Bisakah AI Generatif Mengatasi Pertanyaan Seputar Skalabilitas dan Biaya?

Tren Ekonomi

Ringkasan:

Dengan perusahaan-perusahaan terbesar di dunia berlomba-lomba membangun kecerdasan buatan yang paling canggih, pertanyaan tentang seberapa jauh dan seberapa cepat teknologi tersebut dapat ditingkatkan mulai menjadi fokus, menurut Goldman Sachs Research.

Munculnya AI generatif telah menciptakan gelombang kegembiraan tentang masa depan teknologi tersebut. Tidak seperti jenis AI lainnya, AI generatif dapat menghasilkan output-nya sendiri dalam bahasa alami. Karena bersifat "multimodal", AI generatif juga dapat menghasilkan respons dalam format lain, termasuk teks, angka, video, dan suara.

Perusahaan teknologi besar mengutip kasus penggunaan awal, dan beberapa pelaku perusahaan melihat ruang lingkup untuk perolehan produktivitas utama dalam area tertentu seperti penulisan kode, yang dapat membuat karyawan paling berharga menjadi lebih produktif.

Namun, ukuran pasti manfaat ekonomi di masa mendatang masih menjadi bahan perdebatan . Biaya membangun AI gen dalam skala besar sangat tinggi, dengan perusahaan teknologi besar menginvestasikan ratusan miliar dolar — meskipun biaya per kueri telah turun drastis sejak teknologi pertama kali diluncurkan.

Pada Simposium Virtual AI dan Semis Eropa Goldman Sachs yang pertama, 20 pembicara — mulai dari CEO dan teknolog hingga ekonom makro — berkumpul untuk menilai prospek AI. Secara khusus, mereka membahas topik-topik utama termasuk kasus penggunaan, total pasar yang dapat dituju, tantangan untuk pengembangan dan adopsi teknologi lebih lanjut, dan implikasi untuk perangkat keras dan semikonduktor Eropa.

Kami berbicara dengan Alexander Duval, kepala Europe Tech Hardware Semiconductors di Goldman Sachs Research, tentang temuan utama simposium tersebut.

Apa peran perusahaan teknologi besar yang dikenal sebagai “hyperscalers” dalam pengembangan AI?

Sejauh ini, raksasa teknologi AS telah menjadi pelopor penggunaan AI generatif. Mereka telah mengembangkan model bahasa yang besar, yang dapat mereka gunakan baik untuk bisnis yang sudah ada maupun berpotensi dalam menciptakan perangkat bisnis baru.

Simposium tersebut membahas bagaimana teknologi tersebut menghasilkan seperempat kode hyperscaler dan menghemat waktu rekayasa yang berarti untuk hyperscaler lainnya. Kasus penggunaan yang lebih luas dalam ekonomi riil mencakup penggunaannya untuk memprediksi struktur protein, dan bahkan untuk "menghilangkan usia" penampilan aktor dalam sebuah film.

Itu adalah contoh yang mencolok. Namun, perlu diingat bahwa perusahaan hyperscaler telah menghabiskan ratusan miliar untuk ini. Bersama-sama, mereka telah menghabiskan sekitar $200 miliar untuk AI tahun ini, dan jumlah itu mungkin akan meningkat menjadi $250 miliar tahun depan. Mengembangkan model bahasa yang besar dapat menghabiskan biaya puluhan atau ratusan juta dolar. Dan itulah sebabnya pada simposium ini, kami benar-benar ingin melihat apakah layak atau diinginkan bahwa teknologi tersebut dapat ditingkatkan untuk menangani lebih banyak kasus penggunaan. Perusahaan hyperscaler ini memiliki banyak arus kas bebas, dan kami mulai melihat contoh kasus penggunaan, tetapi sejumlah pengamat industri percaya bahwa pada titik tertentu kita perlu melihat laba atas investasi untuk berbagai kasus penggunaan dan vertikal yang lebih luas.

Apakah ada kasus penggunaan utama yang muncul untuk kecerdasan buatan dalam ekonomi yang lebih luas?

Karena AI generatif bersifat multimodal, secara teoritis AI dapat diterapkan pada berbagai bidang: dukungan pelanggan, pengodean, analisis medis, pemasaran, dan banyak lagi. Mengingat adanya tingkat investasi yang sangat signifikan dalam AI, manfaat agregat dari kasus penggunaan tersebut perlu ditunjukkan untuk membenarkan pengembalian investasi yang solid. Meskipun demikian, beberapa peserta simposium mengatakan bahwa AI mungkin tidak perlu diskalakan di satu area tertentu — dengan kata lain, satu kasus penggunaan utama mungkin tidak diperlukan — selama manfaat ekonomi dari semua kasus penggunaan yang berbeda cukup memadai secara agregat. Anda dapat melihat peningkatan efisiensi secara menyeluruh.

Beberapa pembicara menunjukkan bahwa ada sejumlah contoh bisnis teknologi yang sangat besar dan sukses, yang dapat dikatakan tidak memiliki kasus penggunaan utama pada awalnya. Ambil contoh aplikasi pemesanan taksi. Sudah ada solusi yang sangat bagus: Berjalan ke ujung jalan dan memanggil taksi secara fisik. Namun, dengan memanfaatkan perangkat lunak dan efek jaringan, Anda dapat menciptakan manfaat ekonomi yang sangat besar, serta manfaat bagi konsumen.

Apakah masih ada ruang bagi perusahaan teknologi yang lebih kecil untuk bersaing?

Beberapa pembicara di simposium tersebut memiliki wawasan menarik tentang model bahasa kecil. Pada awalnya, pelaku teknologi berfokus pada pembuatan model bahasa besar — dan model tersebut masih penting. Namun, ada juga tren pengembangan model yang lebih kecil dan lebih efisien.

Model bahasa berukuran kecil lebih mudah untuk disetel, konsumsi energinya mungkin lebih rendah, dan dapat disesuaikan untuk memenuhi persyaratan khusus perusahaan dalam domain tertentu (seperti hukum, kedokteran, atau keuangan). Model bahasa berukuran kecil juga umumnya lebih murah, karena ukurannya lebih kecil dan menggunakan daya yang lebih sedikit.

Model bahasa yang besar akan tetap penting, dan raksasa teknologi memiliki sumber daya, arus kas bebas, dan neraca untuk mendorong pengembangannya. Namun, para pembicara menunjukkan bahwa akan ada pemain lain, mungkin yang lebih kecil dalam ekosistem yang dapat berinovasi dan mengembangkan model bahasa kecil yang akan berada di atas model yang lebih besar tersebut. Beberapa pembicara menganggap hal ini memberikan peluang bagi perusahaan kecil untuk mendorong inovasi di puncak tumpukan dan menyoroti banyaknya perusahaan yang didirikan setiap hari untuk melakukannya.

Mungkinkah tingginya biaya AI generatif menghambat pengembangan?

Pelatihan LLM membutuhkan investasi modal yang sangat tinggi. Anda perlu membangun pusat data, Anda memerlukan semua semikonduktor — yang mencakup GPU dan chip memori — dan Anda memerlukan perangkat keras, daya, dan utilitas. Pembicara menyebutkan bahwa biaya per kueri di beberapa domain beberapa kali lebih tinggi daripada untuk algoritma pencarian biasa.

Meski demikian, telah terjadi kemajuan yang stabil dalam mengurangi biaya. Biaya kueri AI generatif di beberapa perusahaan teknologi besar telah turun secara signifikan sejak peluncuran teknologi tersebut, dan sebuah perusahaan AI generasi baru telah menyatakan bahwa pendapatan yang dihasilkan oleh LLM generasi terbaru melebihi biaya pelatihan model sebelumnya. Sementara beberapa pembicara menyatakan bahwa mungkin ada risiko bahwa pengeluaran untuk AI dapat berkurang jika pengembalian yang signifikan tidak dihasilkan, konsensusnya adalah bahwa hyperscaler akan terus berinvestasi dalam beberapa tahun ke depan. Secara total, Goldman Sachs Research memperkirakan sekitar $1 triliun investasi dalam AI dalam beberapa tahun ke depan.

Apa saja kendala lain dalam mengembangkan AI lebih jauh?

Ada sejumlah tantangan yang terlibat dalam penskalaan AI. Untuk membangun teknologi, Anda memerlukan akses ke semikonduktor, daya, dan banyak data.

Data menjadi pertanyaan utama. Kita sampai pada titik di mana pengembang telah melatih model bahasa yang besar ini pada hampir semua data yang ada di internet. Pakar AI mencoba mencari cara untuk mengatasi masalah ini.

Salah satu jawaban yang mungkin adalah pembelajaran multimoda — di mana model AI belajar dengan menyerap tidak hanya teks, tetapi juga video dan gambar. Itu akan memberi mereka lebih banyak informasi. Ada juga penyimpanan data yang mungkin berada di silo milik sendiri — di lembaga penelitian atau perusahaan, misalnya — dan secara teoritis dapat ditambahkan ke korpus data tempat model ini dilatih. Kami juga mendengar tentang kemungkinan bahwa komputasi kuantum akan menghasilkan beberapa data fidelitas tinggi yang dapat digunakan untuk melatih model.

Kebutuhan energi yang besar menjadi kendala lain. Pembangkitan listrik harus meningkat setidaknya tiga hingga empat kali lipat pada tahun 2030. Dan salah satu panel menyoroti bahwa peningkatan kebutuhan energi dari hanya empat atau lima hyperscaler terbesar pada saat itu akan setara dengan konsumsi energi Prancis saat ini. Untungnya, semikonduktor yang lebih canggih juga dapat menghadirkan infrastruktur transmisi yang lebih baik dan konversi daya yang lebih efisien. Berbagai upaya juga sedang dilakukan untuk membuat semikonduktor lebih hemat energi.

Apa risiko penerapan AI dalam skala besar, dan bagaimana kita dapat membatasinya?

Perkembangan AI telah menimbulkan kekhawatiran tentang etika penggunaannya. Meski demikian, panel kami menyoroti bahwa perusahaan dan badan etika memantau kasus penggunaan yang sedang dikembangkan, dan menyarankan adanya pembatas untuk memastikan bahwa AI tidak disalahgunakan. Misalnya, beberapa pembicara membahas bagaimana melibatkan manusia yang memahami konteks tugas khusus yang memeriksa keluaran AI dapat mengurangi risiko halusinasi yang berdampak buruk.

Risiko lain yang memerlukan perhatian lebih lanjut meliputi AI yang berkomunikasi satu sama lain (berpotensi dalam bahasa yang tidak dapat dipahami manusia), masalah hak cipta, bias, dan keamanan.

Dengan demikian, para pembicara sepakat bahwa penggunaan AI mungkin semakin dibatasi pada domain yang paling tidak berisiko dan bergantung pada fitur keselamatan dan pengawasan manusia.

Bagaimana perusahaan perangkat keras dan semikonduktor Eropa dapat memperoleh manfaat dari pengembangan teknologi AI?

Sejumlah perusahaan perangkat keras dan semi-peranti keras Eropa dapat memperoleh manfaat. Secara khusus, simposium tersebut mempelajari tentang teknologi pengendapan lapisan atom — sejenis peralatan produksi semikonduktor yang memungkinkan Anda untuk mengendapkan material pada wafer silikon dengan sangat akurat untuk membuat sebuah chip. Satu perusahaan tertentu di Belanda menawarkan teknologi ini. Karena chip ini semakin kuat, chip tersebut harus lebih efisien dalam hal ruang dan daya, sehingga desain chip baru semakin memanfaatkan teknologi pengendapan lapisan atom.

Beberapa peserta juga menyoroti kemampuan Eropa dalam pengemasan semikonduktor canggih, yang dibutuhkan untuk memastikan penggunaan ruang yang efisien pada perangkat. Dan litografi — mekanisme untuk mencetak transistor ke dalam mikrocip — juga akan terus berkembang, menawarkan kemampuan pemrosesan yang semakin canggih. Eropa juga merupakan produsen dominan teknologi semacam itu.

Terakhir, konversi daya yang signifikan akan dibutuhkan untuk menjalankan server AI, dan Eropa juga memiliki kemampuan yang menjanjikan di sana.

Untuk terus mendapat informasi terkini tentang semua peristiwa ekonomi hari ini, silakan lihat kami kalender ekonomi

Peringatan Resiko Dan Penafian Investasi

Anda memahami dan mengakui bahwa ada risiko tingkat tinggi yang terlibat dalam strategi trading. Mengikuti strategi atau metodologi investasi apa pun berpotensi mengalami kerugian. Konten di situs ini disediakan oleh kontributor dan analis kami untuk tujuan informasi saja. Anda sendiri yang bertanggung jawab untuk menentukan apakah aset, sekuritas, strategi, atau produk lainnya cocok untuk Anda berdasarkan tujuan investasi dan situasi keuangan Anda.

Pemberitahuan Risiko

Berdagang Instrumen Keuangan Seperti Saham, Mata Uang, Komoditas, Kontrak Berjangka, Obligasi, Dana, Atau Mata Uang Kripto Adalah Perilaku Berisiko Tinggi, Termasuk Kehilangan Sebagian Atau Seluruh Jumlah Investasi Anda, Sehingga Perdagangan Tidak Cocok Untuk Semua Investor.

Anda Harus Melakukan Uji Tuntas Anda Sendiri, Menggunakan Penilaian Anda Sendiri, Dan Berkonsultasi Dengan Penasihat Yang Memenuhi Syarat Saat Membuat Keputusan Keuangan Apa Pun. Konten Situs Web Ini Tidak Ditujukan Kepada Anda, Situasi Keuangan Atau Kebutuhan Anda Juga Tidak Diperhitungkan. Informasi Yang Terdapat Di Situs Web Ini Belum Tentu Tersedia Secara Waktu Nyata, Juga Belum Tentu Akurat. Setiap Pesanan Atau Keputusan Keuangan Lainnya Yang Anda Buat Sepenuhnya Menjadi Tanggung Jawab Anda Dan Anda Tidak Boleh Bergantung Pada Informasi Apa Pun Yang Disediakan Melalui Situs Web. Kami Tidak Memberikan Jaminan Apa Pun Untuk Informasi Apa Pun Di Situs Web Dan Tidak Bertanggung Jawab Atas Kerugian Transaksi Apa Pun Yang Mungkin Timbul Dari Penggunaan Informasi Apa Pun Di Situs Web.

Dilarang Menggunakan, Menyimpan, Menggandakan, Menampilkan, Memodifikasi, Menyebarluaskan Atau Mendistribusikan Data Yang Terdapat Dalam Situs Web Ini Tanpa Izin Tertulis Dari Situs Web Ini. Semua Hak Kekayaan Intelektual Dilindungi Oleh Pemasok Dan Bursa Yang Menyediakan Data Yang Terdapat Di Situs Web Ini.

Pencarian Terkini

Pencarian Populer

Kutipan

Analisis

Pengguna

24/7

Kalender Ekonomi

Pendidikan

Data