Нейтральная

Спрос на ИИ растет, дешевые модели усиливают ценовое давление

In English
3 мин

Прогноз по расходам на AI: ключ в том, что оптимизм и скепсис могут сосуществовать. Объем использования может резко вырасти, но повышение эффективности моделей и ценовая конкуренция, вероятно, снизят себестоимость единицы. Инвестиции в инфраструктуру будут зависеть от относительного превосходства скорости улучшения эффективности над темпами создания нового спроса. Важно различать, идет ли текущий спрос от устойчивого рынка инференса или он обусловлен временной гонкой разработки моделей. Долгосрочный рост и краткосрочное перепроизводство могут происходить одновременно.

Оптимистичный сценарий: структурные факторы расширения расходов на AI

- Рост спроса на верификацию безопасности: с увеличением доли кода, сгенерированного AI, параллельно растут нагрузка на аудит кода и задачи по проверке безопасности.
- Расходы на вычисления со ставкой на скорость: в кодинге с AI задержка ответа становится не менее важной, чем качество, поэтому ожидается рост инвестиций в высокопроизводительные вычисления и сети для сокращения задержек.
- Эффект диффузии за счет разрыва в уровне внедрения: между частными пользователями и компаниями наблюдается большой разрыв в интенсивности использования. Даже распространение уже существующих технологий может увеличить спрос на инференс и обучение.
- Ресурсоемкость мультимедийной генерации: генерация изображений и видео вошла в стадию практического использования. Для реалтаймовой реализации 4K 3D миров нужны крупные парки GPU, высокая пропускная способность памяти и I/O подсистем хранения.
- Непрерывный инференс у агентов: автономные агенты, выполняющие длительные задачи, потребляют токены без ограничений человеческого времени использования.
- Подъем «dark inference»: непубличные инференс-нагрузки, которые сложно наблюдать извне (наука, финансовый трейдинг и др.), находятся на ранней стадии.

Скептический сценарий: структурные риски для прибыльности и ценового давления

- Зоны, достигшие порога «достаточного интеллекта»: для ряда задач, например live coding, текущие модели уже достаточны. Значимость недорогих и низкозадержечных моделей возрастает по сравнению с погоней за максимальной производительностью.
- Замедление рентабельности enterprise‑ПО: AI может дешево заменять существующие процессы, ослабляя ценовую власть софтверных компаний.
- Резкое снижение затрат за счет самоулучшения: модели проектируют и настраивают более эффективные модели; уже наблюдаются случаи, когда стоимость отдельных применений падала более чем на 90%.
- Причины дефицита ресурсов: текущий дефицит вычислений во многом обусловлен гонкой обучения у Big Tech и исследовательских лабораторий. При охлаждении инвестиционных ожиданий есть риск разворота к избыточному предложению.
- Распространение дешевых моделей и риски регуляции/безопасности: одновременные факторы — массовый выход недорогих моделей и задержки запусков из-за проблем безопасности — могут создать сильное понижающее давление на цены в индустрии.

Ключевые выводы

- Одновременные изменения спроса и затрат: объем использования растет, а удельные издержки могут снижаться.
- Эластичный новый спрос: по мере удешевления AI появляются ранее нерентабельные сценарии, что может расширить совокупный спрос.
- Критерии инвестиционных решений: нужно сопоставлять скорость улучшения вычислительной эффективности и скорость создания нового спроса, а также различать, является ли текущий спрос устойчивым рынком инференса или краткосрочным спросом из гонки моделей.
- Возможность сосуществующих реалий: индустрия AI может расти в долгосрочной перспективе, одновременно переживая краткосрочное перепроизводство инфраструктуры.

Оригинальная публикация

Авторы, указанные в источнике: dolbikong

Материал опубликован Holder на основе внешнего источника.