В 2024 году мировые корпорации инвестировали в ИИ 252,3 миллиарда долларов (рост на 26%). При этом большинство компаний, внедривших технологию, признаются в скромных результатах: экономия затрат менее 10%, рост выручки до 5%. Ситуация подозрительно знакома. Специалисты Стэнфорда замечают, что компании «только в начале пути», только пока никто не видит конца этому «началу».
Одновременно вычислительные мощности для обучения ведущих моделей удваиваются каждые 5 месяцев, размер датасетов — каждые 8 месяцев, а энергопотребление — ежегодно. Это приводит к заметному росту выбросов углекислого газа: если ранняя модель AlexNet десятилетней давности «стоила» всего 0,01 тонны углекислого газа, то Llama 3.1 405B — почти 9000 тонн.
Стоит ли оно того? Вопрос в метриках и ожиданиях. ИИ может не приносить деньги напрямую, но при этом повышать эффективность труда и систематизировать типовые задачи. Например, почти все респонденты используют ИИ для работы с базами данных, написания кода, создания и реализации контент-планов. Многие компании не инвестируют большие деньги в создание продукта с нуля, предпочитая пользоваться готовыми решениями с открытым исходным кодом и дообучать под свои нужды, сильно сокращая затраты.
Здесь возникают другие риски — что люди, наоборот, станут ленивыми и менее продуктивными, у сгенерированного кода будут проблемы, а часть сотрудников уволят — но пока в ближайшее время такие тенденции не прослеживаются.
А есть области применения ИИ, где выручка играет не самую главную роль. Возьмём ту же медицину: модель GluFormer от Nvidia, обученная на более 10 миллионов измерений глюкозы от почти 11 тысяч человек, может прогнозировать здоровье на 4 года вперёд и заранее выявлять случаи диабета и смертей от сердечно-сосудистых заболеваний.