Umelá inteligencia. Menej, než sme sa báli a viac, než sme chceli?

Umelá inteligencia preniká aj do fungovania firiem v podobe rôznych korporátnych AI riešení, od zákazníckych chatbotov až po autonómne šoférovanie. Nechýbajú finanční poradcovia s investičnými AI produktami, ktorých budúci úspech je zaručený. Aby nie, veď akcie Nvidie narástli za rok a pol skoro o 900 percent.

Technologické firmy plánujú v najbližších rokoch minúť okolo bilión dolárov na investície do AI infraštruktúry, produkcie čipov či posilnenia elektrickej siete pre dátové centrá. Niektorí z čitateľov si však pamätajú menší, alebo podobne hlučný boom spred pár rokov – blockchainovú mániu. Vtedy svoje „blockchainové riešenie“ skúmal azda aj stánok s kebabom.

Jedno percento HDP za desať rokov

Nedostávame sa do manickej fázy už aj v prípade AI? Viacerí začínajú tvrdiť, že áno.

Investičná banka Goldman Sachs sa v júnovom vydaní svojho pravidelného reportu detailne venuje práve tomuto názoru. Nosným textom je rozhovor s Daronom Acemogluom, profesorom na MIT a jedným z najznámejších ekonómov súčasnosti. Ten v máji vydal štúdiu Jednoduchá makroekonómia AI. Argumentuje v nej, že prínosy umelej inteligencie na zvýšenie produktivity preceňujeme a globálne HDP zvýši len o približne jedno vlažné percento za desať rokov. Takýto výsledok je v značnom protiklade ku predchádzajúcim optimistickým záverom iných výskumníkov.

V ďalšej časti reportu kladie Jim Covello z Goldman Sach kľúčovú otázku. Ak sa má globálna biliónová investícia do AI oplatiť, musí byť umelá inteligencia schopná vyriešiť problém hodný minimálne jeden bilión dolárov. Ktorý takýto problém dokáže AI aspoň výhľadovo riešiť?

Málo tréningových dát

Jedným z úzkych hrdiel sú tréningové dáta, na ktorých sa AI modely učia. Niektorí tvrdia, že ich začína byť nedostatok, čo výrazne obmedzí budúci schopnosť AI zlepšovať sa. Výskumníci z Cornell University zistili, že na lineárne zlepšovanie potrebujú modely generatívnej umelej inteligencie exponenciálny nárast tréningových dát.

V praxi to značí, že každé ďalšie lineárne zlepšenie modelu bude exponenciálne drahšie vzhľadom na vyššie náklady na výpočtovú silu a energie. Náklady na trénovanie ChatGPT-4 boli okolo 100 miliónov dolárov, aktuálne trénované modely stoja už okolo miliardy a o pár rokov môže byť náklad v rádoch desiatok miliárd dolárov. To je veľký rozdiel pri porovnaní AI s internetom. Ten bol aj v časoch svojho úsvitu nízkonákladovou technológiou, dostupnou chalanom z garáží.

Populárny tech-komunikátor Ed Zitron napísal:

„Keď bublina generatívnej umelej inteligencie praskne, veľké technologické spoločnosti budú sedieť na hektároch nevyužitej výpočtovej sily a spália miliardy dolárov na budovanie infraštruktúry pre hnutie, ktoré nikomu neprináša peniaze a nerieši veľké a dôležité problémy.“

K jednému AI pesimistovi stále nájdete aspoň päť optimistov a klasik vraví, že predpovedať je ťažké, obzvlášť ak ide o budúcnosť. Svetoznámy ekonóm Paul Krugman sa pred 25 rokmi popálil, keď vysmial efekt internetu. Reálny život nám ukazuje impozantné výsledky samoriadiacich áut, no aj impotentné snaženie zacyklených zákazníckych chatbotov. Paradoxne, to druhé zatiaľ možno vynáša viac, ako to prvé.

Budúcnosť nepatrí nikomu a ničomu. Aj investície do umelej inteligencie si ju najskôr musia zaslúžiť.