Les arguments économiques en faveur de l’IA générative et des modèles de base

Jul 05, 2023

L’intelligence artificielle est un incontournable de l’informatique depuis les années 1950. Au fil des années, il a également rapporté beaucoup d’argent aux entreprises capables de le déployer efficacement. Cependant, comme nous l’avons expliqué dans un récent article d’opinion du Wall Street Journal – qui constitue un bon point de départ pour l’argumentation plus détaillée que nous présentons ici – la plupart de ces gains sont allés aux grands fournisseurs historiques (comme Google ou Meta). qu'aux startups. Jusqu’à très récemment – ​​avec l’avènement de l’IA générative et tout ce qu’elle englobe – nous n’avons pas vu d’entreprises axées sur l’IA menacer sérieusement les bénéfices de leurs homologues plus grands et bien établis par le biais d’une concurrence directe ou de comportements entièrement nouveaux qui rendent les anciennes obsolètes.

Cependant, avec les applications d’IA générative et les modèles de base (ou modèles frontières), les choses semblent très différentes. Des performances et une adoption incroyables, combinées à un rythme d’innovation fulgurant, suggèrent que nous pourrions être aux premiers jours d’un cycle qui transformera nos vies et notre économie à des niveaux jamais vus depuis la puce électronique et Internet.

Cet article explore l’économie de l’IA traditionnelle et pourquoi il est généralement difficile d’atteindre une vitesse de fuite pour les startups utilisant l’IA comme principal différenciateur (quelque chose sur lequel nous avons déjà écrit). Il explique ensuite pourquoi les applications d’IA générative et les grandes entreprises fondées sur le modèle sont très différentes, et ce que cela peut signifier pour notre industrie.

Historiquement, le problème de l’IA n’est pas qu’elle ne fonctionne pas – elle a longtemps produit des résultats époustouflants – mais plutôt qu’elle a été réticente à construire des modèles économiques purement attrayants sur les marchés privés. En regardant les fondamentaux, il n’est pas difficile de comprendre pourquoi il est difficile pour les startups d’obtenir de bonnes performances économiques grâce à l’IA.

De nombreux produits d’IA doivent garantir une grande précision, même dans des situations rares, souvent appelées « la queue ». Et souvent, même si une situation donnée peut être rare en elle-même, il existe généralement de nombreuses situations rares dans leur ensemble. C’est important car à mesure que les cas deviennent plus rares, le niveau d’investissement nécessaire pour les gérer peut monter en flèche. Celles-ci peuvent constituer des économies d’échelle perverses que les startups doivent rationaliser.

Par exemple, il faudra peut-être un investissement de 20 millions de dollars pour construire un robot capable de cueillir des cerises avec une précision de 80 %, mais l'investissement requis pourrait atteindre 200 millions de dollars si vous avez besoin d'une précision de 90 %. Atteindre une précision de 95 % pourrait coûter 1 milliard de dollars. Non seulement cela représente une tonne d’investissement initial pour obtenir des niveaux de précision adéquats sans trop compter sur les humains (sinon, à quoi ça sert ?), mais cela entraîne également une diminution des rendements marginaux sur le capital investi. En plus du montant considérable d’argent qui peut être nécessaire pour atteindre et maintenir le niveau de précision souhaité, le coût croissant du progrès peut servir d’anti-fossé pour les dirigeants : ils dépensent de l’argent en R&D tandis que les suiveurs rapides s’appuient sur leurs apprentissages. et comblez l'écart pour une fraction du coût.

De nombreux domaines de problèmes traditionnels de l’IA ne tolèrent pas particulièrement les mauvaises réponses. Par exemple, les robots de réussite client ne devraient jamais offrir de mauvais conseils, la reconnaissance optique de caractères (OCR) pour les dépôts de chèques ne devrait jamais mal lire les comptes bancaires et (bien sûr) les véhicules autonomes ne devraient pas faire un certain nombre de choses illégales ou dangereuses. Bien que l’IA se soit révélée plus précise que les humains pour certaines tâches bien définies, les humains sont souvent plus performants pour les problèmes à longue traîne où le contexte compte. Ainsi, les solutions basées sur l’IA utilisent encore souvent des humains dans la boucle pour garantir la précision, une situation qui peut être difficile à mettre à l’échelle et qui devient souvent un coût onéreux qui pèse sur les marges brutes.

Le corps et le cerveau humains constituent une machine analogique qui a évolué sur des centaines de millions d’années pour naviguer dans le monde physique. Il consomme environ 150 watts d'énergie, fonctionne avec un bol de porridge, est assez efficace pour résoudre les problèmes de queue et le salaire moyen mondial est d'environ 5 dollars de l'heure. Pour certaines tâches, dans certaines régions du monde, le salaire moyen est inférieur à un dollar par jour.