هوش مصنوعی به داده‌های بیشتر، تراشه‌های بیشتر، املاک بیشتر، قدرت بیشتر، آب بیشتر، همه چیز بیشتر نیاز دارد

به نظر می‌رسد که کار ساده‌ای است: از ChatGPT چیزی بپرسید و پاسخ بگیرید. اما پشت پرده، هر درخواست ChatGPT و هر وظیفه Microsoft Copilot منابع عظیمی را مصرف می‌کند. میلیون‌ها انسان در حال مهندسی، تصحیح و آموزش مدل‌ها هستند. ترابایت‌ها از برق برای تأمین انرژی کشورها. مراکز داده بزرگ در سراسر جهان. شبکه‌های خطوط برق و کابل‌های اینترنت. آب، زمین، فلزات و مواد معدنی. هوش مصنوعی به همه این‌ها نیاز دارد و به بیشتر نیاز خواهد داشت.

پژوهشگران تخمین زده‌اند که یک درخواست ChatGPT تقریباً ۱۰ برابر بیشتر از یک جستجوی سنتی گوگل برق مصرف می‌کند. موتور جستجوی معمولی شما وب را برای محتوایی که در یک فهرست بزرگ ذخیره شده است، جستجو می‌کند. اما محصولات جدید هوش مصنوعی به مدل‌های زبانی بزرگ یا LLMها متکی هستند که میلیاردها کلمه متن از آثار جمع‌آوری شده ویلیام شکسپیر تا آخرین پیش‌بینی‌های فدرال رزرو را تغذیه می‌کنند. مدل‌ها الگوها و ارتباطات را تشخیص می‌دهند و میلیاردها و میلیاردها پارامتر به اصطلاح ایجاد می‌کنند که به آن‌ها کمک می‌کند رفتار انسانی را تقلید کنند. با استفاده از این مدل‌ها، ChatGPT و مشابه آن محتوای جدیدی ایجاد می‌کنند - از این رو اصطلاح هوش مصنوعی تولیدی.

ماهیت منابع‌بر هوش مصنوعی برندگان و بازندگان را ایجاد خواهد کرد. کسانی که بیشترین منابع را دارند، پیشرفته‌ترین سیستم‌های هوش مصنوعی را خواهند داشت. این امر به درگیری‌ها بر سر کالاهای کمیاب‌تر و همچنین دسترسی به تراشه‌ها منجر می‌شود. این امر شرکت‌های فناوری را به جستجوی روش‌های کارآمدتر برای توسعه هوش مصنوعی ترغیب می‌کند. آن‌ها میلیاردها دلار به راه‌حل‌های انرژی جایگزین مانند همجوشی هسته‌ای که سال‌ها یا حتی دهه‌ها بدون هزینه‌های سنگین و پیشرفت‌های فناوری در حال تلاش بوده‌اند، سرمایه‌گذاری می‌کنند. در عین حال، تقاضاهای هوش مصنوعی به فشار برای ادامه سوزاندن سوخت‌های فسیلی برای تأمین شبکه برق افزوده است، حتی در حالی که جهان در مسیر عبور از اهداف حیاتی انتشار در مبارزه با تغییرات اقلیمی قرار دارد.

هوش مصنوعی عمدتاً در مراکز داده‌ای زندگی می‌کند و اجرا می‌شود که با مادربوردها، تراشه‌ها و دستگاه‌های ذخیره‌سازی همهمه می‌کنند. تقاضای برق از این مراکز اکنون در بسیاری از نقاط جهان از عرضه موجود پیشی گرفته است. در ایالات متحده، پیش‌بینی می‌شود که مراکز داده تا سال ۲۰۳۰، ۸٪ از کل برق را مصرف کنند، تقریباً سه برابر سهم در سال ۲۰۲۲ که هیجان هوش مصنوعی آغاز شد، طبق گزارش گروه Goldman Sachs که آن را به عنوان «نوعی رشد برق که در یک نسل دیده نشده است» توصیف کرده است. افزایش‌های مشابهی در تقاضا برای سوئد و بریتانیا پیش‌بینی شده است. تا سال ۲۰۳۴، مصرف سالانه انرژی جهانی توسط مراکز داده پیش‌بینی می‌شود که به ۱۵۸۰ ترابایت ساعت برسد - تقریباً به اندازه مصرف کل هند - از حدود ۵۰۰ امروز.

مراکز داده‌ای که توسط Google شرکت Alphabet Inc. اداره می‌شوند، در سال مالی ۲۰۲۳ بیش از ۲۴ ترابایت ساعت برق مصرف کردند، که بیش از ۳۱٪ افزایش نسبت به سال ۲۰۲۱ داشت. استفاده کلی Microsoft Corp. تقریباً همان بود، که نشان‌دهنده افزایش ۷۰٪ نسبت به دو سال قبل بود. بزرگ‌ترین شرکت‌های فناوری جهان به شدت آگاه شده‌اند که برق می‌تواند بیشترین اختلال در زنجیره تأمین هوش مصنوعی باشد و آن‌ها در حال رقابت برای قفل کردن تأمین‌های بلندمدت هستند. در ماه مه، Microsoft و بازوی انرژی سبز Brookfield Asset Management Ltd. بزرگ‌ترین توافق خرید انرژی پاک شرکتی را امضا کردند.

در اکتبر، بزرگ‌ترین تولیدکننده انرژی خورشیدی و بادی جهان، NextEra Energy Inc. اعلام کرد که قراردادهایی برای توسعه بالقوه ۱۰.۵ گیگاوات انرژی تجدیدپذیر و ذخیره‌سازی تا سال ۲۰۳۰ برای تنها دو شرکت Fortune 50 امضا کرده است. به نشانه درگیری‌های آینده، آن‌ها حتی شرکت‌های فناوری نیستند. رونق ایجاد شده است «حتی بیشتر از یک حق بیمه برای صنایع دیگر خارج از مراکز داده برای تلاش برای قفل کردن تولید تجدیدپذیر کم‌هزینه»، مدیر عامل NextEra، John Ketchum به سرمایه‌گذاران گفت. «همه کشتی‌ها با جزر و مد در حال بالا آمدن هستند.»

بقیه به دفاتر و کارخانه‌های دیگر می‌رود. امروز، شرکت‌هایی مانند CoreWeave می‌گویند، «‘من ۵۰۰ می‌خواهم،’» Venturo گفت. «شما باید خطوط انتقال جدید بسازید. شما باید ساخت پست‌های جدید انجام دهید.» و شما به ترانسفورماتورهایی در آن پست‌ها نیاز خواهید داشت که ممکن است سال‌ها قبل از آن‌ها سفارش داده شوند.

و این فقط برای ۵۰۰ مگاوات است. Sam Altman، یکی از بنیان‌گذاران و مدیر عامل OpenAI در حال صحبت درباره مراکز داده‌ای است که ممکن است به ۵۰۰۰ مگاوات نیاز داشته باشند. ساخت یک سیستم برق که بتواند این مقدار بار را در یک مکان واحد از ابتدا در مدت کوتاهی پشتیبانی کند «عملاً غیرممکن» است، مدیر عامل Constellation Energy Corp. Joe Dominguez می‌گوید. Constellation مالک نیروگاه هسته‌ای Three Mile Island است که در حال احیای یک راکتور برای تأمین برق به Microsoft است. Dominguez می‌گوید سازندگان مراکز داده باید به فکر هم‌مکان‌سازی در اطراف منابع برق غول‌پیکر و موجود باشند - مانند نیروگاه‌های هسته‌ای او. یک مگاکمپوس در کنار چند راکتور هسته‌ای بسازید، آن‌ها را با منابع انرژی تجدیدپذیر و باتری‌ها احاطه کنید، همه را با سیم‌های جدید و کنترل‌های تغییر بار به هم متصل کنید، و می‌توانید یک شبکه خودکفا ایجاد کنید.

هر وات برقی که به یک سرور تغذیه می‌شود، گرما تولید می‌کند. دماهای بیش از حد می‌تواند تجهیزات را خراب کند و سیستم‌ها را کند کند. در حال حاضر، برخی از کارآمدترین و مقرون به صرفه‌ترین راه‌ها برای خنک کردن هوا در مراکز به آب متکی هستند. Bluefield Research تخمین زده است که مراکز داده بیش از یک میلیارد لیتر آب در روز مصرف می‌کنند، از جمله آبی که در تولید انرژی استفاده می‌شود. این مقدار برای تأمین ۳.۳ میلیون نفر در یک روز کافی است. یک مطالعه در سال ۲۰۲۳ تخمین زده است که یک مکالمه با ChatGPT که شامل حدود ۱۰ تا ۵۰ سوال و پاسخ است، به یک بطری آب استاندارد ۱۶.۹ اونسی نیاز دارد. آموزش تنها یک مدل هوش مصنوعی قبلی پشت ChatGPT تخمین زده شده است که تقریباً ۲۰۰۰۰۰ گالن آب مصرف کرده است. اوضاع را بدتر می‌کند: بسیاری از آب از کیفیت آشامیدنی است، برای جلوگیری از مشکلات زیست‌محیطی و خرابی تجهیزات.

مدل‌های زبانی بزرگ که هوش مصنوعی تولیدی را پایه‌گذاری می‌کنند، با هضم مقادیر زیادی از داده‌ها از طریق اینترنت یاد می‌گیرند، و کاربران ابزارهای هوش مصنوعی به نوبه خود تنها به تقاضا اضافه خواهند کرد. مدیر عامل AT&T Inc. John Stankey در ماه مه گفت که تقاضای بی‌سیم شبکه در حال حاضر ۳۰٪ در سال افزایش یافته است و با افزایش استفاده از هوش مصنوعی کند نخواهد شد. «اگر قرار است استفاده همچنان ۳۰٪ تا ۳۵٪ در سال افزایش یابد، باید بزرگراه‌های بزرگ‌تری بسازید تا آن را بپذیرید»، او گفت.

در پنج سال گذشته، رشد ترافیک شبکه در Verizon Communications Inc. بیش از دو برابر شده است به لطف افرادی که ویدیوها را تماشا و پخش می‌کنند، مدیر عامل گروه مصرف‌کننده Verizon Sowmyanarayan Sampath در یک مصاحبه در حدود همان زمان گفت. در پنج سال آینده، او پیش‌بینی کرد، رشد دوباره دو برابر خواهد شد به دلیل درخواست‌ها و داده‌هایی که به مدل‌های هوش مصنوعی تغذیه می‌شود. او گفت، «هوش مصنوعی ماشین رشد بعدی برای ما است.» شرکت‌های فناوری به قدری گرسنه هستند که شبکه‌های فیبر را بلافاصله قفل کنند که شرکت مخابراتی Lumen Technologies Inc. در ماه اوت اعلام کرد که ۵ میلیارد دلار (و در حال مذاکره برای دریافت ۷ میلیارد دلار دیگر) در کسب و کار جدید مرتبط با تقاضای هوش مصنوعی برای اتصال امن کرده است.

در سطح جهانی، بیش از ۷۰۰۰ مرکز داده ساخته شده یا در مراحل مختلف توسعه قرار دارند، از ۳۶۰۰ در سال ۲۰۱۵. و این هنوز احتمالاً کافی نخواهد بود. تقاضا برای خدمات مرکز داده حتی قبل از ChatGPT به طور چشمگیری در حال رشد بود، عمدتاً به این دلیل که شرکت‌ها به طور فزاینده‌ای پردازش داده‌های خود را از محل خارج کرده و به خدمات ابری از راه دور روی آورده‌اند. و هر کشور بزرگی می‌خواهد مراکز هوش مصنوعی خود را داشته باشد، که یک مسابقه زیرساخت جهانی را به راه انداخته است.

مراکز داده به زمین نیاز دارند. برای مرجع: اعتماد سرمایه‌گذاری املاک و مستغلات Equinix Inc. ۲۰۰ هکتار برای یک کمپوس چند صد مگاواتی خریداری کرد. یک شرکت دیگر اخیراً یک توافق‌نامه توسعه اجاره‌ای برای ۲۰۰۰ هکتار برای یک کمپوس گیگاواتی امضا کرد. یافتن زمینی که برای نیازهای برق یک مرکز داده مناسب باشد، سخت است، که به جنگ‌های مزایده منجر می‌شود. این مجتمع‌ها همچنین به مواد ساختمانی و تیم‌هایی برای نصب همه آن‌ها نیاز دارند. مواد در حال سفارش هستند و کمبود کارگران وجود دارد. در همین حال، Venturo از ارائه‌دهنده خدمات ابری CoreWeave می‌گوید برخی از مشتریانش می‌خواهند او کل کمپوس‌ها را فقط به کسب و کار آن‌ها اختصاص دهد. «بازار بسیار سریع‌تر از زنجیره‌های تأمین که به طور تاریخی از یک کسب و کار بسیار فیزیکی پشتیبانی کرده‌اند، در حال حرکت است»، Venturo می‌گوید.

واحدهای پردازش گرافیکی یا GPUها، کارگران اصلی برای آموزش مدل‌های هوش مصنوعی هستند. آن‌ها برای انجام هزاران وظیفه به طور همزمان طراحی شده‌اند، مفهومی که به عنوان موازی‌سازی شناخته می‌شود. یک مرکز داده ممکن است صدها یا حتی هزاران از این پردازنده‌ها را استفاده کند، هر کدام بیش از یک ماشین خانوادگی هزینه دارند. تقریباً هر شرکت فناوری بزرگ در این نوع تراشه زمانی که رونق هوش مصنوعی تولیدی آغاز شد، کمبود داشت. Microsoft و Google از جمله کسانی بودند که در تماس‌های درآمدی گذشته به کمبود موجودی GPU به عنوان یک چالش اشاره کردند.

Nvidia Corp. با حرکت به معرفی‌های سالانه فناوری جدید، شرط‌ها را برای همه بالا برده است. این امر فشارهای بیشتری به یک زنجیره تأمین که قبلاً کشیده شده است، وارد کرده است. شرکت در نوامبر گفت که محصول جدید Blackwell آن در مسیر است و جلوتر از پیش‌بینی‌ها برای مقدار آن است که از در خارج می‌شود. اما، به طور حیاتی، چندین فصل طول خواهد کشید تا به اندازه کافی برای برآورده کردن تمام تقاضا داشته باشد.

بسیاری از موارد فوق به فلزات و مواد معدنی نیاز دارند. سیلیکون را در نظر بگیرید، پایه‌ای برای تراشه‌ها، مدارها و پردازنده‌ها. چین بزرگ‌ترین تولیدکننده سیلیکون خام و مواد سیلیکونی تصفیه شده است، که نگرانی‌هایی را به وجود آورده است زیرا تنش‌ها بین این کشور آسیایی و ایالات متحده و متحدانش افزایش یافته است. آخرین ترس زنجیره تأمین در کارولینای شمالی ظاهر شد. در اکتبر، طوفان هلیان، علاوه بر کشتن ده‌ها نفر و به دام انداختن دیگران در سراسر شرق ایالات متحده، عملیات در دو معدن در ایالت را مختل کرد که با هم حدود چهار پنجم از کوارتز با بالاترین کیفیت را تولید می‌کنند. از آن برای ایجاد کروسیبل‌هایی استفاده می‌شود که در آن سیلیکون گرم، ذوب و به ساختار تک‌کریستالی تبدیل می‌شود که پایه‌ای ایده‌آل برای تولید نیمه‌هادی‌ها است.

نیمه‌هادی‌ها حاوی طلا، نقره، آلومینیوم و قلع هستند. به اندازه کافی از این فلزات وجود دارد تا کارخانه‌ها را در حال کار نگه دارد. اما دو فلز تراشه ناشناخته به عنوان گلوگاه‌های بالقوه ظاهر شده‌اند: گالیوم و ژرمانیوم. در دسامبر، چین ممنوعیت صادرات این فلزات به ایالات متحده را اعلام کرد - بخشی از یک جنگ فناوری در حال افزایش. مس در همه چیز از جمله تراشه‌ها، مراکز داده، تجهیزات الکتریکی و واحدهای خنک‌کننده وجود دارد، که به طور بالقوه زمینه را برای درگیری بین تقاضاهای هوش مصنوعی، انرژی تجدیدپذیر و حمل و نقل الکتریکی فراهم می‌کند. و سپس فولاد وجود دارد، که برای ساخت مراکز داده و زیرساخت‌هایی مانند کابل‌ها حیاتی است.

بسیار گفته شده است درباره شغل‌هایی که هوش مصنوعی ممکن است حذف کند. در فوریه، شرکت فین‌تک سوئدی Klarna Bank AB پس از اعلام اینکه دستیار هوش مصنوعی آن معادل کار ۷۰۰ نماینده خدمات مشتری تمام‌وقت را انجام می‌دهد، موج‌هایی ایجاد کرد. شرکت‌های تحقیق و تحلیل جهانی هشدار داده‌اند که اشتغال در بخش‌هایی مانند مالی، حقوق و خدمات مشتری به شدت تحت تأثیر قرار خواهد گرفت. صندوق بین‌المللی پول تخمین زده است که هوش مصنوعی می‌تواند تقریباً ۴۰٪ از اشتغال جهانی را جایگزین یا تقویت کند.

اما شرکت‌های هوش مصنوعی خودشان امروز میلیون‌ها نفر را به طور مستقیم استخدام می‌کنند. در میان کارگران هوش مصنوعی، دانشمندان کامپیوتر، معماران داده، پژوهشگران، ریاضیدانان، مهندسان نرم‌افزار، طراحان تراشه، مدیران محصول و برنامه و وکلای انطباق هستند. این به ذکر ارتش‌های تحلیل‌گران داخلی، بازاریابان و فروشندگان نیست. در اوایل نوامبر، Salesforce Inc. برنامه‌هایی برای استخدام بیش از ۱۰۰۰ کارگر برای فروش محصول جدید هوش مصنوعی تولیدی خود اعلام کرد.

گلوگاه‌های استعداد در بسیاری از این حرفه‌ها در میان عجله برای استخدام برای هوش مصنوعی ظاهر شده‌اند. سرمایه‌گذاران فناوری و استارتاپ‌های هوش مصنوعی از کمبود نامزدهای به درستی آموزش‌دیده و با تجربه شکایت کرده‌اند. عبارت «AI-vies» - بازی با لیگ آیوی - در سیلیکون ولی برای اشاره به چند شرکت (از جمله Alphabet، Microsoft و OpenAI) که استعدادهایی را که همه می‌خواهند شکار کنند، آموزش داده‌اند، ظاهر شده است. حتی بیشتر از آن‌ها در خارج از کشور، در کشورهایی مانند هند، برای ساخت و پاکسازی مجموعه داده‌های با کیفیت بالا که برای آموزش سیستم‌های هوش مصنوعی ضروری هستند، استخدام شده‌اند.

مدل‌های هوش مصنوعی تولیدی به داده‌های با کیفیت بالا نیاز دارند همان‌طور که انسان‌ها به غذا نیاز دارند. مدل‌های زبانی بزرگ با بلعیدن متنی که به واحدهای کوچک به نام توکن‌ها تقسیم شده است، آموزش می‌بینند. از این متن، LLMها الگوهایی را شناسایی می‌کنند که به پیش‌بینی - در فرآیندی که بارها و بارها تکرار می‌شود - متنی که باید پس از مجموعه دیگری از متن بیاید، کمک می‌کند. LLMهای برجسته جهان هر کدام از بیش از یک تریلیون توکن آموزش دیده‌اند. برای قرار دادن آن در زمینه، در نظر بگیرید که ۲۰۴۸ توکن تقریباً معادل ۱۵۰۰ کلمه است. تخمین‌ها برای اینکه دقیقاً چند توکن از داده‌های متنی تجمعی در جهان وجود دارد، در همه جا از چند تریلیون تا هزاران تریلیون متغیر است.

به طرز شگفت‌انگیزی، این فراوانی داده ممکن است برای ادامه حرکت توسعه هوش مصنوعی به سرعتی که برخی امیدوارند، کافی نباشد. برخی از توسعه‌دهندگان مدل‌های هوش مصنوعی قدرتمند جهان مانند OpenAI در حال حاضر در یافتن منابع جدید و دست‌نخورده داده‌های آموزشی با کیفیت بالا و انسانی برای پیشرفت مدل‌های خود با مشکل مواجه هستند.

داده‌های محدودی در زبان‌های غیرانگلیسی وجود دارد و حتی کمتر از آن که بر جوامع غربی یا سفیدپوست متمرکز نباشد. این کمبود تنوع تهدید می‌کند که به محصولات هوش مصنوعی منجر شود که علیه اقلیت‌ها، زنان و جمعیت‌های کمتر نمایندگی‌شده تعصب نشان دهند. یک تحلیل بلومبرگ امسال، به عنوان مثال، نشان داد که مدل هوش مصنوعی پشت ChatGPT بر اساس نام‌ها به تنهایی هنگام رتبه‌بندی رزومه‌ها، تعصب علیه برخی گروه‌های نژادی نشان می‌دهد. OpenAI می‌گوید که نتایج ممکن است نحوه استفاده مشتریان از مدل‌های آن را منعکس نکند و اینکه برای شناسایی آسیب‌های بالقوه کار می‌کند.

تولیدکنندگان داده و محتوا، از سازمان‌های رسانه‌ای تا مؤسسات مالی، در حال بیدار شدن به این واقعیت هستند که اطلاعات آن‌ها برای توسعه‌دهندگان هوش مصنوعی به طور فزاینده‌ای ارزشمند است. بازیگران و نویسندگان هالیوود در سال ۲۰۲۳ به اعتصاب رفتند تا از هنر خود در برابر فناوری محافظت کنند. نیویورک تایمز و همچنین برچسب‌های ضبط بزرگ در حال شکایت از شرکت‌های هوش مصنوعی برای آموزش داده‌های خود بر روی آثار دارای حق چاپ هستند. شرکت‌های هوش مصنوعی می‌گویند که آموزش بر روی مواد عمومی موجود استفاده منصفانه قانونی است.

در یک تماس اخیر با سرمایه‌گذاران، مدیر عامل S&P Global Inc. Martina Cheung آن را خلاصه کرد: «یک مدل زبانی بزرگ تنها به اندازه کیفیت و کمیت داده‌هایی که بر روی آن آموزش دیده است، خوب است و ما مقدار زیادی داده با کیفیت بالا داریم.» فقط در سال گذشته، OpenAI قراردادهایی برای استفاده از محتوای News Corp.، Condé Nast، Hearst، Reddit، ناشر مجله People Dotdash Meredith و Axel Springer امضا کرده است.

شرکت‌های فناوری در حال آزمایش با آموزش مدل‌ها بر روی مجموعه داده‌های «مصنوعی»، محتوایی که توسط خود هوش مصنوعی ایجاد شده است، هستند. در تئوری، این به شرکت‌های هوش مصنوعی کمک می‌کند تا نیاز بی‌پایان خود به داده‌ها را برآورده کنند در حالی که از نگرانی‌های قانونی، اخلاقی و مربوط به حریم خصوصی در مورد جمع‌آوری اطلاعات از وب اجتناب کنند. اما برخی از پژوهشگران هشدار داده‌اند که مدل‌های هوش مصنوعی ممکن است «فروپاشی» کنند اگر بر روی محتوای تولید شده توسط هوش مصنوعی به جای انسان‌ها آموزش ببینند. یک مقاله در سال ۲۰۲۳ در مورد به اصطلاح فروپاشی مدل نشان داد که تصاویر هوش مصنوعی از انسان‌ها پس از آموزش مجدد مدل بر روی «حتی مقادیر کمی از خلق خودشان» به طور فزاینده‌ای تحریف شده‌اند.

سرمایه‌گذاران، اپراتورهای مراکز داده، شرکت‌های انرژی و سایر کسب و کارها در حال ریختن صدها میلیارد دلار به طور جمعی به بخش‌های مختلف زنجیره تأمین که هوش مصنوعی را تغذیه می‌کند، هستند. هر بانک بزرگ و سرمایه‌گذار خصوصی در حال موقعیت‌یابی خود برای یک قطعه از یک تریلیون دلار تخمین زده شده در هزینه‌های زیرساخت هوش مصنوعی است. هزینه‌های سرمایه‌ای Alphabet، Amazon، Meta و Microsoft قرار است در سال ۲۰۲۴ به طور جمعی از ۲۰۰ میلیارد دلار فراتر رود. یک شاخص بخش خدمات عمومی S&P 500 در سال گذشته ۲۲٪ افزایش یافته است و REIT متمرکز بر مراکز داده Equinix از اواخر سال ۲۰۲۲ تقریباً ارزش بازار خود را دو برابر کرده است. سهام Nvidia در دو سال گذشته تقریباً ۷۰۰٪ افزایش یافته است و این شرکت را به یکی از با ارزش‌ترین شرکت‌های روی زمین تبدیل کرده است.

و با این حال، در نهایت، هیچ‌کس نمی‌داند که آیا هوش مصنوعی به رشد خود ادامه خواهد داد یا خیر. برخی از تحلیل‌گران وال استریت شروع به پیش‌بینی پایان هیجان کرده‌اند. سرمایه‌گذاران شروع به پرسش کرده‌اند که آیا هزینه‌های سنگین Big Tech هرگز به ماشین سود هوش مصنوعی که تصور کرده بودند، منجر خواهد شد یا خیر. شاید بزرگ‌ترین تهدید برای صدها میلیارد دلار سرمایه‌گذاری شده در هوش مصنوعی این است که توسعه‌دهندگان مدل‌های پیشرفته جهان و تأمین‌کنندگان آن‌ها به کارایی وسواس پیدا کرده‌اند.

Gary Dickerson، مدیر عامل سازنده تجهیزات تراشه Applied Materials Inc.، در نوامبر به سرمایه‌گذاران گفت که برخی از شرکت‌های هوش مصنوعی به دنبال «بهبودهای ۱۰۰ برابری» در محاسبات کارآمد در پنج سال آینده هستند. دیگران به دنبال دستاوردهای ۱۰،۰۰۰ برابری در ۱۵ سال هستند، او گفت. کارایی، Dickerson گفت، «به عنوان یک نیروی محرک متحد برای صنعت در حال ظهور است.» —با Dina Bass، Mark Burton، Mark Chediak، Katherine Chiglinsky، Jackie Davalos، Stephanie Davidson، Jennifer Duggan، Brian Eckhouse، Seth Fiegerman، Shirin Ghaffary، Evan Gorelick، Ian King، Christina Kyriasoglou، Jane Lanhee Lee، Yoolim Lee، Naureen Malik، Rachel Metz، Saritha Rai، Josh Saul، Olivia Solon و Will Wade

دوآن یک سردبیر مدیریت در بلومبرگ نیوز در نیویورک است که فناوری و امنیت سایبری را پوشش می‌دهد.