Dwukrotny wzrost efektywności rocznie obniżyłby koszt tej samej zdolności AI 32 razy w pięć lat

Nathan Lambert porównuje AI z prawem Moore’a przez efektywność, a nie scaling laws. Gdyby efektywność treningu rosła 2 razy rocznie i przekładała się na niższą cenę inference przy stałej jakości, ta sama zdolność kosztowałaby po pięciu latach 32 razy mniej, a po dziesięciu około 1 000 razy mniej.

Lambert mierzy postęp kosztem stałego rezultatu

Jego wpis na X nie jest premierą produktu ani badaniem empirycznym. Proponuje prostą perspektywę: zamiast pytać o rozmiar kolejnego modelu, obserwujmy koszt uzyskania tego samego poziomu wydajności.

Efekt składany tłumaczy atrakcyjność tej tezy. Pięć corocznych usprawnień o czynnik 2 daje czynnik 32. Dziesięć daje około 1 000. Matematyka jest prosta, lecz coroczne tempo pozostaje założeniem.

Niższy koszt jednostkowy otworzy inne zastosowania produktu

Firmy nie kupują samego wyniku benchmarku. Płacą za rozwiązane zgłoszenie, sprawdzony dokument, ukończony pull request albo krok agenta. Gdy koszt tej samej pracy spada, opłacalne stają się ciągła kontrola jakości, dłuższy kontekst i personalizacja na dużą skalę.

Dla zespołu produktowego koszt wykonanej pracy jest ważniejszy niż zmiana lidera rankingu. Tańszy model o niestabilnej jakości nie zapewni tej samej oszczędności.

Tempo 2 razy rocznie może trafić na bariery fizyczne i handlowe

Postęp mogą spowolnić chipy, energia, dane, latencja albo zadania trudne do kompresji. Cenniki dostawców nie muszą też odzwierciedlać kosztów technicznych. Marże i vendor lock-in mogą zatrzymać część korzyści.

Porównanie z elektrycznością ma jeszcze jedną granicę. Modele różnią się zachowaniem, ryzykiem prawnym, przetwarzaniem danych i niezawodnością. Token nie jest standaryzowaną jednostką inteligencji.

Rachunek za ukończone zadanie sprawdzi ten scenariusz

Rozstrzygną wieloletnie pomiary konkretnych procesów przy stałej jakości. Jeśli koszt obsługi zgłoszenia, review kodu lub analizy 1 000 dokumentów spadnie o rzędy wielkości, AI zyska ekonomię infrastruktury. Sama obniżka ceny tokenu nie wystarczy.

Werdykt Lilith

Scenariusz Lamberta potwierdzi się, gdy operator uruchomi tę samą partię produkcyjną za ułamek ceny, a osoba kontrolująca nie znajdzie więcej błędów. Decydująca liczba pojawi się w panelu operacyjnym, a nie na slajdzie z benchmarkiem.