Ландшафт AI/ML напоминает золотую лихорадку, когда все борются за долю в игре. Как и любая золотая лихорадка, речь идет не только об обнаружении золота, но и о предоставлении лопат. На следующем этапе AI/ML, как подчеркивает Дэвид Арончик, это включает в себя поставку специализированного электричества в виде вычислительных ресурсов, ресурсов хранения и сетевых ресурсов. В этой области появляются многочисленные стартапы, каждый из которых претендует на лучшую лопату на рынке. Чтобы создать масштабируемые, надежные системы и избежать привязки к поставщику; инженеры должны тщательно изучить инструменты, которые они используют, и сосредоточиться на поиске наиболее экономичных, функционально совместимых и устойчивых решений.

Естественно, поставщики специализированной электроэнергии заинтересованы в увеличении потребления ресурсов, поскольку увеличение потребления приводит к увеличению их доходов. Эта неблагоприятная динамика подпитывает инновации, которые увеличивают потребление ресурсов, пренебрегая полезностью, получаемой от этих ресурсов. Мы часто сталкиваемся с решениями, которые обещают полезность, но в конечном итоге стимулируют потребление, что в конечном итоге приводит к порочному кругу. Примеры включают:

  • Решения для перемещения данных, такие как ELT/ETL, которые быстро превращаются в центры затрат [1],
  • Инструменты телеметрии/мониторинга, которые поощряют репликацию и прием данных за счет эффективного использования ресурсов [2],
  • Ресурсоемкие решения машинного обучения, такие как инструменты AutoML и оптимизаторы гиперпараметров, которые увеличивают потребление ресурсов, не обязательно значительно повышая производительность,
  • Решения по сложности инструментов, такие как xOps, которые еще больше усложняют и без того сложные системы, усугубляя потребление ресурсов и проблемы привязки к поставщику.

Многие отрасли, как внутри, так и за пределами технологического сектора, сталкиваются с аналогичными проблемами и демонстрируют схожие модели поведения. Это похоже на качание маятника: изначально существует сильная склонность тяготеть к направлению, в котором приоритет отдается жадному принятию инноваций. Однако по мере того, как неблагоприятные последствия этих тенденций становятся очевидными, участники начинают искать оптимизацию и устойчивость, в результате чего маятник качается обратно в сторону полезности. Для пространства ИИ мы предсказываем следующую траекторию качания маятника:

  • Изобилие: мы ожидаем всплеск специализированных поставщиков электроэнергии, обслуживающих следующий этап преобразования AI/ML, и заголовки могут похвастаться быстрым ростом доходов различных компаний. Этот взрыв вызовет волну инноваций и активности, привлекая на рынок многочисленных новичков.
  • Кризис: когда участники осознают свою неспособность получить желаемую предельную полезность от этих специализированных поставщиков электроэнергии, они начнут тщательно анализировать потребление своих ресурсов и пытаться сократить «потери». Многие поставщики потерпят неудачу на этом этапе, и выживут только те, кто предлагает подлинную полезность.
  • Нормализация. Рынок стабилизируется и вступит в период созревания в ожидании следующей волны инноваций. На этом этапе участники будут подчеркивать устойчивость, рентабельность и эффективность; поиск инструментов и решений, которые обеспечивают долгосрочную ценность вместо краткосрочной выгоды.

Учитывая, что инфра-пространство AI/ML в конечном счете является подмножеством инфра-пространства данных B2B, а маятник каждой вертикали находится под влиянием своей родительской вертикали, критический этап может произойти в этой области раньше, чем в других. Более широкий мир технологий движется к фазе полезности, поскольку компании сокращают расходы и ищут способы оптимизировать свои расходы на инфраструктуру. Следовательно, мы наблюдаем появление игроков, ориентированных в первую очередь на полезность (например, Bluesky против Snowflake, Edgedelta против Splunk и Mezmo против Datadog), которые имеют хорошие возможности для достижения успеха на концентрированном рынке с явными победителями. В этом контексте мы прогнозируем, что инфраструктура AI/ML перейдет в критический режим раньше, чем можно было бы ожидать, поскольку рынок консолидируется и отдает приоритет устойчивым и экономически эффективным решениям на очень раннем этапе.

Авторы