Großtech-Firmen erhöhen KI-Ausgaben, während Reasoning-Modelle die Führung übernehmen
- Tech-Giganten wie Microsoft, Amazon und Meta werden ihre KI-Ausgaben bis zum nächsten Jahrzehnt auf über 500 Milliarden US-Dollar pro Jahr steigern.
- Die KI-Investitionen verlagern sich vom Training von Modellen zur Inferenz, die bis 2032 fast 50 % der KI-Budgets ausmachen könnte.
- Reasoning-Modelle von DeepSeek und OpenAI gestalten die KI neu, indem sie die Effizienz verbessern und die Abhängigkeit von teuren Chips verringern.
Die größten Tech-Unternehmen werden ihre jährlichen Ausgaben für künstliche Intelligenz bis zum Beginn des nächsten Jahrzehnts auf über 500 Milliarden US-Dollar erhöhen, angetrieben unter anderem durch die jüngere KI-Methodik von DeepSeek und OpenAI.
Microsoft Corp., Amazon.com Inc. und Meta Platforms Inc., collectively als Hyperscaler bekannt, planen für 2025 Ausgaben in Höhe von 371 Milliarden US-Dollar für KI-Rechenzentren und Computing-Ressourcen, was einem Anstieg von 44 % gegenüber dem Vorjahr entspricht. Bis 2032 wird erwartet, dass diese Zahl auf 525 Milliarden US-Dollar steigt.
Historisch gesehen flossen die meisten Investitionen in KI in Rechenzentren und Chips zum Trainieren oder Erstellen erheblich komplexer neuer KI-Modelle. Nun wollen die Unternehmen einen anderen Ansatz verfolgen. In der Folge wird erwartet, dass Tech-Unternehmen mehr Ausgaben in die Inferenz oder den Prozess des Betriebs dieser Systeme nach dem Training verlagern.
Wie DeepSeek und OpenAI die KI-Ausgabetrends prägen
Chinas DeepSeek, OpenAI und mehrere andere Unternehmen haben neue Reasoning-Modelle eingeführt, was den Wettbewerb unter den Firmen verschärft, die noch keinen ähnlichen Ansatz übernommen haben.
Diese Systeme imitieren die menschliche Problemlösung, indem sie zusätzliche Zeit für die Verarbeitung und Berechnung von Antworten auf Benutzeranfragen aufwenden.
Der Aufstieg von DeepSeek, das behauptete, ein wettbewerbsfähiges Modell zu günstigeren Kosten im Vergleich zu einigen seiner führenden US-Konkurrenten erstellen zu können, löste Bedenken hinsichtlich der schweren Investitionen in die KI-Entwicklung im US-Technologiesektor aus. Infolgedessen bevorzugen einige führende Tech-Unternehmen effizientere KI-Systeme, die mit weniger Chips betrieben werden können.
Allerdings bieten Reasoning-Modelle auch neue Chancen, Gewinne aus Software zu erzielen und möglicherweise mehr Entwicklungskosten nach dem Rollout des Modells zu verlagern. Dies wird wahrscheinlich mehr Investitionen in diese Strategie fördern und die Ausgaben für KI im Allgemeinen erhöhen.
Ein Analyst von Bloomberg Intelligence, Mandeep Singh, schrieb: „Das Wachstum der Kapitalausgaben für KI-Training könnte viel langsamer sein als unsere früheren Erwartungen.“
Er wies jedoch darauf hin, dass die enorme Aufmerksamkeit, die DeepSeek erhält, Tech-Unternehmen wahrscheinlich dazu anregen wird, „Investitionen“ in die Inferenz zu erhöhen, wodurch dieser Marktsegment zum Wachstumsmotor mit der höchsten Rate in der generativen KI wird.
Berichten zufolge sollen mehr als 40 % der KI-Budgets der Hyperscaler in diesem Jahr für das Training aufgewendet werden; dieser Prozentsatz wird jedoch bis 2032 auf nur noch 14 % sinken. Im Gegensatz dazu könnten fast die Hälfte aller jährlichen KI-Ausgaben für inferenzgetriebene Investitionen allokiert werden.
Andererseits schrieb Singh, dass Alphabet Inc.’s Google dank seiner hauseigenen Chips, die sowohl Training als auch Inferenz bewältigen, am besten positioniert sei, diesen Wandel schnell vollzuziehen. Andere Tech-Unternehmen wie Microsoft und Meta verfügen möglicherweise nicht über dieselbe Flexibilität, da sie sich so stark auf Chips von Nvidia Corp. verlassen.
Wie Reasoning-Modelle die KI mit strukturierter, logischer Denkweise neu gestalten
Reasoning-Modelle sind spezialisierte Sprachmodelle, die Probleme durch explizite logische Lösungsansätze bewältigen und sich als neues Paradigma in der KI etabliert haben. Sie übertreffen herkömmliche LLMs bei anspruchsvollen Aufgaben, indem sie Probleme zerlegen, vor der Antwort „nachdenken“ und Lösungen iterativ verbessern.
Historisch gesehen konnten allgemeine LLMs einfache Antworten generieren. Mit der Einführung von Reasoning-Modellen folgen Antworten einem strukturierteren Denkprozess, und der Weg zur Antwort wird offengelegt. Während einige Modelle ihre logische Denkphase deutlich zeigen, tun dies andere nicht.
Die Reasoning-Phase zeigt, wie das Modell das gestellte Problem in kleinere Probleme zerlegen kann (Dekomposition), verschiedene Ansätze ausprobieren kann (Ideenfindung), die besten Ansätze auswählt (Validierung), ungültige Ansätze verwirft (möglicherweise Backtracking) und schließlich die beste Antwort auswählt (Ausführung/Lösung).
Wenn Sie dies lesen, sind Sie bereits einen Schritt voraus. Bleiben Sie mit unserem Newsletter auf dem Laufenden.
Haftungsausschluss. Die bereitgestellten Informationen stellen keine Anlageberatung dar. Cryptopolitan.com Wir übernehmen keine Haftung für Investitionen, die auf den auf dieser Seite bereitgestellten Informationen basieren. Wir empfehlen dringend, vor jeglichen Anlageentscheidungen eine unabhängige Recherche durchzuführen und/oder einen qualifizierten Fachmann zu konsultieren.
Nellius Irene
Nellius ist Absolventin der Betriebswirtschaftslehre und Informatik mit fünf Jahren Erfahrung in der Kryptowährungsbranche. Sie hat zudem Bitcoin Dada absolviert. Nellius hat bereits für führende Medienpublikationen wie BanklessTimes, Cryptobasic und Riseup Media geschrieben.
