Крупные технологические компании наращивают расходы на ИИ, поскольку модели логического мышления берут верх

Крупнейшие технологические компании расходы к началу следующего десятилетия 

, корпорации Microsoft, Amazon.com Inc. и Meta Platforms Inc., известные как гипермасштабные компании, потратят 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 цифра, как ожидается, вырастет до 525 миллиардов долларов.

Исторически сложилось так, что большая часть инвестиций в ИИ направлялась в центры обработки данных и микросхемы для обучения или создания значительно более сложных новых моделей ИИ. Теперь компании хотят применить другой подход. В связи с этим ожидается, что технологические фирмы перенаправят больше средств на вывод результатов, то есть на процесс управления этими системами после их обучения.

Как DeepSeek и OpenAI влияют на тенденции расходов на ИИ

Китайские компании DeepSeek, OpenAI и ряд других внедрили новые модели логического мышления, что усилило конкуренцию среди фирм, которые еще не приняли аналогичный подход.

Эти системы имитируют процесс решения проблем человеком, затрачивая дополнительное время на обработку и вычисление ответов на запросы пользователей.

Взлет компании DeepSeek, заявившей о возможности создания конкурентоспособной модели по более низкой цене по сравнению с некоторыми из своих ведущих американских конкурентов, вызвал опасения по поводу значительных инвестиций в разработку ИИ в американском технологическом секторе. В результате некоторые ведущие технологические компании предпочитают более эффективные системы ИИ, работающие на меньшем количестве чипов.

Однако модели логического мышления также открывают новые возможности для получения прибыли от программного обеспечения и, возможно, перекладывают часть затрат на разработку на других после внедрения модели. Это, вероятно, будет способствовать увеличению инвестиций в эту стратегию и росту расходов на ИИ в целом.

Аналитик Bloomberg Intelligence Мандип Сингх написал: «Рост капитальных затрат на обучение ИИ может оказаться намного медленнее, чем мы ожидали ранее»

Однако он отметил, что огромное внимание к DeepSeek, вероятно, побудит технологические компании «увеличить инвестиции» в инференцию, что сделает этот сегмент рынка самым быстрорастущим в области генеративного ИИ.

Согласно отчетам, в этом году более 40% бюджетов крупных компаний, выделяемых на ИИ, предположительно будут направлены на обучение; однако к 2032 году этот процент снизится до 14%. В то же время почти половина всех ежегодных расходов на ИИ может быть выделена на инвестиции, основанные на выводе информации.

С другой стороны, Сингх написал, что компания Google, входящая в Alphabet Inc., похоже, лучше всего подготовлена ​​к быстрому переходу на новые технологии благодаря собственным чипам, которые обрабатывают обучение и вывод результатов. Другие технологические компании, такие как Microsoft и Meta, могут не обладать такой гибкостью, поскольку они в значительной степени полагались на чипы Nvidia Corp.

Как модели рассуждений меняют искусственный интеллект с помощью структурированного логического мышления

Модели рассуждений — это специализированные языковые модели, предназначенные для решения проблем посредством явного логического рассуждения. Они стали новой парадигмой в искусственном интеллекте, превосходящей традиционные языковые модели в сложных задачах за счет разбиения проблем на части, «размышления» перед ответом и итеративного улучшения решений.

Исторически сложилось так, что универсальные модели логических рассуждений могли генерировать простые ответы. С появлением моделей рассуждений ответы следуют более структурированному мыслительному процессу, и процесс получения этого ответа указывается. Однако, если некоторые модели четко демонстрируют фазу логического рассуждения, то другие — нет.

На этапе рассуждений показано, как модель может разбить поставленную задачу на более мелкие задачи (декомпозиция), попробовать разные подходы (генерация идей), выбрать лучшие подходы (проверка), отклонить неверные подходы (возможно, с помощью обратногоtrac) и, наконец, выбрать наилучший ответ (выполнение/решение).