Կոգնիտիվ մենաշնորհ․ ինչպես ապրել ԱՄՆ-ի և Չինաստանի՝ ԱԲ-ի ոլորտում գերիշխանության պայմաններում
Չինաստանի և ԱՄՆ-ի միջև արհեստական բանականության մշակման ոլորտում մրցակցությունը շարունակում է սրվել։ Հունիսին չինական Zhipu ընկերությունը ներկայացրեց GLM 5.2 մոդելը, որը զիջեց միայն ChatGPT-ի և Anthropic-ի առաջատար լուծումներին՝ գերազանցելով Google-ի մոդելներին։ Սակայն DeepSeek-ի դեպքում եղածի նման սենսացիա չեղավ․ ներդրողները նորությանը հանգիստ արձագանքեցին։ Այդուհանդերձ, ավելի ակնհայտ է դառնում, որ այս շուկայում իրական ուժ ունեցող ընդամենը երկու խաղացող կա՝ ԱՄՆ-ն և Չինաստանը։ :
Այսօր արդեն կարելի է ասել, որ ԱԲ մրցավազքի առաջատարները վերածվել են տեխնոլոգիական հեգեմոնների, ընդ որում՝ նրանցից յուրաքանչյուրն ունի իր առավելությունները։
Ամերիկյան մոտեցումը հիմնված է հսկայական հաշվարկային հզորությունների և առաջատար սարքավորումներին գրեթե անսահմանափակ հասանելիության վրա։ ԱՄՆ-ի տեխնոլոգիական կորպորացիաները մասշտաբավորման խնդիրները լուծում են տասնյակ հազարավոր նորագույն չիպերի կիրառմամբ։
Չինական արդյունաբերությունը գործում է խիստ արտահանման սահմանափակումների պայմաններում։ Առաջատար սարքավորումների պակասը Չինաստանի մշակողներին ստիպել է կենտրոնանալ մաթեմատիկական և ճարտարապետական օպտիմալացման վրա։
2025 թվականի սկզբին DeepSeek-ի R1 մոդելը մոտ 1 տրիլիոն դոլարով նվազեցրեց NASDAQ ինդեքսի կապիտալիզացիան։ Դրա գլխավոր առավելությունը հայտարարված ուսուցման և շահագործման ցածր արժեքն էր։ Սակայն հետագա աուդիտը ցույց տվեց այդ տնտեսող մոտեցման առանձնահատկությունները։
Չինական GLM 5.2 մոդելի մեկ միլիոն թոքենի արժեքը մոտ 10 անգամ ցածր է ամերիկյան մրցակիցներից (օրինակ՝ DeepSeek V4-ի դեպքում այն կազմում է 0,87 դոլար, մինչդեռ ամերիկյան Fable 5-ի համար՝ մինչև 50 դոլար)։ Սակայն ալգորիթմների տարբերության պատճառով բարդ առաջադրանք կատարելու համար չինական մոդելը ծախսում է 23 անգամ ավելի շատ թոքեն։ Եթե հաշվի առնենք նաև վերջնական արդյունքի համեմատաբար ցածր որակը, ապա կորպորատիվ խնդիրների լուծման իրական արժեքը Fable 5-ի դեպքում նույնիսկ կարող է ավելի շահավետ լինել։
Բացի այդ, բաց և փակ թեստերի արդյունքները զգալիորեն տարբերվում են․ բաց թեստերում չինական մոդելների հետ մնալը գրեթե կրկնակի փոքր է։
Միևնույն ժամանակ ամերիկյան ԱԲ ոլորտը բախվում է լուրջ ենթակառուցվածքային սահմանափակումների։ Արհեստական բանականության ուսուցման համար պահանջվող էլեկտրաէներգիայի ծավալները համեմատելի են միջին չափի պետությունների սպառման հետ։
ԱՄՆ-ում տվյալների մշակման կենտրոնների կառուցումը հաճախ արգելակվում է հասարակության դիմադրության պատճառով․ հարցումները ցույց են տալիս, որ ամերիկացիների 70%-ը կտրականապես դեմ է, որպեսզի նման կենտրոններ կառուցվեն իրենց բնակավայրերի մոտ։ Չինաստանում, ընդհակառակը, կառավարությունը կարող է մի քանի ամսում հատկացնել հողատարածք և կառուցել էլեկտրակայան՝ տվյալների կենտրոնի կարիքների համար։ Բացի այդ, Չինաստանը ներկայումս ավելի մեծ էներգետիկ ներուժ ունի։
Համաշխարհային տնտեսությունը նախկինում ևս տեսել է մենաշնորհներ և դուոպոլիաներ։ Օրինակ՝ խոշոր ուղևորատար ինքնաթիռների շուկան բաժանված է Boeing-ի և Airbus-ի միջև, իսկ առաջատար միկրոչիպերի արտադրությունը վերահսկվում է թայվանական TSMC-ի և նիդերլանդական ASML-ի կողմից՝ ԱՄՆ-ի աջակցությամբ։
Սակայն տարբերությունն այն է, որ ավիացիան կամ նավիգացիոն համակարգերը ճյուղային տեխնոլոգիաներ են, մինչդեռ արհեստական բանականությունը համընդհանուր նշանակության տեխնոլոգիա է, որը ավտոմատացնում է մարդկային մտավոր աշխատանքը։
Այսօր ԱԲ ուղղակի շուկայի ծավալը գնահատվում է 500-550 միլիարդ դոլար, իսկ ամբողջ էկոհամակարգի և ենթակառուցվածքների վրա կատարվող ծախսերը գերազանցում են 2.6 տրիլիոն դոլարը։ Հիմնական սցենարի համաձայն՝ մինչև 2036 թվականը ԱԲ ուղղակի շուկան կարող է հասնել 7-9 տրիլիոն դոլարի։
Այս իրավիճակում ԱՄՆ-ն և Չինաստանը ձևավորում են գլոբալ թվային «ռենտայի» հավաքագրման մեխանիզմ։ Հիմնական մոդելների և հաշվարկային ենթակառուցվածքների նկատմամբ վերահսկողությունը նրանց հնարավորություն է տալիս սահմանել ամբողջ աշխարհի տեխնոլոգիական ստանդարտները, ինչը նույնիսկ ավելի ազդեցիկ է, քան նավթի շուկայի վերահսկողությունը։
Այս գործընթացը լուրջ մարտահրավեր է թե զարգացած, թե զարգացող երկրների համար։
Փորձագիտական կարծիքի համաձայն՝ միջին զարգացած երկրների նպատակը չպետք է լինի ԱՄՆ-ին կամ Չինաստանին հասնելը, քանի որ դա չափազանց թանկ է։ Ավելի արդյունավետ ռազմավարություն է համարվում առկա գլոբալ լուծումների տեղայնացումը և ոլորտային մասնագիտացված մոդելների հարմարեցումը ազգային տնտեսության առաջնահերթ ճյուղերին։
Եվրոպայի, Հնդկաստանի կամ Լատինական Ամերիկայի ՏՏ ընկերությունները, ամենայն հավանականությամբ, կվարձակալեն ամերիկյան API-ների հասանելիությունը կամ կօգտագործեն չինական բաց կոդով մոդելները՝ դրանք հարմարեցնելով տեղական բանկերի, հիվանդանոցների և պետական ծառայությունների կարիքներին։
Սակայն այս ռազմավարության հաջողությունը կախված է սեփական հաշվարկային ենթակառուցվածքից։ Յուրաքանչյուր զարգացած տնտեսության անհրաժեշտ են սեփական տարածքում տեղակայված ամպային տվյալների կենտրոններ՝ ԱԲ արագացուցիչներով։
Տեխնոլոգիական հրապարակումներն իրականացվում են Իդրամի աջակցությամբ։