AI może tanieć jak prąd, nawet jeśli scaling laws zwolnią

Nathan Lambert twierdzi, że lepszym odpowiednikiem prawa Moore’a dla AI nie są scaling laws, lecz coroczny wzrost efektywności inteligencji. Jeśli efektywność treningu i inference przy tej samej jakości poprawia się 2x rocznie, ten sam poziom możliwości po 5 latach kosztuje 32x mniej, a po 10 latach około 1000x mniej.

Lambert przesuwa rozmowę z wielkości modelu na cenę możliwości

Tweet nie jest zapowiedzią produktu, ale daje użyteczne ramy. Większość publicznej debaty pyta, czy większe modele nadal będą przynosić więcej inteligencji. Lambert kieruje uwagę na to, co się stanie, gdy ta sama zdolność stanie się radykalnie tańsza.

To praktyczniejsze pytanie dla rynku. Firma nie kupuje abstrakcyjnej inteligencji. Kupuje koszt zadania, latencję, niezawodność i możliwość wbudowania modelu w produkt bez zjedzenia marży przez inference.

Produkty wygrywają na tańszej tej samej zdolności, nie tylko na wyższym wyniku

Jeśli model za rok wykona tę samą pracę za połowę kosztu, zmienia się lista opłacalnych zastosowań. Zadania zbyt tanie dla człowieka i zbyt drogie dla AI nagle zaczynają mieć sens.

Dla zespołów produktowych i engineeringowych oznacza to patrzenie na cost curves, a nie tylko na leaderboardy. Tańszy inference może odblokować personalizację, długie konteksty, ciągłe kontrole jakości i agentic workflows, które dziś rozbijają się o cenę każdego kroku.

Podwojenie efektywności co rok to scenariusz, nie prawo natury

Liczby 32x i 1000x wynikają z prostego procentu składanego przy poprawie 2x rocznie. To dobra kalkulacja w głowie, ale nie fizyka. Hardware, ceny energii, dostępność danych, regulacje albo opór konkretnych zadań mogą ją spowolnić.

Tańsza inteligencja nie staje się też automatycznie komodą jak prąd. Prąd jest standaryzowany. Modele różnią się zachowaniem, ryzykiem prawnym, śladem danych i tym, czy ufasz vendorowi z runtime swojego produktu.

O wszystkim zdecyduje rachunek za realne zadanie

Następny sygnał nie pojawi się w tweecie ani manifeście. Pojawi się na fakturach: ile kosztuje obsłużenie zgłoszenia klienta, napisanie pull requestu, przejrzenie 1000 dokumentów albo podanie miliona spersonalizowanych rekomendacji.

Jeśli te koszty jednostkowe spadną o rzędy wielkości, AI naprawdę zacznie wyglądać jak infrastruktura. Jeśli zostaną nierówne i zamknięte u vendorów, pozostanie drogą usługą z ładną krzywą w prezentacji.

Werdykt Lilith

Komoda nie rodzi się wtedy, gdy ktoś narysuje ładny wykres. Rodzi się dopiero wtedy, gdy księgowy przestaje unosić brew przy każdym kroku AI.