Αυτή η εβδομάδα έφερε ένα ακόμη ανησυχητικό δεδομένο που πιθανώς αξίζει περισσότερης προσοχής. Το Γραφείο Απογραφής των ΗΠΑ διεξάγει μια έρευνα ανά δύο εβδομάδες σε 1,2 εκατομμύρια επιχειρήσεις. Ένα από τα ερωτήματα που θέτει είναι εάν, τις τελευταίες δύο εβδομάδες, η εταιρεία έχει χρησιμοποιήσει τεχνητή νοημοσύνη, μηχανική μάθηση, επεξεργασία φυσικής γλώσσας, εικονικούς agents ή αναγνώριση φωνής για την παραγωγή αγαθών ή υπηρεσιών. Από τον Νοέμβριο του 2023 -που είναι η αφετηρία για το συγκεκριμένο σύνολο δεδομένων- ο αριθμός των εταιρειών που απαντούν «ναι» έχει σταθερή ανοδική τάση, ειδικά αν κοιτάξετε τον κυλιόμενο μέσο όρο των έξι εβδομάδων, ο οποίος εξομαλύνει ορισμένα ακραία μεγέθη. Αλλά για πρώτη φορά, τους τελευταίους δύο μήνες, ο κυλιόμενος μέσος όρος έξι εβδομάδων για τις μεγαλύτερες εταιρείες (αυτές με περισσότερους από 250 υπαλλήλους) παρουσίασε μια πολύ σαφή πτώση, από το υψηλό του 13,5% σε περίπου 12%. Μια παρόμοια πτώση είναι εμφανής και για τις μικρότερες εταιρείες. Μόνο οι μικροεπιχειρήσεις, με λιγότερους από τέσσερις υπαλλήλους, συνεχίζουν να εμφανίζουν μια σταθερή ανοδική τάση υιοθέτησης του AI.

Μια στιγμιαία πτώση ή ένα σκάσιμο της φούσκας;

Όλο αυτό μπορεί να είναι μια στιγμιαία πτώση. Το Γραφείο Απογραφής θέτει επίσης ένα άλλο ερώτημα σχετικά με την υιοθέτηση της τεχνητής νοημοσύνης, ρωτώντας τις επιχειρήσεις σχετικά με το εάν προβλέπουν να χρησιμοποιήσουν το ΑΙ για την παραγωγή αγαθών ή υπηρεσιών τους επόμενους έξι μήνες. Και εδώ, τα δεδομένα δεν δείχνουν πτώση – αν και το ποσοστό που απαντά «ναι» φαίνεται να έχει σταθεροποιηθεί σε επίπεδο κάτω από αυτό που ήταν στα τέλη του 2023 και στις αρχές του 2024.

Ο Torsten Sløk, επικεφαλής οικονομολόγος της επενδυτικής εταιρείας Apollo, ο οποίος επεσήμανε τα δεδομένα του Γραφείου Απογραφής στο ιστολόγιο της εταιρείας του, επισημαίνει ότι τα αποτελέσματα της έρευνας είναι πιθανώς ένα κακό σημάδι για τις εταιρείες των οποίων οι υψηλές αποτιμήσεις εξαρτώνται από την πανταχού παρούσα και βαθιά υιοθέτηση της τεχνητής νοημοσύνης σε ολόκληρη την οικονομία.

Μια άλλη ανάλυση που αξίζει να εξετάσουμε: Ο Harrison Kupperman, ιδρυτής και επικεφαλής επενδύσεων στην Praetorian Capital, αφού έκανε τους υπολογισμούς του, κατέληξε στο συμπέρασμα ότι οι hyperscalers και οι κορυφαίες εταιρείες τεχνητής νοημοσύνης όπως η OpenAI σχεδιάζουν τόσες πολλές επενδύσεις σε κέντρα δεδομένων AI φέτος, που θα χρειαστεί να εξασφαλίσουν 40 δισεκατομμύρια δολάρια ετησίως σε πρόσθετα έσοδα κατά την επόμενη δεκαετία μόνο και μόνο για να καλύψουν το κόστος απόσβεσης. Και τα κακά νέα είναι ότι τα συνολικά τρέχοντα ετήσια έσοδα που αποδίδονται στην τεχνητή νοημοσύνη είναι, όπως εκτιμά ο ίδιος, μόλις 15 έως 20 δισεκατομμύρια δολάρια. Νομίζω ότι ο Kupperman μπορεί να κινείται λίγο χαμηλά σε αυτήν την εκτίμηση εσόδων, αλλά ακόμη και αν τα έσοδα ήταν διπλάσια από αυτά που προτείνει (που δεν είναι), θα ήταν αρκετά μόνο για να καλύψουν το κόστος απόσβεσης. Αυτό σίγουρα δεν φαίνεται αρκετά ευοίωνο.

Έτσι, μπορεί πράγματι να βρισκόμαστε στην κορυφή του κύκλου του hype, έτοιμοι να βυθιστούμε στην απογοήτευση. Το αν θα δούμε μια σταδιακή αποκλιμάκωση της φούσκας της τεχνητής νοημοσύνης ή ένα εκρηκτικό σκάσιμο που θα οδηγήσει σε έναν «χειμώνα του ΑΙ» -μια περίοδο διαρκούς απογοήτευσης με την τεχνητή νοημοσύνη και μια έρημο χρηματοδότησης- μένει να φανεί. Σε ένα πρόσφατο άρθρο για το Fortune, εξέτασα τους προηγούμενους «χειμώνες» του ΑΙ – υπήρξαν τουλάχιστον τρεις από τότε που ξεκίνησε ο κλάδος τη δεκαετία του 1950 – και προσπάθησα να αντλήσω κάποια διδάγματα σχετικά με το τι τους επιταχύνει.

Μήπως έρχεται ένας χειμώνας του ΑΙ;

Όπως υποστηρίζω, πολλοί από τους παράγοντες που συνέβαλαν σε προηγούμενους χειμώνες του ΑΙ είναι παρόντες σήμερα. Ο προηγούμενος κύκλος του hype που ίσως μοιάζει περισσότερο με τον τρέχοντα έλαβε χώρα τη δεκαετία του 1980 γύρω από τα expert systems – αν και αυτά κατασκευάστηκαν χρησιμοποιώντας ένα πολύ διαφορετικό είδος τεχνολογίας τεχνητής νοημοσύνης σε σχέση με τα σημερινά μοντέλα ΑΙ. Αυτό που είναι πιο εντυπωσιακά παρόμοιο είναι ότι οι εταιρείες της λίστας Fortune 500 ενθουσιάστηκαν με τα expert systems και ξόδεψαν πολλά χρήματα για να τα υιοθετήσουν, και μερικές βρήκαν τεράστια κέρδη παραγωγικότητας από τη χρήση τους. Αλλά τελικά πολλές εταιρείες απογοητεύτηκαν με το πόσο ακριβό και δύσκολο ήταν να κατασκευαστεί και να συντηρηθεί αυτό το είδος τεχνητής νοημοσύνης – καθώς και με το πόσο εύκολα θα μπορούσε να αποτύχει σε ορισμένες πραγματικές καταστάσεις που οι άνθρωποι μπορούσαν να χειριστούν εύκολα.

Η κατάσταση δεν είναι τόσο διαφορετική σήμερα. Η ενσωμάτωση των LLM σε εταιρικές ροές εργασίας είναι δύσκολη και ενδεχομένως δαπανηρή. Τα μοντέλα ΑΙ δεν συνοδεύονται από εγχειρίδια οδηγιών και η ενσωμάτωσή τους σε εταιρικές ροές εργασίας – ή η κατασκευή εντελώς νέων γύρω από αυτά – απαιτεί πολλή δουλειά. Ορισμένες εταιρείες το καταλαβαίνουν και βλέπουν πραγματική αξία. Αλλά πολλές δυσκολεύονται.

Και όπως ακριβώς και τα expert systems, τα σημερινά μοντέλα τεχνητής νοημοσύνης είναι συχνά αναξιόπιστα σε πραγματικές καταστάσεις – αν και για διαφορετικούς λόγους. Τα expert systems έτειναν να αποτυγχάνουν επειδή ήταν πολύ άκαμπτα για να αντιμετωπίσουν την ακαταστασία του κόσμου. Από πολλές απόψεις, τα σημερινά LLM είναι πολύ ευέλικτα – εφευρίσκοντας πληροφορίες ή ακολουθώντας απροσδόκητες συντομεύσεις. (Ερευνητές της OpenAI μόλις δημοσίευσαν μια εργασία σχετικά με το πώς πιστεύουν ότι ορισμένα από αυτά τα προβλήματα μπορούν να λυθούν).

Κάποιοι αρχίζουν να υπονοούν ότι η λύση μπορεί να βρίσκεται σε νευροσυμβολικά συστήματα, υβρίδια που προσπαθούν να ενσωματώσουν τα καλύτερα χαρακτηριστικά των νευρωνικών δικτύων, όπως τα LLM, με εκείνα της συμβολικής τεχνητής νοημοσύνης που βασίζεται σε κανόνες, παρόμοια με τα expert systems της δεκαετίας του 1980. Είναι μόνο μία από τις πολλές εναλλακτικές προσεγγίσεις στο ΑΙ που μπορεί να αρχίσουν να κερδίζουν έδαφος εάν υποχωρήσει το hype γύρω από τα LLM. Μακροπρόθεσμα, αυτό μπορεί να είναι κάτι καλό. Αλλά βραχυπρόθεσμα, μπορεί να προκύψει ένας πολύ ψυχρός χειμώνας για επενδυτές, ιδρυτές και ερευνητές.

Πηγή: Fortune.com