No tengas miedo demasiado de los osos de IA. Se preguntan en voz alta si el gran auge en la inversión de IA ya iba y venía, si mucha emoción y gasto del mercado en sistemas de entrenamiento de IA masivos impulsados por multitudes de GPU de alto rendimiento se ha jugado, y si las expectativas para la period de la IA se deben reducir radicalmente.
Pero si observa más de cerca los planes de los principales hiperscalers, la inversión de IA está viva y bien. Meta, Amazon, Microsoft y Google se han duplicado recientemente en invertir en tecnología de IA. Su compromiso colectivo para 2025 totaliza más de $ 300 mil millones, según una historia reciente En el Monetary Instances. La CEO de Microsoft, Satya Nadella, dijo que Microsoft podría gastar $ 80 mil millones solo en IA este año. El fundador y CEO de Meta, Mark Zuckerberg, dijo en Fb: “Estamos planeando invertir $ 60-65B en CAPEX este año al tiempo que aumenta significativamente nuestros equipos de IA, y tenemos el capital para continuar invirtiendo en los próximos años”.
Este no es el sonido de un increase de IA que se busca, pero ha habido una creciente inquietud sobre cuánto dinero se gasta en habilitar las aplicaciones de IA. Después de al menos dos años de gigantes de la tecnología que decían que estaban viendo una clara demanda de más poder informático para ayudar a capacitar modelos masivos de IA, 2025 ha comenzado con las mismas compañías que los medios de comunicación convocaron a las mismas compañías por los medios de comunicación para construir tanta exageración de IA.
¿Por qué ha habido un cambio tan repentino de la esperanza a la preocupación? La respuesta se puede encontrar en parte en el rápido aumento de una nueva aplicación de IA de China. Pero para comprender completamente lo que realmente está sucediendo y lo que significa para los programas de inversión y tecnología de IA en los próximos años, debemos reconocer que la period de la IA está cambiando a una nueva fase de su evolución.
Profundizando la verdad
En este momento, el mundo sabe todo sobre Deepseek, la compañía china de IA promocionando cómo utilizó motores de inferencia y razonamiento estadístico para capacitar modelos de idiomas grandes de manera mucho más eficiente y con menos costo que otras empresas han capacitado a sus modelos.
Específicamente, Deepseek afirmó que sus técnicas dieron como resultado que muchas menos GPU (tan solo 2,048 GPU), así como las GPU menos potentes (NVIDIA H800s) que los cientos de miles de GPU de rendimiento premium (piense en NVIDIA H100S) que algunas compañías de hipercal han requerido para capacitar a sus modelos. En términos de ahorro de costos, mientras que Openai gastó miles de millones de dólares en chatgpt de capacitación, Deepseek según se informa Gastó tan solo $ 6.5 millones para entrenar su modelo R1.
Cabe señalar que muchos expertos han dudado de las afirmaciones de gastos de Deepseek, pero el daño se hizo, ya que las noticias de sus diferentes métodos impulsaron un profundo paso en los valores de los inventory de los hiperscalers y las compañías cuyas GPU han gastado miles de millones para capacitar a sus modelos de IA.
Sin embargo, se perdieron un par de puntos importantes en medio del caos. Uno period un entendimiento de que Deepseek no “inventó” una nueva forma de trabajar con AI. El segundo es que gran parte del ecosistema de IA ha sido muy consciente de un cambio inminente en cómo se deben gastar dólares de inversión de IA y cómo se pondrá a trabajar en los próximos años.
Con respecto a los métodos de Deepseek, la noción de usar motores de inferencia de IA y razonamiento estadístico no es nada nuevo. El uso del razonamiento estadístico es un aspecto del concepto más amplio de razonamiento del modelo de inferencia, que implica la IA que puede generar inferencias basadas en el reconocimiento de patrones. Esto es esencialmente related a la capacidad humana para aprender diferentes formas de abordar un problema y compararlos para encontrar la mejor solución posible. El razonamiento del modelo basado en la inferencia se puede usar hoy y no es exclusivo de una startup china.
Mientras tanto, el ecosistema de IA ya ha estado anticipando un cambio basic en la forma en que trabajamos con la IA y los recursos informáticos requeridos. Los años iniciales de la period de la IA han tenido que ver con el gran trabajo de capacitar a los grandes modelos de IA en conjuntos de datos muy grandes, todos los cuales requirieron mucho procesamiento, cálculos complejos, ajustes de peso y dependencia de la memoria. Después de que los modelos de IA hayan sido entrenados, las cosas cambian. AI puede usar la inferencia para aplicar todo lo que ha aprendido a nuevos conjuntos de datos, tareas y problemas. La inferencia, como un proceso menos intenso computacionalmente que la capacitación, no requiere tantas GPU u otros recursos informáticos.
La verdadera verdad sobre Deepseek es que, si bien sus métodos no nos sorprendieron a la mayoría de nosotros en el ecosistema de IA tanto como lo hicieron casualmente interesados en los inversores del mercado de valores, resaltó una de las formas en que la inferencia será central para la próxima fase de la evolución de la IA.
AI: la próxima generación
La promesa y el potencial de la IA no han cambiado. Las continuas inversiones masivas de IA por parte de los principales hiperscalers muestran la fe que tienen en el futuro valor que pueden desbloquear de la IA, así como las formas en que la IA puede cambiar la forma en que prácticamente cada industria funciona y cómo prácticamente todas las personas tienen su vida cotidiana.
Lo que ha cambiado para esos hiperscalers es cómo es possible que se gasten esos dólares. En los primeros años de la period de la IA, la mayor parte de la inversión fue necesariamente en capacitación. Si piensa en AI cuando period niño, con una mente aún en desarrollo, hemos estado gastando mucho dinero para enviarlo a las mejores escuelas y universidades. Ahora, ese niño es un adulto educado, y necesita conseguir un trabajo para mantenerse a sí mismo. En términos del mundo actual, hemos invertido mucho en capacitación de IA, y ahora necesitamos ver el retorno de esa inversión utilizando IA para generar nuevos ingresos.
Para lograr este retorno de la inversión, la IA necesita ser más eficiente y menos costosa para ayudar a las empresas a maximizar su atractivo del mercado y su utilidad para la mayor cantidad de aplicaciones posible. Los nuevos servicios más lucrativos serán los autónomos que no requieren monitoreo y gestión humana.
Para muchas compañías, eso significa aprovechar las técnicas de computación de IA eficientes en recursos, como el razonamiento del modelo de inferencia, para permitir de manera rápida y efectiva las comunicaciones autónomas de máquina a máquina. Por ejemplo, en la industria inalámbrica, la IA se puede utilizar para analizar de forma autónoma los datos en tiempo actual sobre la utilización del espectro en una purple móvil para optimizar el uso de canales y mitigar la interferencia entre los usuarios, lo que en última instancia permite a un operador móvil admitir un intercambio de espectro más dinámico en su purple. Este tipo de comunicación más eficiente y autónoma a IMA a máquina a máquina definirá la próxima generación de la IA.
Como ha sido el caso con cualquier otra period importante de la computación, AI Computing continúa evolucionando. Si la historia de la informática nos ha enseñado algo, es que la nueva tecnología siempre requiere una gran cantidad de inversiones iniciales, pero los costos disminuirán y la eficiencia aumentará a medida que comenzemos a aprovechar las técnicas mejoradas y mejores prácticas para crear productos y servicios más beneficiosos y asequibles para atraer a los mercados más grandes posibles. La innovación siempre encuentra una manera.
El sector de la IA puede haber parecido recientemente sufrir un revés si escucha a los Bears de IA, pero los dólares que los hiperscalers planean gastar este año y el uso creciente de técnicas basadas en inferencias cuentan una historia diferente: la informática de IA realmente está cambiando, pero la promesa de IA está completamente intacta.
