Крупные технологические компании увеличивают расходы на ИИ по мере доминирования моделей рассуждений

Крупнейшие технологические компании увеличат свои ежегодные расходы на искусственный интеллект до более чем 500 миллиардов долларов к началу следующего десятилетия, отчасти благодаря более новым методологиям ИИ от DeepSeek и OpenAI. 

Microsoft Corp., Amazon.com Inc. и Meta Platforms Inc., collectively известные как гиперскейлеры, планируют потратить 371 миллиард долларов на центры обработки данных и вычислительные ресурсы для ИИ в 2025 году, что на 44% больше, чем в предыдущем году. К 2032 году эта сумма, как ожидается, вырастет до 525 миллиардов долларов.

Исторически большая часть инвестиций в ИИ направлялась на центры обработки данных и чипы для обучения или создания значительно более сложных новых моделей ИИ. Теперь компании хотят пойти другим путем. Вслед за этим ожидается, что технологические фирмы перенаправят больше расходов на инференс (вывод), то есть процесс запуска этих систем после их обучения.

Как DeepSeek и OpenAI формируют тенденции расходов на ИИ

Китайская компания DeepSeek, OpenAI и несколько других компаний представили новые модели рассуждений, усилив конкуренцию среди фирм, которые еще не перешли на аналогичный подход.

Эти системы имитируют человеческое решение проблем, затрачивая дополнительное время на обработку и вычисление ответов на запросы пользователей.

Появление DeepSeek, которое заявило, что может создать конкурентоспособную модель с меньшими затратами по сравнению с некоторыми из своих ведущих американских конкурентов, вызвало обеспокоенность по поводу крупных инвестиций в разработку ИИ в американском технологическом секторе. В результате некоторые ведущие технологические компании предпочитают более эффективные системы ИИ, которые могут работать на меньшем количестве чипов.

Однако модели рассуждений также представляют новые возможности для получения прибыли от программного обеспечения и, возможно, переноса части затрат на разработку после развертывания модели. Это, вероятно, поощрит больше инвестиций в эту стратегию и увеличит расходы на ИИ в целом.

Аналитик Bloomberg Intelligence Мандип Сингх написал: «Рост капитальных расходов на обучение ИИ может быть гораздо медленнее, чем наши предыдущие ожидания».

Однако он отметил, что огромное внимание к DeepSeek, вероятно, побудит технологические компании «увеличить инвестиции» в инференс, сделав его сегментом рынка с самым быстрым темпом роста в генеративном ИИ.

Согласно отчетам, более 40% бюджетов гиперскейлеров на ИИ в этом году, как ожидается, будут направлены на обучение; однако к 2032 году этот процент упадет всего до 14%. Напротив, почти половина всех ежегодных расходов на ИИ может быть выделена на инвестиции, основанные на инференсе.

С другой стороны, Сингх написал, что Google Inc. компании Alphabet, похоже, лучше всего позиционирован для быстрого перехода благодаря своим собственным чипам, которые обрабатывают как обучение, так и инференс. Другие технологические компании, такие как Microsoft и Meta, могут иметь меньше гибкости, поскольку они так сильно зависели от чипов Nvidia Corp.

Как модели рассуждений меняют ИИ с помощью структурированного логического мышления

Модели рассуждений — это специализированные языковые модели, разработанные для решения проблем посредством явного логического мышления, которые появились как новая парадигма в ИИ, превосходящие традиционные LLM в сложных задачах за счет декомпозиции проблем, «размышления» перед ответом и итеративного улучшения решений.

Исторически общие языковые модели (LLM) могли генерировать простые ответы. С появлением моделей рассуждения ответы следуют более структурированному процессу мышления, и сам процесс прихода к этому ответу становится очевидным. Однако, в то время как некоторые модели явно демонстрируют фазу логического рассуждения, другие — нет.

Фаза рассуждения показывает, как модель может разбить поставленную проблему на более мелкие (декомпозиция), попробовать разные подходы (идеация), выбрать лучшие подходы (валидация), отклонить недействительные подходы (возможно, с возвратом назад) и, наконец, выбрать лучший ответ (исполнение/решение).