Dyrektor strategii Google DeepMind: gigantyczne wydatki na AI to zakład o samodoskonalące się modele

Szef strategii Google DeepMind powiedział wprost to, o czym branża technologiczna wolała dotąd milczeć: obecne przychody ze sztucznej inteligencji nie usprawiedliwiają skali wydatków, jakie Google i konkurenci wpompowują w infrastrukturę. Jasjeet Sekhon przyznał na konferencji w Berkeley, że cała ta gra toczy się o coś innego - o moment, w którym AI zacznie samodzielnie budować coraz sprawniejsze wersje samej siebie.

Zakład o samodoskonalenie

Skrót RSI, którego użył Sekhon, oznacza recursive self-improvement, czyli rekurencyjne samodoskonalenie się sztucznej inteligencji. Chodzi o scenariusz, w którym modele AI same projektują, trenują i ulepszają swoje kolejne, sprawniejsze wersje, coraz mniej potrzebując do tego ludzi. To od dawna traktowany jako odległy cel badawczy pomysł, ale zdaniem Sekhona to właśnie on stoi za decyzją Google o wydaniu w tym roku około 200 miliardów dolarów na centra danych, chipy i moc obliczeniową.

Sekhon porównał obecny moment do rewolucji przemysłowej, mówiąc, że maszyny parowe posłużyły kiedyś do budowy kolejnych, lepszych maszyn parowych. W jego ujęciu dzisiejsze modele językowe mają odegrać podobną rolę wobec swoich następców - już teraz potrafią pisać kod i częściowo usprawniać własne komponenty, ale pełna autonomiczna zdolność do samorozwoju pozostaje na razie w sferze aspiracji.

To największy naukowy zakład, jaki nasza cywilizacja kiedykolwiek podjęła - Jasjeet Sekhon, dyrektor ds. strategii, Google DeepMind

Przychody z AI na razie nie wystarczają, by uzasadnić skalę wydatków inwestycyjnych, jakie ponosimy - Jasjeet Sekhon, dyrektor ds. strategii, Google DeepMind

Rachunek, który się nie spina

Przyznanie to jest znaczące, bo pada z ust osoby odpowiedzialnej za strategię jednego z największych graczy na rynku AI, w momencie gdy inwestorzy coraz głośniej pytają, kiedy gigantyczne nakłady zaczną się zwracać. Google Cloud odnotował w ostatnim kwartale wzrost przychodów o 82 procent, a zaległe zamówienia (backlog) przekroczyły 500 miliardów dolarów, ale sama spółka Alphabet zanotowała pierwszy w swojej historii ujemny kwartalny wolny przepływ gotówki, na poziomie około 5,9 miliarda dolarów na minusie.

Sekhon ostrzegł też przed scenariuszem, który określił mianem próżni przychodowej albo kieszeni powietrznej - sytuacji, w której inwestycje trwają, a spodziewane zyski z nowych zastosowań AI się nie materializują. To ryzyko, na które od miesięcy zwracają uwagę analitycy rynkowi, obserwujący jak wyceny spółek technologicznych rosną szybciej niż ich rzeczywiste przychody z AI.

Kim jest autor tych słów

Jasjeet Sekhon dołączył do Google DeepMind stosunkowo niedawno, przechodząc z funduszu hedgingowego Bridgewater Associates, gdzie odpowiadał za strategię inwestycyjną wykorzystującą sztuczną inteligencję. Jego obecna rola w DeepMind obejmuje właśnie długofalową strategię firmy wobec rozwoju ogólnej sztucznej inteligencji, co nadaje jego wypowiedziom dodatkową wagę - to nie przypadkowy komentarz, lecz głos osoby ustawiającej priorytety inwestycyjne giganta.

Rozmówczynią Sekhona podczas panelu w Berkeley była Dawn Song, badaczka zajmująca się bezpieczeństwem systemów AI, co nadało dyskusji dodatkowy wymiar. Sekhon przywołał tam też konkretne zagrożenia towarzyszące ewentualnemu przełomowi w samodoskonaleniu się modeli, w tym asymetrię między atakującymi a broniącymi się w cyberbezpieczeństwie oraz ryzyko związane z projektowaniem patogenów przez AI.

Co dalej z prognozami

Daty 2027-2028, padające w kontekście możliwego przełomu w rekurencyjnym samodoskonaleniu, pojawiały się już wcześniej w wypowiedziach innych badaczy związanych z czołowymi laboratoriami AI, w tym z samego DeepMind i z OpenAI. Sekhon zastrzegł jednak, że RSI pozostaje na razie hipotezą badawczą, a nie gotowym produktem, i że wokół jej wykonalności, kontroli i bezpieczeństwa istnieją poważne wątpliwości.

Dla polskiego czytelnika śledzącego debatę o kosztach infrastruktury AI to kolejny sygnał, że liczby, które padają w kontekście globalnych wydatków na centra danych, nie biorą się z bieżącej rentowności usług AI, lecz z zakładu o technologię, która dopiero ma powstać. To rodzi pytania o to, jak długo rynki będą gotowe finansować taki zakład, zanim zażądają dowodów na jego opłacalność, oraz jak bardzo ewentualne opóźnienie lub niepowodzenie RSI odbiłoby się na wycenach spółek takich jak Alphabet, które już dziś księgują ujemny przepływ gotówki mimo rosnących przychodów z chmury.