Yann LeCun ostrzega przed nadchodzącą bańką dla OpenAI i Anthropic

Główny naukowiec Meta AI, Yann LeCun, wydał surowe ostrzeżenie dotyczące ekonomicznej zrównoważalności obecnego krajobrazu generatywnej sztucznej inteligencji. W niedawnej rozmowie z CNBC LeCun zasugerował, że wiodące laboratoria, takie jak OpenAI i Anthropic, zmierzają w stronę „wielkiej eksplozji bańki” ze względu na niezrównoważone struktury kosztów.

Ekonomiczny rozdźwięk w generatywnej sztucznej inteligencji

Istota argumentacji LeCuna tkwi w pogłębiającej się przepaści między gwałtownie rosnącymi kosztami obsługi dużych modeli językowych (LLM) a modelami cenowymi dostępnymi dla konsumentów. Podczas gdy moc obliczeniowa wymagana do trenowania i uruchamiania modeli typu frontier stale rośnie w sposób wykładniczy, koszty operacyjne nie spadają w proporcjonalnym tempie.

To tarcie ekonomiczne tworzy scenariusz, w którym firmy AI de facto tracą pieniądze na każdym zapytaniu, a ogromny kapitał inwestorów pełni rolę subsydium dla rzeczywistego użytkowania. Podobne odczucia podziela dyrektor generalny OpenAI, Sam Altman, który niedawno określił wysoki koszt AI dla przedsiębiorstw jako „ogromny problem”. Bez znaczącej zmiany – czy to poprzez drastyczną redukcję kosztów, czy zwiększenie cen usług – obecny model biznesowy dostawców LLM pozostaje niepewny.

Krytyka xAI i wojna o talenty

LeCun nie ograniczył swojej krytyki jedynie do gigantów branżowych, uderzając również w xAI Elona Muska. Opisując startup jako „rodzaj porażki”, LeCun wskazał na wewnętrzną niestabilność, zauważając w szczególności, że zespół założycielski odszedł, a Musk mierzy się z coraz większymi trudnościami w rekrutacji najwyższej klasy talentów inżynieryjnych.

LeCun wyraził sceptycyzm co do tego, czy xAI będzie w stanie skutecznie konkurować z tempem badań i skalą obserwowaną w OpenAI czy Anthropic. Krytyka ta podkreśla rosnące napięcie w branży: podczas gdy kapitał jest obfity, koncentracja elitarnych talentów i specjalistycznej wiedzy staje się głównym wąskim gardłem w rozwoju modeli typu frontier.

Modele świata kontra duże modele językowe

Ostrzeżenie to pojawia się w kluczowym momencie dla własnej filozofii technicznej LeCuna. Zamiast stawiać wszystko na jedną kartę w przypadku architektury LLM opartej na transformerach, która dominuje na rynku, LeCun opowiada się za rozwojem „modeli świata” (world models). Są to systemy zaprojektowane w celu budowania fundamentalnego zrozumienia rzeczywistości fizycznej oraz związków przyczynowo-skutkowych, a nie tylko przewidywania kolejnego tokenu w sekwencji.

Jego przedsięwzięcie, AMI Labs, niedawno pozyskało 1 miliard dolarów na realizację tego konkretnego kierunku. Stanowi to strategiczną dywergencję w krajobrazie AI: podczas gdy „obóz LLM” walczy o skalę i wydajność obliczeniową, „obóz modeli świata” dąży do rozwiązania problemów z rozumowaniem i ucieleśnieniem, z którymi obecne modele generatywne wciąż mają trudności. Gdyby bańka LLM pękła, mogłoby to wywołać masową realokację kapitału w stronę tych bardziej zróżnicowanych architektonicznie podejść.

Kluczowe wnioski

• Kruchość ekonomiczna: Wiodące laboratoria AI polegają obecnie na subsydiach inwestorów, aby pokryć lukę między wysokimi kosztami operacyjnymi a cenami rynkowymi.
• Strategiczna dywergencja: Między skalowaniem LLM a dążeniem do „modeli świata”, które mają na celu prawdziwe zrozumienie fizyczne, powstaje coraz większy rozdźwięk techniczny.
• Wąskie gardła w obszarze talentów: Zdolność do rekrutacji i zatrzymywania czołowych badaczy staje się dla przetrwania firmy równie krytyczna, co dostęp do potężnych klastrów obliczeniowych.