Trumpas atsakymas: net ir plačiai paplitus dirbtinio intelekto naudojimui tam tikruose sluoksniuose, ypač kopijavimo programėlėse, istorijomis paremtuose vertinimuose ir didelėse skolos infrastruktūros projektuose, gali būti „DI burbulas“. Jei naudojimas nevirs ilgalaikėmis pajamomis ir nepagerins vieneto ekonomikos, tikėkitės nuosmukio. Jei sutartys, pinigų srautai ir darbuotojų išlaikymas išliks, tai labiau panašu į struktūrinį pokytį nei į maniją.
Vienas iškalbingas ženklas: naudojimas jau yra platus (pvz., Stanfordo dirbtinio intelekto indeksas rodo, kad 78 % organizacijų teigė, jog 2024 m. naudojo dirbtinį intelektą , palyginti su 55 % ankstesniais metais), tačiau platus naudojimas nebūtinai reiškia ilgalaikį pelną. [1]
Svarbiausios išvados:
Aiškumas sluoksniuose : apibrėžkite, ar turite omenyje vertinimą, finansavimą, naratyvą, infrastruktūrą ar produkto putojimą.
Monetizacijos atotrūkis : stebėkite diegimą ir pajamas; platus naudojimas negarantuoja pelno.
Vieneto ekonomika : įvertinkite išvados sąnaudas, pelno maržas, išlaikymą, atsipirkimą ir žmogiškųjų išteklių korekcijos naštą.
Finansavimo rizika : Streso testų panaudojimo prielaidos; finansinis svertas ir ilgi grąžinimo terminai gali greitai sumažėti.
Valdymo tempas : patikimumo, atitikties, registravimo ir atskaitomybės darbai sulėtina „nuo demonstracinės versijos iki gamybos“ terminus.
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Ar dirbtinio intelekto detektoriai yra patikimi aptinkant dirbtinio intelekto rašymą?
Sužinokite, kokie tikslūs yra dirbtinio intelekto detektoriai ir kur jie neveikia.
🔗 Kaip kasdien naudoti dirbtinį intelektą savo telefone?
Paprasti būdai naudoti dirbtinio intelekto programas kasdienėms užduotims atlikti.
🔗 Ar tekstas į kalbą yra dirbtinis intelektas ir kaip jis veikia?
Supraskite TTS technologiją, jos privalumus ir dažniausiai pasitaikančius naudojimo atvejus realiame pasaulyje.
🔗 Ar dirbtinis intelektas gali perskaityti ranka rašytą tekstą iš nuskaitytų užrašų?
Sužinokite, kaip dirbtinis intelektas apdoroja kursyvą ir kas pagerina atpažinimo rezultatus.
Ką žmonės turi omenyje sakydami „DI burbulas“ 🧠🫧
Paprastai tai yra vienas (ar keli) iš šių dalykų:
-
Vertinimo burbulas: kainos ilgą laiką reiškia beveik tobulą įvykdymą
-
Finansavimo burbulas: per daug pinigų vaikytis per daug panašių startuolių
-
Pasakojimo burbulas: „DI viską keičia“ virsta „DI viską pataiso rytoj“
-
Infrastruktūros burbulas: didžiuliai duomenų centrai ir elektros energijos tiekimo plėtra finansuojama remiantis optimistinėmis prielaidomis
-
Produkto burbulas: daug demonstracinių versijų, mažiau lipnių, kasdien naudojamų produktų
Taigi, kai kas nors klausia „Ar yra dirbtinio intelekto burbulas“, tikrasis klausimas tampa: apie kurį sluoksnį mes kalbame.
Trumpas realybės šou vedlys: kas vyksta 📌
Keletas pagrįstų duomenų taškų padeda atskirti „putas“ nuo „struktūrinio poslinkio“:
-
Investicijos yra milžiniškos (ypač į generatyvųjį dirbtinį intelektą): pasaulinės privačios investicijos į generatyvųjį dirbtinį intelektą 2024 m. pasiekė 33,9 mlrd. JAV dolerių (Stanfordo dirbtinio intelekto indeksas). [1]
-
Energija nebėra tik išnaša: Tarptautinė energetikos agentūra (TEA) apskaičiavo, kad 2024 m. duomenų centrai sunaudojo apie 415 TWh (apie 1,5 % pasaulinės elektros energijos) ir prognozuoja, kad iki 2030 m., remiantis baziniu scenarijumi, sunaudos apie 945 TWh (šiek tiek mažiau nei 3 % pasaulinės elektros energijos). Tai tikras išeikvojimas – ir kartu reali prognozavimo / finansavimo rizika, jei diegimas ar efektyvumas nebus stebimi. [2]
-
Per pagrindinę infrastruktūrą teka „tikri pinigai“: „NVIDIA“ pranešė apie 130,5 mlrd. USD pajamas 2025 finansiniais metais ir 115,2 mlrd. USD pajamas už visus metus – duomenų centrų pajamas, kurios yra beveik tokios mažos, kad „nėra fundamentalių rodiklių“. [3]
-
Įdiegimas ≠ pajamos (ypač mažesnėse įmonėse): EBPO atlikta apklausa parodė, kad dirbtinį intelektą naudoja 31 % MVĮ , o tarp dirbtinį intelektą naudojančių MVĮ 65 % teigė, kad darbuotojų darbo rezultatai pagerėjo , o 26 % – kad pajamos padidėjo . Taip, tai vertinga, tačiau tai taip pat rodo, kad „monetizavimas yra netolygus“. [4]
Kas daro DI burbulo testą gerą ✅🫧
Geras burbulų testas nėra vien vibracijos testas. Jis tikrina tokius dalykus kaip:
1) Įdiegimas ir monetizavimas
Tai, kad žmonės naudoja dirbtinį intelektą, nebūtinai reiškia, kad jie moka už jį pakankamai (arba moka pakankamai ilgai ), kad pateisintų šiandienines kainas.
2) Vieneto ekonomika (neseksuali tiesa)
Ieškokite:
-
bendrosios maržos
-
išvados kaina vienam klientui (kiek jums kainuoja sukurti norimą produkciją)
-
išlaikymas ir plėtra
-
atsipirkimo laikotarpis
Trumpas, bet svarbus apibrėžimas: išvados kaina nėra „debesų kompiuterijos išlaidos“. Tai ribinės vertės kūrimo išlaidos – žetonai, delsa, GPU laikas, apsauginiai turėklai, žmonių įtraukimas į procesą, kokybės užtikrinimas, pakartojimai ir visi paslėpti „patikimumo užtikrinimo“ darbai.
3) Įrankiai ir programėlės
Infrastruktūra gali laimėti, net jei daug programų nustos veikti, nes visiems vis tiek reikia skaičiavimo išteklių. (Tai viena iš priežasčių, kodėl požiūris „viskas yra burbulas“ dažnai nepasiteisina.)
4) Svertas ir trapus finansavimas
Skolos + ilgi atsipirkimo ciklai + naratyvinis įkarštis – tai vieta, kur viskas nutrūksta, ypač infrastruktūros srityje, kur svarbiausia yra panaudojimo prielaidos. TEA aiškiai naudoja scenarijų / jautrumo atvejus, nes neapibrėžtumas yra realus. [2]
5) Klaidinamas teiginys
Ne „DI bus didelis“, bet „šie pinigų srautai pateisina šią kainą“
„Taip“ atvejis: dirbtinio intelekto burbulo požymiai 🫧📈
1) Finansavimas yra labai koncentruotas 💸
Į viską, kas vadinama „DI“, sukaupta milžiniška kapitalo dalis. Koncentracija gali reikšti įsitikinimą – arba perkaitimą. Stanfordo DI indekso duomenys rodo, kokia didelė ir greita buvo investicijų banga, ypač generatyvinio DI srityje. [1]
2) „Naratyvinis priedas“ atlieka daug darbo 🗣️✨
Pamatysite:
-
startuoliai sparčiai auga, kol produktas neatitinka rinkos poreikių
-
„Dirbtiniu intelektu išplauti“ pasiūlymai (tas pats produktas, naujas žargonas)
-
strateginiu pasakojimu pagrįsti vertinimai
3) Įmonių diegimas yra sudėtingesnis nei rinkodara 🧯
Skirtumas tarp demonstracinės ir produkcijos yra realus:
-
patikimumo problemos
-
haliucinacijos (išgalvotas žodis, reiškiantis „užtikrintai klystu“)
-
atitikties ir duomenų valdymo galvos skausmai
-
lėti pirkimų ciklai
Tai ne tik „FUD“. Rizikos vertinimo sistemos, tokios kaip NIST dirbtinio intelekto RMF, aiškiai pabrėžia validžias ir patikimas , saugias , patikimas , atskaitingas , skaidrias ir privatumą užtikrinančias sistemas, t. y. kontrolinių sąrašų darbą, kuris sulėtina fantaziją „išsiųsti rytoj“. [5]
Sudėtinis diegimo modelis (ne viena įmonė, tik įprastas filmas):
1 savaitė: komandoms patinka demonstracinė versija.
4 savaitė: teisinė / saugumo sritis reikalauja valdymo, registravimo ir duomenų kontrolės.
8 savaitė: tikslumas tampa kliūtimi, todėl „laikinai“ pridedami žmonės.
12 savaitė: vertė reali, bet ji siauresnė nei pasiūlymų rinkinys, o sąnaudų struktūra labai skiriasi nuo tikėtasi.
4) Infrastruktūros užstatymo rizika yra reali 🏗️⚡
Išlaidos milžiniškos: duomenų centrams, lustams, elektrai, aušinimui. TEA prognozė, kad iki 2030 m. pasaulinė duomenų centrų elektros energijos paklausa gali maždaug padvigubėti, yra stiprus „tai vyksta“ signalas – ir priminimas, kad neatitikimas panaudojimo prielaidų gali paversti brangų turtą apgailestavimu [2].
5) Dirbtinio intelekto tema persipina su viskuo 🌶️
Elektros energijos įmonės, tinklo įranga, vėsinimas, nekilnojamasis turtas – istorija keliauja. Kartais tai racionalu (energijos apribojimai realūs). Kartais tai teminis naršymas.
„Ne“ atvejis: kodėl tai nėra klasikinis visiškas burbulas 🧊📊
1) Kai kurie pagrindiniai žaidėjai turi realių pajamų (ne tik pasakojimą) 💰
Grynų burbulų požymis yra „dideli pažadai, maži fundamentiniai elementai“. Dirbtinio intelekto infrastruktūroje yra daug realios paklausos, už kurios investuojami realūs pinigai – NVIDIA deklaruojamas mastas yra vienas matomas pavyzdys. [3]
2) Dirbtinis intelektas jau yra integruotas į darbo dienos darbo eigas (darbo diena yra gerai) 🧲
Klientų aptarnavimas, kodavimas, paieška, analizė, operacijų automatizavimas – didelė dalis dirbtinio intelekto vertės yra tyliai praktiška, o ne prašmatni. Tokio pritaikymo modelio paprastai nėra .
3) Skaičiavimo išteklių trūkumas nėra įsivaizduojamas 🧱
Net skeptikai paprastai pripažįsta: žmonės šiuos daiktus naudoja dideliu mastu. O naudojimo didinimui reikia techninės įrangos ir energijos – tai atsispindi realiose investicijose ir realiame energijos planavime. [2]
Kur burbulo rizika atrodo didžiausia (ir mažiausia) 🎯🫧
Didžiausia putų rizika 🫧🔥
-
Kopijavimo programėlės be jokių apribojimų ir beveik be perjungimo išlaidų
-
Startuoliai, kurių kainos kyla dėl „būsimo dominavimo“ be įrodyto išlaikymo
-
Pernelyg didelės infrastruktūros investicijos su ilgu atsipirkimo laikotarpiu ir trapiomis prielaidomis
-
„Visiškai autonominio agento“ teiginiai , kurie iš tiesų yra trapūs ir užtikrintai veikiantys darbo srautai
Mažesnė putojimo rizika (vis dar ne be rizikos) 🧊✅
-
Infrastruktūra, susieta su realiomis sutartimis ir naudojimu
-
Įmonės įrankiai su išmatuojama investicijų grąža (sutaupytas laikas, išspręstos užklausos, sutrumpintas ciklo laikas)
-
Hibridinės sistemos: dirbtinis intelektas + taisyklės + žmogaus įtraukimas (mažiau patrauklios, patikimesnės) – ir labiau suderintos su rizikos vertinimo principais, kuriuos komandos skatina kurti. [5]
Palyginimo lentelė: greito realybės patikrinimo lęšiai 🧰🫧
| objektyvas | geriausiai tinka | kaina | kodėl tai veikia (ir slypi ypatybės) |
|---|---|---|---|
| Finansavimo koncentracija | investuotojai, įkūrėjai | skiriasi | Jei pinigai užtvindo vieną temą, gali kauptis putos... bet vien finansavimas neužtikrina burbulo |
| Vieneto ekonomikos apžvalga | operatoriai, pirkėjai | laiko sąnaudos | Priverčia užduoti klausimą „ar tai apsimoka?“ – taip pat atskleidžia, kur slepiasi išlaidos |
| Išlaikymas + plėtra | produktų komandos | vidinis | Jei vartotojai negrįžta, tai tik mada, atsiprašau |
| Infrastruktūros finansavimo patikrinimas | makro, paskirstytojai | skiriasi | Puikiai tinka finansinio sverto rizikai nustatyti, bet sunku idealiai modeliuoti (scenarijai svarbūs) [2] |
| Viešieji finansai ir maržos | visi | nemokamas | Realybės inkarai – vis tiek gali būti pernelyg agresyviai numatomos kainos |
(Taip, tai šiek tiek netolygu. Štai kaip jaučiasi tikras sprendimų priėmimas.)
Praktinis dirbtinio intelekto burbulo kontrolinis sąrašas 📝🤖
Dirbtinio intelekto produktams (programėlėms, antriesiems pilotams, agentams) 🧩
-
Ar vartotojai grįžta kas savaitę nebūdami paraginti?
-
Ar įmonė gali pakelti kainas nepadidindama klientų kaitos?
-
Kiek išvesties reikia žmogaus korekcijos?
-
Ar yra nuosavybės teise saugomų duomenų, darbo eigos apribojimų ar platinimo?
-
Ar išvados išlaidos mažėja sparčiau nei kainos?
Infrastruktūrai 🏗️
-
Ar yra pasirašytų įsipareigojimų, ar tik „strateginis interesas“?
-
Kas nutinka, jei panaudojimas yra mažesnis nei tikėtasi? (Modeliuokite „priešinių aplinkybių“ atvejį, o ne tik bazinį atvejį.) [2]
-
Ar tai finansuojama didelėmis skolomis?
-
Ar yra planas, jei pasikeis aparatinės įrangos nuostatos?
Viešosios rinkos „DI lyderiams“ 📈
-
Ar pinigų srautai auga, ar tai tik istorija?
-
Ar paraštės plečiasi, ar siaurėja?
-
Ar augimas priklauso nuo nedidelio klientų skaičiaus?
-
Ar vertinimas atliekamas darant prielaidą apie nuolatinį dominavimą?
Uždaromas išsinešimo maistas 🧠✨
Ar egzistuoja dirbtinio intelekto burbulas? Kai kurios ekosistemos dalys rodo burbulo elgseną, ypač kopijavimo programose, pirmųjų istorijų vertinimuose ir bet kokiame stipriai sverto veikiamame projekte.
Tačiau pats dirbtinis intelektas nėra „klastotė“ ar „tik rinkodara“. Technologija yra tikra. Jos diegimas yra realus – ir mes galime nurodyti realias investicijas, realias energijos paklausos prognozes ir realias pajamas iš pagrindinės infrastruktūros. [1][2][3]
Trumpai: silpnesniuose arba per daug svertų turinčiuose kampuose tikėkitės perversmo. Esminis pokytis tęsiasi – tik su mažiau iliuzijų ir daugiau skaičiuoklių 😅📊
DUK
Ar šiuo metu egzistuoja dirbtinio intelekto burbulas?
„DI burbulas“ gali būti susiformavęs tik tam tikruose sluoksniuose, o ne visoje DI ekosistemoje. Putos dažniausiai kaupiasi kopijavimo programėlėse, istorijomis paremtuose vertinimuose ir sunkiai įsiskolinusiose infrastruktūros projektuose, finansuojamuose remiantis optimistinėmis panaudojimo prielaidomis. Tuo pačiu metu pritaikymas jau yra platus, o kai kurie pagrindiniai infrastruktūros žaidėjai fiksuoja apčiuopiamas pajamas. Rezultatas priklauso nuo to, ar naudojimas virs ilgalaikiais pinigų srautais ir klientų išlaikymu.
Ką žmonės turi omenyje sakydami „DI burbulas“?
Dauguma žmonių turi omenyje vieną ar daugiau iš penkių dalykų: vertės burbulą, finansavimo burbulą, naratyvo burbulą, infrastruktūros burbulą arba produkto burbulą. Painiava kyla dėl to, kad „DI“ visus šiuos sluoksnius sujungia į vieną antraštę. Jei neapibrėžsite sluoksnio, galite susidurti su ginčais. Aiškesnis klausimas – kuri dalis atrodo perkaitusi ir kodėl.
Ar plačiai paplitęs dirbtinio intelekto diegimas įrodo, kad rinka nėra burbulas?
Nebūtinai. Platus naudojimas yra realus, tačiau diegimas nebūtinai reiškia ilgalaikį pelną. Organizacijos gali „naudoti dirbtinį intelektą“ eksperimentiniais, mažai išlaidaujančiais arba sunkiai monetizuojamais būdais. Pagrindinis kriterijus yra tai, ar diegimas tampa pasikartojančiomis pajamomis, didėjančiomis maržomis ir stipriu klientų išlaikymu. Jei to nepadarysite, vis tiek galite sulaukti sėkmės net ir esant dideliam naudojimui.
Kaip sužinoti, ar dirbtinio intelekto diegimas virsta realiomis pajamomis?
Praktiškas požiūris yra stebėti diegimą ir pajamų gavimą laikui bėgant, o ne tik vienkartinio naudojimo statistiką. Ieškokite įrodymų, kad klientai moka pakankamai, moka pakankamai ilgai ir didina išlaidas, didindami naudojimą. Netolygus pajamų gavimas gali būti aiškiausias mažesnėse įmonėse, kuriose produktyvumo padidėjimas iš karto netampa pajamomis. Jei pajamų augimas yra nepastovus, vertinimai gali pranokti fundamentinius rodiklius.
Kokie vieneto ekonominiai rodikliai yra svarbiausi dirbtinio intelekto produktams?
Vieneto ekonomika yra svarbi, nes išvados gali nuslėpti daug sąnaudų, viršijančių „debesų kompiuterijos išlaidas“. Naudingas prizmė yra ribinės vertės kūrimo sąnaudos: žetonai, GPU laikas, delsos apribojimai, apsauginiai barjerai, pakartojimai, kokybės užtikrinimas ir žmonių dalyvavimas korekcijoms. Tada susiekite tai su bendruoju pelno marža, išlaikymu, plėtra ir atsipirkimo laikotarpiu. Jei žmonių korekcija yra didelė, sąnaudos gali išlikti atkakliai didelės.
Kodėl atotrūkis nuo demonstracinės ir gamybinės versijos yra toks didelis dalykas?
Demonstracinė versija dažnai yra lengviausia dalis; gamybai reikalingas patikimumas, atitiktis reikalavimams, registravimas ir atskaitomybė. Haliucinacijos, valdymo reikalavimai ir pirkimų ciklai sulėtina terminus ir gali susiaurinti praktinį siūlomų produktų ar paslaugų apimtį. Daugelyje diegimo versijų „laikinai“ įtraukiami žmonės, o vėliau paaiškėja, kad tai yra labai svarbu kokybei ir rizikos kontrolei. Tai keičia tiek produkto formą, tiek sąnaudų struktūrą.
Kur šiandien didžiausia dirbtinio intelekto burbulo rizika?
Didžiausia „burbulo“ rizika atrodo kopijavimo programėlėse, kuriose beveik nėra jokių perjungimo išlaidų, startuoliuose, kurių kainos siekia „būsimo dominavimo“ be įrodyto išlaikymo, ir teiginiuose apie visiškai autonominius agentus, kurie yra trapūs darbo eigos. Šios sritys labai priklauso nuo naratyvo aukščiausios kokybės ir gali greitai išnykti, jei rezultatai nuvilia. Stebėtina tendencija yra vartotojų praradimas: jei vartotojai negrįžta kas savaitę be paskatų, produktas gali būti putotas.
Ar dirbtinio intelekto infrastruktūra (lustai ir duomenų centrai) yra labiau ar mažiau linkusi į burbulą?
Kai paklausa yra susieta su sutartimis ir nuolatiniu naudojimu, ji gali būti mažiau linkusi į burbulus, tačiau tai kelia kitokią riziką. Didžiausias pavojus yra finansavimas: jei panaudojimas yra nepakankamas, gali nutrūkti finansinis svertas ir ilgi atsipirkimo ciklai. Infrastruktūros statymai yra labai jautrūs prognozavimo prielaidoms, o scenarijų planavimas yra svarbus, nes neapibrėžtumas yra realus. Didelė susitraukusi paklausa sumažina riziką, bet jos nepašalina.
Koks yra praktiškas kontrolinis sąrašas „DI burbulo“ teiginiams patikrinti?
Naudokite klaidingą teiginį: „Ar šie pinigų srautai pateisina šią kainą?“ Produktų atveju patikrinkite savaitinį išlaikymą, kainodaros galią, korekcijos naštą ir tai, ar išvados išlaidos mažėja sparčiau nei kainos. Infrastruktūros atveju atkreipkite dėmesį į pasirašytus įsipareigojimus, nepalankių aplinkybių panaudojimo modeliavimą ir tai, ar nėra didelių skolų. Jei sutartys, pinigų srautai ir išlaikymas išlieka, tai labiau panašu į struktūrinį pokytį nei į maniją.
Nuorodos
[1] Stanfordo HAI – 2025 m. dirbtinio intelekto indekso ataskaita – skaitykite daugiau
[2] Tarptautinė energetikos agentūra – Dirbtinio intelekto energijos poreikis (energijos ir dirbtinio intelekto ataskaita) – skaitykite daugiau
[3] NVIDIA naujienų kambarys – 2025 m. IV ketvirčio ir finansinių metų finansiniai rezultatai (2025 m. vasario 26 d.) – skaitykite daugiau
[4] OECD – Generatyvusis dirbtinis intelektas ir MVĮ darbo jėga (2024 m. apklausa; paskelbta 2025 m. lapkričio mėn.) – skaitykite daugiau
[5] NIST – Dirbtinio intelekto rizikos valdymo sistema (DI RMF 1.0) (PDF) – skaitykite daugiau