираща компания, основана от двама бивши служители на Google, също се фокусират върху по-малки модели.

„Нямате нужда от спортна кола през цялото време“, каза Роуън Къран, старши анализатор във Forrester Research, който се фокусира върху AI. „Понякога имате нужда от миниван или пикап. Това няма да бъде един широк клас модели, които всеки използва за всички случаи на употреба.“

Засега обаче общоприетата мъдрост в света на ИИ е, че по-голямото е по-добро. Това ще струва скъпо.

*Материалът е с аналитичен характер и не е съвет за покупка или продажба на акции на финансовите пазари.