Η εκρηκτική ανάπτυξη των εφαρμογών τεχνητής νοημοσύνης, και ιδιαίτερα των θεμελιωδών μοντέλων (foundation models) που στηρίζουν τεχνολογίες generative AI, έχει πυροδοτήσει μια πρωτοφανή ανάγκη για υπολογιστική ισχύ. Σύμφωνα με πρόσφατη έκθεση της McKinsey & Company, για να καλυφθεί η ζήτηση αυτή έως το 2030, απαιτούνται παγκόσμιες επενδύσεις που προσεγγίζουν τα 7 τρισεκατομμύρια δολάρια. Οι προβλέψεις αυτές σηματοδοτούν όχι μόνο τη γεωμετρική αύξηση των υποδομών, αλλά και τη διαμόρφωση ενός νέου επενδυτικού οικοσυστήματος με πολλαπλά κέντρα βάρους.
Η υπολογιστική ισχύς, ένας όρος που συνοψίζει επεξεργαστές, υποσυστήματα μνήμης, αποθηκευτικούς πόρους, ενεργειακή υποστήριξη και υποδομές διασύνδεσης, έχει αποκτήσει στρατηγικό χαρακτήρα. Δεν πρόκειται πλέον για παθητική υποδομή, αλλά για ενεργό παράγοντα που καθορίζει τη δυνατότητα ανάπτυξης, καινοτομίας και ανταγωνιστικότητας. Η McKinsey εκτιμά ότι μέχρι το 2030, μόνο οι υποδομές που προορίζονται για φόρτους εργασίας τεχνητής νοημοσύνης θα απαιτήσουν κεφαλαιουχικές δαπάνες της τάξης των 5,2 τρισεκατομμυρίων δολαρίων. Οι παραδοσιακές εφαρμογές πληροφορικής, όπως διαχείριση επιχειρησιακών λειτουργιών ή βάσεις δεδομένων, θα απαιτήσουν επιπλέον 1,5 τρισ., ανεβάζοντας το σύνολο κοντά στα 7 τρισ.
Παρ’ όλα αυτά, η McKinsey υπογραμμίζει ότι οι προβλέψεις αυτές συνοδεύονται από μεγάλες αβεβαιότητες. Ο τομέας της τεχνητής νοημοσύνης εξελίσσεται με τέτοιο ρυθμό, ώστε κάθε πρόβλεψη βασίζεται σε υποθέσεις που υπόκεινται σε διαρκή αναθεώρηση. Οι εφαρμογές ενδέχεται να μην αποφέρουν την προσδοκώμενη επιχειρηματική αξία για ορισμένους κλάδους, ενώ ταυτόχρονα, τεχνολογικές εξελίξεις, όπως πο πιο αποδοτικές αρχιτεκτονικές γλωσσικών μοντέλων και οι νέες λύσεις ενεργειακής εξοικονόμησης, μπορεί να μειώσουν τη ζήτηση για υλικοτεχνικές υποδομές.
Σε αυτό το πλαίσιο, η McKinsey αναλύει τρία σενάρια. Στο «περιορισμένο σενάριο», η ανάπτυξη συγκρατείται, με αποτέλεσμα επενδύσεις 3,7 τρισεκατομμυρίων δολαρίων και προσθήκη 78 γιγαβάτ υπολογιστικής ισχύος. Στο «βασικό σενάριο», η ζήτηση αυξάνεται σταθερά, με 5,2 τρισ. σε επενδύσεις και 124 γιγαβάτ σε νέα δυναμικότητα. Στο «επιταχυνόμενο σενάριο», η πλήρης υιοθέτηση της τεχνητής νοημοσύνης οδηγεί σε 205 γιγαβάτ ισχύος και επενδύσεις 7,9 τρισ. δολαρίων.
Το επενδυτικό οικοσύστημα που διαμορφώνεται είναι πολυεπίπεδο. Η McKinsey διακρίνει πέντε βασικούς τύπους επενδυτών: τους κατασκευαστές υποδομών (builders), τους παρόχους ενέργειας και ψύξης (energizers), τους τεχνολογικούς προμηθευτές επεξεργαστών και εξοπλισμού (developers), τους διαχειριστές κέντρων δεδομένων (operators) και τους αρχιτέκτονες τεχνητής νοημοσύνης (architects), δηλαδή όσους σχεδιάζουν μοντέλα και εφαρμογές AI. Από τα 5,2 τρισ. δολάρια που προβλέπονται για την τεχνητή νοημοσύνη, περίπου 3,1 τρισ. θα διοχετευθούν στην παραγωγή υπολογιστικού υλικού, 1,3 τρισ. στην ενίσχυση της ενεργειακής υποδομής και 800 δισ. στην ανάπτυξη φυσικών εγκαταστάσεων.
Κάθε κατηγορία επενδυτών αντιμετωπίζει διαφορετικές προκλήσεις. Οι κατασκευαστές χρειάζονται γη, υλικά και εργατικό δυναμικό σε περιοχές με περιορισμένη διαθεσιμότητα, ενώ οι πάροχοι ενέργειας πρέπει να ανταποκριθούν σε αυξανόμενες απαιτήσεις με παράλληλη μετάβαση σε καθαρές πηγές. Η υγρή ψύξη, η άμεση ψύξη σε επεξεργαστές και οι λύσεις immersion cooling αποκτούν στρατηγική σημασία. Οι κατασκευαστές τεχνολογιών, από την άλλη, βρίσκονται αντιμέτωποι με ελλείψεις σε παραγωγική δυναμικότητα και συγκέντρωση της αγοράς σε λίγες εταιρείες, ενώ οι διαχειριστές data centers επενδύουν σε λογισμικό βελτιστοποίησης και εξειδικευμένα κυκλώματα.
Ιδιαίτερο ενδιαφέρον παρουσιάζει η διάκριση μεταξύ της φάσης «εκπαίδευσης» και της φάσης «εξαγωγής συμπερασμάτων» στα μοντέλα τεχνητής νοημοσύνης. Ενώ η εκπαίδευση απαιτεί υψηλές υπολογιστικές και ενεργειακές δυνατότητες, η εξαγωγή συμπερασμάτων –η χρήση του εκπαιδευμένου μοντέλου σε πραγματικό χρόνο– αναμένεται να κυριαρχήσει μέχρι το 2030. Αυτό οδηγεί σε διαφορετικές αρχιτεκτονικές απαιτήσεις και ανάγκες εξοπλισμού, π.χ. χρήση μνήμης υψηλής ταχύτητας και παραμετροποιημένων επεξεργαστών.
Η McKinsey εντοπίζει και γεωπολιτικές παραμέτρους, καθώς οι κυβερνήσεις επενδύουν στρατηγικά σε υποδομές τεχνητής νοημοσύνης με στόχο την οικονομική και τεχνολογική ανεξαρτησία. Εμπορικοί δασμοί, έλεγχοι εξαγωγών και ρυθμίσεις ασφαλείας εντείνουν τις αβεβαιότητες, ιδιαίτερα για τις εταιρείες που εξαρτώνται από διεθνείς εφοδιαστικές αλυσίδες. Παράλληλα, πολλές επιχειρήσεις εμφανίζονται επιφυλακτικές ως προς τη σκοπιμότητα επένδυσης τεράστιων κεφαλαίων σε υποδομές των οποίων η απόδοση παραμένει ασαφής.
Η στρατηγική που προτείνεται από τη McKinsey στηρίζεται σε τρεις άξονες. Πρώτον, κάθε επιχείρηση καλείται να εντοπίσει έγκαιρα τις δικές της ανάγκες σε υπολογιστική ισχύ, ώστε να ευθυγραμμίσει τις επενδύσεις με τις προοπτικές χρήσης της τεχνητής νοημοσύνης στον κλάδο της. Δεύτερον, πρέπει να δώσει έμφαση στην ενεργειακή αποδοτικότητα και την τεχνολογική βιωσιμότητα των λύσεων που θα επιλέξει. Τρίτον, να ενισχύσει τη σταθερότητα της εφοδιαστικής της αλυσίδας, διασφαλίζοντας πρόσβαση σε κρίσιμες πρώτες ύλες, ενέργεια και εξειδικευμένα υποσυστήματα.
Όπως σημειώνεται χαρακτηριστικά στην έκθεση, η επιτυχία στην εποχή της τεχνητής νοημοσύνης δεν εξαρτάται μόνο από την τεχνολογική αρτιότητα των μοντέλων, αλλά και από την έγκαιρη, στρατηγικά ευθυγραμμισμένη επένδυση στην υποδομή που θα τα υποστηρίξει.
