შეძლებენ ტექნოლოგიური გიგანტები იაფი AI მოდელების შეყვარებას?

ხელოვნური ინტელექტის ბუმი ერთ საბაზისო დაშვებაზე აიგო: რაც უფრო დიდია მოდელი, მით უფრო ძლიერია ის, ხოლო ყველაზე ძლიერი მოდელები ყოველთვის იმარჯვებენ. თუმცა, ინდუსტრია ახლა იმ ეტაპზეა, როდესაც ეს დაშვება შესაძლოა ეჭვქვეშ დადგეს. მზარდმა ხარჯებმა მომხმარებლები უკვე აიძულა, უფრო პატარა და იაფ მოდელებს სხვა თვალით შეხედონ.

ხარჯების ოპტიმიზაციაზე ორიენტირებული მოდელების შერჩევის ეს ტენდენცია ახალია და ჯერჯერობით გაურკვეველია, როგორ იმოქმედებს ის ინდუსტრიაზე, თუმცა გავლენა, სავარაუდოდ, მნიშვნელოვანი იქნება. ერთ-ერთი პროგნოზის თანახმად, რომელიც Coinbase-ის თანადამფუძნებელმა, ბრაიან არმსტრონგმა გააჟღერა, ამოცანების აბსოლუტური უმრავლესობა იაფ მოდელებზე გადაინაცვლებს.

„ინტელექტზე მოთხოვნა თითქმის უსასრულოა, მაგრამ სამუშაო დატვირთვის 80% უახლოეს 12-18 თვეში 99%-ით უფრო იაფ მოდელებზე შესრულდება,“ - დაწერა არმსტრონგმა X-ზე. „დატვირთვის მხოლოდ 20% დარჩება უახლესი თაობის მოდელებზე, სადაც IQ-ს მაქსიმიზაცია კრიტიკულად მნიშვნელოვანია“.

ეკონომიკური ცვლილებები AI ინდუსტრიაში

ძნელია გადააფასო ის მნიშვნელობა, რაც არმსტრონგის პროგნოზის გამართლებას მოჰყვება. აქამდე AI კომპანიების უმეტესობა ხარისხში ეჯიბრებოდა ერთმანეთს, რაც ავტომატურად გულისხმობდა ყველაზე მოწინავე ხელმისაწვდომი მოდელის გამოყენებას. თუ იგივე სამუშაოს შესრულება იაფი მოდელებითაც იქნება შესაძლებელი ხარისხის დაუკარგავად, ეს ხელოვნური ინტელექტის ეკონომიკაში მასშტაბურ ძვრებს გამოიწვევს.

რაც მთავარია, დაზოგილი თანხების დიდი ნაწილი მსხვილი ლაბორატორიების ჯიბიდან ამოვა. ეს სერიოზულ ფინანსურ დარტყმას მიაყენებს OpenAI-სა და Anthropic-ს სწორედ მაშინ, როდესაც ისინი საჯარო აქციების განთავსებისთვის (IPO) ემზადებიან. ინდუსტრიაში მოსალოდნელი ეს სეისმური ცვლილება ერთ მთავარ კითხვაზეა დამოკიდებული: არიან თუ არა კომპანიები მზად პატარა მოდელებზე გადასასვლელად?

ეფექტურობის ტესტირება: ხარისხი ხარჯების წინააღმდეგ

პირველადი ტესტები აჩვენებს, რომ სისტემის სწორად მოწყობის შემთხვევაში, იაფ მოდელებს შეუძლიათ ძვირადღირებულების ჩანაცვლება ხარისხის დათმობის გარეშე. იურიდიული AI ინსტრუმენტის, Harvey-ს მიერ ჩატარებულმა ბოლოდროინდელმა კვლევამ აჩვენა, რომ კომპანიამ შეძლო ინფერენციის (inference) ხარჯების სამჯერ შემცირება ხარისხის გაუარესების გარეშე.

ტესტი, რომელიც Fireworks AI პლატფორმასთან პარტნიორობით ჩატარდა, აერთიანებდა Claude Opus-სა და Fireworks-ის GLM 5.1-ს. სისტემა მხოლოდ ყველაზე რთული და ინტენსიური ამოცანებისთვის იყენებდა Opus-ს. შედეგად, მნიშვნელოვნად შემცირდა სერვერული დრო და საერთო ხარჯები.

„ხარისხი პირველ ადგილზეა და იურიდიულ სფეროში ეს ყოველთვის ასე იქნება,“ - განუცხადა TechCrunch-ს Harvey-ს თანადამფუძნებელმა, გეიბ პერეირამ. „თუმცა, ხარისხის დეფინიცია იცვლება: ყველაფრისთვის ყველაზე ძლიერი მოდელის გამოყენების ნაცვლად, აქცენტი კეთდება საუკეთესო მოდელის შერჩევაზე, რომელიც სწორ პასუხს ყველაზე ეფექტურად იძლევა“ .

დიდი მოდელები პატარა მოდელების წინააღმდეგ

ეს ტენდენცია ხშირად განიხილება, როგორც ბრძოლა წამყვან ლაბორატორიებსა და ჩინურ ან ღია კოდის (open-weight) მოდელებს შორის, თუმცა ეს მთავარ არსს აცდენილია. რეალური გამყოფი ხაზი გადის არა საკუთრების ტიპზე, არამედ მოდელის ზომაზე. ფულის დაზოგვა შესაძლებელია როგორც GPT-5.5-დან DeepSeek-ის V4 Flash-ზე გადასვლით, ისე GPT-5.4-mini-ს გამოყენებით.

ამჟამად მიმდინარეობს აქტიური ფასების ომი მსხვილი ლაბორატორიების შიდა სერვისებსა და დამოუკიდებელ პლატფორმებზე განთავსებულ ღია მოდელებს შორის. თუმცა, გლობალური კითხვისთვის — „პატარა თუ დიდი“ — არ აქვს მნიშვნელობა, კონკრეტულად რომელი ტიპის მცირე მოდელი გაიმარჯვებს.

სტრატეგიის ცვლილება: მასშტაბირებიდან ეფექტურობამდე

ყოველივე ეს შესაძლოა აშკარად ჩანდეს — რა თქმა უნდა, არ უნდა გამოიყენო იმაზე მეტი გამოთვლითი რესურსი, ვიდრე საჭიროა — მაგრამ ეს ეწინააღმდეგება „მასშტაბირების პრიორიტეტულობის“ მიდგომას, რომელიც აქამდე დომინირებდა ინდუსტრიაში. „მწარე გაკვეთილით“ შთაგონებული ლაბორატორიები მაქსიმალურად ცდილობდნენ ყველაზე რესურსტევადი მოდელების შექმნას, რათა გაეფართოებინათ AI-ს შესაძლებლობების საზღვრები.

ინვესტორების მიერ სუბსიდირებული ფასების პირობებში, კლიენტებს არ ჰქონდათ მიზეზი, აერჩიათ სხვა რამ, გარდა ყველაზე მოწინავე ვარიანტისა. თუმცა, ტოკენების ფასების ზრდასთან და სუბსიდიების შემცირებასთან ერთად, მომხმარებლები პირველად აღმოჩნდნენ ხარჯების წნეხის ქვეშ.

ჯერჯერობით უცნობია, რეალურად აიძულებს თუ არა ეს ფინანსური წნეხი კორპორატიულ მომხმარებლებს პატარა მოდელებზე გადასვლას. მათ შეუძლიათ ეკონომია სხვა გზითაც გააკეთონ: შეამცირონ მოთხოვნების რაოდენობა, გამოიყენონ ნაკლები კონტექსტი ან უბრალოდ უარი თქვან ნაკლებად პერსპექტიულ პროექტებზე. თუმცა, თუ აღმოჩნდება, რომ პროექტების უმეტესობა პატარა მოდელებზეც წარმატებით მუშაობს, ამან შესაძლოა სერიოზულად შეაფერხოს ინფერენციაზე მზარდი მოთხოვნა და ახალი კითხვები გააჩინოს უახლესი მოდელების წვრთნის კოლოსალური ხარჯების მიზანშეწონილობის შესახებ.