Die wirtschaftlichen Argumente für generative KI und Basismodelle

Jul 05, 2023

Künstliche Intelligenz ist seit den 1950er Jahren ein fester Bestandteil der Informatik. Im Laufe der Jahre hat es den Unternehmen, die es effektiv einsetzen konnten, auch viel Geld eingebracht. Wie wir jedoch kürzlich in einem Leitartikel für das Wall Street Journal erklärt haben – was ein guter Ausgangspunkt für die detailliertere Argumentation ist, die wir hier vorbringen – gingen die meisten dieser Gewinne eher an große etablierte Anbieter (wie Google oder Meta). als an Startups. Bis vor kurzem – mit dem Aufkommen der generativen KI und allem, was sie umfasst – haben wir keine KI-orientierten Unternehmen gesehen, die die Gewinne ihrer größeren, etablierten Konkurrenten durch direkte Konkurrenz oder völlig neue Verhaltensweisen, die alte überflüssig machen, ernsthaft gefährden.

Bei generativen KI-Anwendungen und Grundlagenmodellen (oder Grenzmodellen) sieht die Sache jedoch ganz anders aus. Unglaubliche Leistung und Akzeptanz in Kombination mit einem rasanten Innovationstempo deuten darauf hin, dass wir uns möglicherweise am Anfang eines Zyklus befinden, der unser Leben und unsere Wirtschaft in einem Ausmaß verändern wird, wie es seit dem Mikrochip und dem Internet nicht mehr der Fall war.

In diesem Beitrag geht es um die Ökonomie traditioneller KI und darum, warum es für Start-ups, die KI als zentrales Unterscheidungsmerkmal nutzen (worüber wir in der Vergangenheit geschrieben haben), typischerweise schwierig ist, eine Fluchtgeschwindigkeit zu erreichen. Anschließend wird erläutert, warum generative KI-Anwendungen und große Unternehmen mit Stiftungsmodell so unterschiedlich aussehen und was dies für unsere Branche bedeuten kann.

Historisch gesehen besteht das Problem mit KI nicht darin, dass sie nicht funktioniert – sie liefert seit langem verblüffende Ergebnisse –, sondern vielmehr darin, dass sie sich dem Aufbau attraktiver reiner Geschäftsmodelle auf privaten Märkten widersetzt. Wenn man sich die Grundlagen anschaut, ist es nicht schwer zu verstehen, warum es für Start-ups schwierig ist, mit KI hervorragende wirtschaftliche Ergebnisse zu erzielen.

Viele KI-Produkte müssen sicherstellen, dass sie auch in seltenen Situationen, die oft als „Tail“ bezeichnet werden, eine hohe Genauigkeit bieten. Und obwohl eine bestimmte Situation für sich genommen selten sein mag, gibt es in ihrer Gesamtheit oft viele seltene Situationen. Dies ist wichtig, denn je seltener Instanzen werden, desto höher kann der Investitionsaufwand für deren Bewältigung sein. Dies können für Startups perverse Größenvorteile sein, die es zu rationalisieren gilt.

Beispielsweise kann eine Investition von 20 Millionen US-Dollar erforderlich sein, um einen Roboter zu bauen, der Kirschen mit einer Genauigkeit von 80 % pflücken kann. Wenn Sie jedoch eine Genauigkeit von 90 % benötigen, könnte die erforderliche Investition auf 200 Millionen US-Dollar ansteigen. Um eine Genauigkeit von 95 % zu erreichen, könnte eine Milliarde US-Dollar erforderlich sein. Das ist nicht nur eine Menge Vorabinvestitionen, um ein angemessenes Maß an Genauigkeit zu erreichen, ohne sich zu sehr auf Menschen zu verlassen (was hätte das sonst für einen Sinn?), sondern es führt auch zu sinkenden Grenzerträgen auf das investierte Kapital. Zusätzlich zu den schieren Geldsummen, die möglicherweise erforderlich sind, um das gewünschte Genauigkeitsniveau zu erreichen und aufrechtzuerhalten, können die steigenden Kosten des Fortschritts als Schutzwall für Führungskräfte dienen – sie verbrennen Geld für Forschung und Entwicklung, während Fast-Follower auf ihren Erkenntnissen aufbauen und schließen Sie die Lücke zu einem Bruchteil der Kosten.

Viele der traditionellen KI-Problembereiche sind gegenüber falschen Antworten nicht besonders tolerant. Kundenerfolgs-Bots sollten beispielsweise niemals schlechte Hinweise geben, die optische Zeichenerkennung (OCR) für Scheckeinzahlungen sollte Bankkonten niemals falsch interpretieren und (natürlich) autonome Fahrzeuge sollten keine illegalen oder gefährlichen Dinge tun. Obwohl sich die KI bei einigen genau definierten Aufgaben als genauer erwiesen hat als Menschen, sind Menschen bei Long-Tail-Problemen, bei denen es auf den Kontext ankommt, oft besser dran. Daher sind bei KI-gestützten Lösungen häufig immer noch Menschen im Einsatz, um die Genauigkeit sicherzustellen. Diese Situation kann schwierig zu skalieren sein und führt häufig zu hohen Kosten, die die Bruttomargen belasten.

Der menschliche Körper und das Gehirn bestehen aus einer analogen Maschine, die über Hunderte von Millionen Jahren entwickelt wurde, um sich in der physischen Welt zurechtzufinden. Es verbraucht ungefähr 150 Watt Energie, läuft mit einer Schüssel Haferbrei, ist ziemlich gut darin, Probleme im Schwanzbereich zu lösen, und der weltweite Durchschnittslohn liegt bei ungefähr 5 Dollar pro Stunde. Für einige Aufgaben in manchen Teilen der Welt beträgt der Durchschnittslohn weniger als einen Dollar pro Tag.

Bei vielen Anwendungen konkurriert KI nicht mit einem herkömmlichen Computerprogramm, sondern mit einem Menschen. Und wenn es bei der Arbeit um eine der grundlegenderen Fähigkeiten des Kohlenstofflebens geht, etwa die Wahrnehmung, sind Menschen oft billiger. Zumindest ist es weitaus günstiger, mit relativ geringem Aufwand durch den Einsatz von Menschen eine angemessene Genauigkeit zu erreichen. Dies gilt insbesondere für Startups, die normalerweise nicht über eine große, hochentwickelte KI-Infrastruktur verfügen, auf der sie aufbauen können.

Es ist auch erwähnenswert, dass der KI oft ein höheres Ziel gesetzt wird als nur das, was Menschen erreichen können (warum das System ändern, wenn das neue nicht wesentlich besser ist?). Selbst in Fällen, in denen KI offensichtlich besser ist, ist sie immer noch im Nachteil.

Dies ist ein sehr wichtiger, aber dennoch unterschätzter Punkt. Wahrscheinlich weil KI weitgehend eine Ergänzung zu bestehenden Produkten etablierter Unternehmen darstellt, hat sie nicht viele neue Anwendungsfälle eingeführt, die sich in einem neuen Benutzerverhalten bei der breiteren Verbraucherpopulation niedergeschlagen haben. Neue Nutzerverhaltensweisen sind in der Regel die Ursache für massive Marktveränderungen, da sie oft als säkulare Randbewegungen beginnen, die die etablierten Betreiber nicht verstehen oder die ihnen egal sind. (Denken Sie an den persönlichen Mikrocomputer, das Internet, persönliche Smartphones oder die Cloud.) Dies ist ein fruchtbarer Boden für Startups, um auf neue Verbraucherbedürfnisse einzugehen, ohne mit etablierten Unternehmen in ihren Kernbereichen konkurrieren zu müssen.

Natürlich gibt es Ausnahmen, wie zum Beispiel die neuen Verhaltensweisen, die durch Sprachassistenten für zu Hause eingeführt werden. Aber selbst diese unterstreichen, wie dominant die etablierten Unternehmen bei KI-Produkten sind, angesichts des spürbaren Mangels an weit verbreiteten unabhängigen Unternehmen in diesem Bereich.

Autonome Fahrzeuge (AVs) sind ein extremes, aber anschauliches Beispiel dafür, warum KI für Startups schwierig ist. AVs erfordern Schwanzkorrektheit (etwas falsch zu machen ist sehr, sehr schlecht); Betriebliche AV-Systeme sind oft auf viel menschliche Aufsicht angewiesen; und sie konkurrieren mit dem menschlichen Gehirn bei der Wahrnehmung (das etwa 12 Watt benötigt, im Vergleich zu einigen High-End-CPU/GPU-AV-Setups, die über 1.300 Watt verbrauchen). Obwohl es also viele Gründe gibt, auf autonome Fahrzeuge umzusteigen, darunter Sicherheit, Effizienz und Verkehrsmanagement, ist die Wirtschaftlichkeit im Vergleich zu Mitfahrdiensten immer noch nicht ganz ausreichend, ganz zu schweigen davon, einfach selbst zu fahren. Und das, obwohl schätzungsweise 75 Milliarden US-Dollar in die AV-Technologie investiert wurden.

Natürlich gibt es auch enger gefasste Anwendungsfälle, die überzeugender sind, etwa LKW-Transporte oder genau definierte Campus-Routen. Auch die Wirtschaft wird immer besser und wird wahrscheinlich bald die des Menschen übertreffen. Aber angesichts der Höhe der Investitionen und der Zeit, die nötig waren, um uns hierher zu bringen, sowie der anhaltenden betrieblichen Komplexität und Risiken, ist es kein Wunder, dass allgemeine AVs weitgehend zu einem Unterfangen großer börsennotierter Unternehmen geworden sind, sei es durch Gründung oder Übernahme.

Aus den oben dargelegten Gründen hat die Schwierigkeit, ein margenstarkes, wachstumsstarkes Unternehmen zu schaffen, bei dem KI das Hauptunterscheidungsmerkmal ist, zu einer bekannten Herausforderung für Start-ups geführt, die dies versuchen. Diese Hypothese aus dem Artikel des Wall Street Journal bringt es gut auf den Punkt:

Damit das Startup frühzeitig über ausreichende Korrektheit verfügt, stellt es Menschen ein, die die Funktion ausführen, die die KI im Laufe der Zeit automatisieren soll. Oftmals ist dies Teil eines Eskalationspfads, bei dem ein erster Teil der KI 80 % der gängigen Anwendungsfälle abdeckt und der Mensch den Rest verwaltet.

Frühe Investoren konzentrieren sich tendenziell mehr auf Wachstum als auf Margen. Um Kapital zu beschaffen und den Vorstand zufrieden zu stellen, stellt das Unternehmen daher weiterhin Mitarbeiter ein, anstatt in die Automatisierung zu investieren – was sich aufgrund der oben genannten Komplikationen ohnehin als schwierig erweist langen Schwanz. Wenn das Unternehmen für Wachstumsinvestitionen bereit ist, hat es bereits eine ganze Organisation aufgebaut, die sich um die Einstellung und Einbindung von Mitarbeitern dreht, und es ist zu schwierig, sich davon zu lösen. Das Ergebnis ist ein Unternehmen, das zunächst ein relativ hohes Wachstum verzeichnen kann, aber eine niedrige Marge beibehält und mit der Zeit nur schwer skalierbar ist.

Die KI-Mittelmäßigkeitsspirale ist jedoch nicht tödlich, und man kann daraus tatsächlich große börsennotierte Unternehmen aufbauen. Aber die Wirtschaftlichkeit und Skalierung hinkt softwarezentrierten Produkten tendenziell hinterher. Daher haben wir in der Vergangenheit keine Welle schnell wachsender KI-Startups gesehen, die den Schwung hatten, die etablierten Unternehmen zu destabilisieren. Vielmehr tendieren sie dazu, sich den schwierigeren, gröberen und komplexeren Problemen zuzuwenden – oder sich zu Dienstleistungsunternehmen zu entwickeln, die maßgeschneiderte Lösungen entwickeln –, weil sie über die Leute verfügen, die sich mit solchen Dingen befassen können.

Mit generativer KI ändert sich jedoch alles.

In den letzten Jahren haben wir eine neue Welle von KI-Anwendungen erlebt, die auf großen Grundmodellen basieren oder diese integrieren. Dieser Trend wird allgemein als generative KI bezeichnet, da die Modelle zur Generierung von Inhalten (Bild, Text, Audio usw.) verwendet werden, oder einfach als große Basismodelle, da die zugrunde liegenden Technologien an Aufgaben angepasst werden können, die über die reine Inhaltsgenerierung hinausgehen. Für die Zwecke dieses Beitrags bezeichnen wir das alles als generative KI.

Angesichts der langen Geschichte der KI kann man dies leicht als einen weiteren Hype-Zyklus abtun, der sich irgendwann abkühlen wird. Dieses Mal haben KI-Unternehmen jedoch ein beispielloses Verbraucherinteresse und eine schnelle Einführung bewiesen. Seitdem generative KI Mitte bis Ende 2022 in den Zeitgeist eingetreten ist, hat sie bereits einige der am schnellsten wachsenden Unternehmen, Produkte und Projekte hervorgebracht, die wir in der Geschichte der Technologiebranche gesehen haben. Ein typisches Beispiel: ChatGPT brauchte nur 5 Tage, um 1 Million Benutzer zu erreichen, und ließ einige der bekanntesten Verbraucherunternehmen der Welt im Stich (Threads von Meta erreichten kürzlich in wenigen Stunden 1 Million, aber es wurde von einem bestehenden sozialen Diagramm gebootstrappt, Daher betrachten wir das nicht als Vergleich zwischen Äpfeln.

Was noch überzeugender als das schnelle frühe Wachstum ist, ist seine Nachhaltigkeit und sein Ausmaß, das über die Neuheit der ersten Markteinführung des Produkts hinausgeht. In den sechs Monaten seit seiner Einführung erreichte ChatGPT pro Yipit schätzungsweise mehr als 230 Millionen monatliche aktive Benutzer (MAUs) weltweit. Es dauerte bis 2009, bis Facebook vergleichbare 197 Millionen MAUs erreichte – mehr als fünf Jahre nach seinem ersten Start in der Ivy League und drei Jahre, nachdem das soziale Netzwerk der breiten Öffentlichkeit zugänglich gemacht wurde.

Während ChatGPT eindeutig ein KI-Moloch ist, ist es bei weitem nicht die einzige Erfolgsgeschichte im Bereich der generativen KI:

Auch der Markt für KI-Entwickler verzeichnet ein enormes Wachstum. Beispielsweise hat die Veröffentlichung des großen Image-Modells Stable Diffusion einige der erfolgreichsten Open-Source-Entwicklerprojekte der jüngeren Geschichte in Bezug auf Geschwindigkeit und Akzeptanzrate umgehauen. Das Llama 2 Large Language Model (LLM) von Meta zog bereits wenige Tage nach seiner Veröffentlichung im Juli über Plattformen wie Replicate viele Hunderttausend Benutzer an.

Diese beispiellose Akzeptanz ist einer der Hauptgründe, warum wir glauben, dass es ein sehr starkes Argument dafür gibt, dass generative KI nicht nur wirtschaftlich rentabel ist, sondern auch ein Maß an Markttransformation antreiben kann, das mit dem Mikrochip und dem Internet vergleichbar ist.

Um zu verstehen, warum dies so ist, lohnt es sich, einen Blick darauf zu werfen, wie sich generative KI von früheren Versuchen zur Kommerzialisierung von KI unterscheidet.

Viele der Anwendungsfälle für generative KI liegen nicht in Bereichen, in denen es keine formale Vorstellung von Korrektheit gibt. Tatsächlich sind die beiden derzeit häufigsten Anwendungsfälle die kreative Generierung von Inhalten (Bilder, Geschichten usw.) und die Begleitung (virtueller Freund, Arbeitskollege, Brainstorming-Partner usw.). In diesen Zusammenhängen bedeutet „richtig sein“ einfach „den Benutzer ansprechen oder einbeziehen“. Darüber hinaus sind andere beliebte Anwendungsfälle, etwa die Unterstützung von Entwicklern beim Schreiben von Software durch Codegenerierung, tendenziell iterativ, wobei der Benutzer praktisch der Mensch in der Schleife ist und auch das Feedback zur Verbesserung der generierten Antworten liefert. Sie können das Modell zu der gesuchten Antwort führen, ohne dass das Unternehmen einen Pool von Menschen aufstellen muss, um die sofortige Korrektheit sicherzustellen.

Generative KI-Modelle sind unglaublich allgemeingültig und werden bereits auf eine Vielzahl großer Märkte angewendet. Dazu gehören Bilder, Videos, Musik, Spiele und Chat. Allein die Spiele- und Filmindustrie ist mehr als 300 Milliarden US-Dollar wert. Darüber hinaus verstehen die LLMs tatsächlich natürliche Sprache und werden daher als neue Konsumebene für Programme eingesetzt. Wir sehen auch eine breite Akzeptanz in Bereichen der professionellen paarweisen Interaktion wie Therapie, Recht, Bildung, Programmierung und Coaching.

Alles in allem sind bestehende Märkte lediglich ein Beweispunkt für den Wert und möglicherweise lediglich ein Startpunkt für generative KI. Wenn sich die Wirtschaft und die Fähigkeiten in der Vergangenheit dramatisch verändern, wie es beim Internet der Fall war, entstehen völlig neue Verhaltensweisen und Märkte, die nicht vorhersehbar sind und viel größer sind als die Vorgänger.

In der Vergangenheit konzentrierten sich viele Anstrengungen in der KI auf die Nachbildung von Aufgaben, die für Menschen einfach sind, wie etwa die Identifizierung von Objekten oder die Navigation in der physischen Welt – im Wesentlichen Dinge, bei denen es um Wahrnehmung geht. Für den Menschen sind diese Aufgaben jedoch einfach, da sich das Gehirn über Hunderte von Millionen Jahren entwickelt und speziell für ihn optimiert hat (Beeren pflücken, Löwen ausweichen usw.). Daher ist es, wie wir oben besprochen haben, schwierig, die Wirtschaft im Vergleich zu einem Menschen zum Laufen zu bringen.

Generative KI hingegen automatisiert die Verarbeitung natürlicher Sprache und die Erstellung von Inhalten – Aufgaben, für deren Entwicklung das menschliche Gehirn viel weniger Zeit aufgewendet hat (vermutlich weniger als 100.000 Jahre). Generative KI kann viele dieser Aufgaben bereits um Größenordnungen billiger, schneller und in manchen Fällen besser als Menschen erledigen. Da diese sprachbasierten oder „kreativen“ Aufgaben für Menschen schwieriger sind und oft mehr Geschick erfordern, verlangen solche Angestelltenjobs (z. B. Programmierer, Anwälte und Therapeuten) tendenziell höhere Löhne.

Während also ein Landarbeiter in den USA durchschnittlich 15 Dollar pro Stunde verdient, erhalten Angestellte in den oben genannten Rollen Hunderte von Dollar pro Stunde. Obwohl wir noch keine Roboter mit den Feinmotorikfähigkeiten haben, die für das wirtschaftliche Pflücken von Erdbeeren erforderlich sind, werden Sie sehen, wenn wir die Kosten aufschlüsseln, dass generative KI zu einem Bruchteil der Kosten eine ähnliche Leistung erbringen kann wie diese hochwertigen Arbeitskräfte Zeit.

Die neuen Benutzerverhaltensweisen, die mit der generativen KI-Welle entstanden sind, sind ebenso verblüffend wie die wirtschaftlichen Aspekte. LLMs wurden als Softwareentwicklungspartner, Brainstorming-Begleiter, Pädagogen, Lebensberater, Freunde und ja, sogar Liebhaber in Dienst gestellt. Große Bildmodelle sind zu einem zentralen Bestandteil neuer Communities geworden, die sich ausschließlich um die Erstellung fantasievoller neuer Inhalte oder die Entwicklung einer KI-Kunsttherapie zur Behandlung von Anwendungsfällen wie psychischen Gesundheitsproblemen drehen. Dabei handelt es sich um Funktionen, die Computer bisher nicht erfüllen konnten. Daher wissen wir nicht genau, wozu das Verhalten führen wird und auch nicht, welche Produkte sich am besten dafür eignen. Dies alles bedeutet eine Chance für die neue Klasse privater generativer KI-Unternehmen, die im Entstehen begriffen sind.

Obwohl die Anwendungsfälle für dieses neue Verhalten noch im Entstehen sind oder entwickelt werden, haben die Benutzer – was entscheidend ist – bereits ihre Zahlungsbereitschaft gezeigt. Viele der neuen generativen KI-Unternehmen haben zusätzlich zum oben genannten Nutzerwachstum ein enormes Umsatzwachstum verzeichnet. Abonnentenschätzungen für ChatGPT deuten auf einen jährlichen Run-Rate-Umsatz von fast 500 Millionen US-Dollar allein durch US-Abonnenten hin. Abgesehen von ChatGPT haben Unternehmen in einer Reihe von Branchen (darunter Rechtswesen, Texterstellung, Bilderzeugung und KI-Begleitung, um nur einige zu nennen) beeindruckende und schnelle Umsatzsteigerungen erzielt – bis zu Hunderten Millionen Umsätzen innerhalb ihres ersten Jahres. Bei einigen Unternehmen, die ihre eigenen Modelle besitzen und trainieren, übersteigt dieses Umsatzwachstum sogar die hohen Schulungskosten zusätzlich zu den Inferenzkosten – also den variablen Kosten für die Kundenbetreuung. Dadurch entstehen bereits oder in Kürze autarke Unternehmen.

Genauso wie die Zeit bis zur Erreichung einer Million Nutzer verkürzt wurde, verkürzt sich auch die Zeit, die viele KI-Unternehmen benötigen, um einen laufenden Umsatz von über 10 Millionen US-Dollar zu erzielen, was häufig ein Fundraising-Merkmal ist, um die Produktmarkttauglichkeit zu erreichen.

Schauen wir uns als motivierendes Beispiel die einfache Aufgabe an, ein Bild zu erstellen. Derzeit sind die von diesen Modellen erzeugten Bildqualitäten denen von menschlichen Künstlern und Grafikdesignern ebenbürtig, und wir nähern uns dem Fotorealismus. Zum jetzigen Zeitpunkt betragen die Rechenkosten für die Erstellung eines Bildes mithilfe eines großen Bildmodells etwa 0,001 US-Dollar und es dauert etwa 1 Sekunde. Eine ähnliche Aufgabe mit einem Designer oder Fotografen zu erledigen, würde Hunderte von Dollar (mindestens) und viele Stunden oder Tage kosten (unter Berücksichtigung von Arbeitszeit und Zeitplänen). Auch wenn wir der Einfachheit halber die Kosten mit 100 US-Dollar und die Zeit mit einer Stunde unterschätzen, ist generative KI 100.000-mal günstiger und 3.600-mal schneller als die menschliche Alternative.

Eine ähnliche Analyse kann auf viele andere Aufgaben angewendet werden. Beispielsweise belaufen sich die Kosten für die Zusammenfassung und Beantwortung von Fragen zu einem komplexen Rechtsauftrag durch einen LLM auf Bruchteile eines Cents, während ein Anwalt in der Regel Hunderte (und bis zu Tausende) Dollar pro Stunde verlangt und dafür Stunden oder Tage benötigt. Die Kosten für einen LLM-Therapeuten würden ebenfalls ein paar Cent pro Sitzung betragen. Und so weiter.

Die Berufe und Branchen, die von den wirtschaftlichen Auswirkungen der KI betroffen sind, gehen weit über die wenigen oben aufgeführten Beispiele hinaus. Wir gehen davon aus, dass der wirtschaftliche Wert der generativen KI einen transformativen und überwältigenden Einfluss auf Bereiche haben wird, die vom Sprachunterricht bis zum Geschäftsbetrieb reichen, und dass das Ausmaß dieser Auswirkungen positiv mit dem Durchschnittslohn dieser Branche korreliert. Dies wird zu einem größeren Kostendelta zwischen dem Status Quo und der KI-Alternative führen.

Natürlich müssten die LLMs diese Funktionen tatsächlich gut beherrschen, um diesen wirtschaftlichen Wert zu realisieren. Dafür mehren sich die Belege: Jeden Tag sammeln wir mehr Beispiele dafür, wie generative KI in der Praxis effektiv für reale Aufgaben eingesetzt wird. Sie verbessern sich weiterhin in erstaunlicher Weise und tun dies bislang ohne unhaltbare Erhöhungen der Schulungskosten oder Produktpreise. Wir behaupten nicht, dass große Modelle alle Arbeiten dieser Art ersetzen können oder werden – es gibt derzeit kaum Anzeichen dafür –, sondern nur, dass die Wirtschaftlichkeit für jede Arbeitsstunde, die sie einsparen, erstaunlich ist.

Nichts davon ist wissenschaftlich, wohlgemerkt, aber wenn Sie einen idealisierten Fall skizzieren, in dem ein Modell zur Erbringung einer bestehenden Dienstleistung verwendet wird, sind die Zahlen in der Regel drei bis vier Größenordnungen günstiger als der aktuelle Status Quo und im Allgemeinen zwei bis vier Größenordnungen günstiger als der aktuelle Status Quo. 3 Größenordnungen schneller.

Ein extremes Beispiel wäre die Erstellung eines gesamten Videospiels aus einer einzigen Eingabeaufforderung. Heutzutage erstellen Unternehmen Modelle für jeden Aspekt eines komplexen Videospiels – 3D-Modelle, Stimme, Texturen, Musik, Bilder, Charaktere, Geschichten usw. – und die Entwicklung eines AAA-Videospiels kann heute Hunderte Millionen Dollar kosten. Die Inferenzkosten für ein KI-Modell zur Generierung aller in einem Spiel benötigten Assets betragen einige Cent oder mehrere zehn Cent. Dabei handelt es sich um Wirtschaftswissenschaften auf Mikrochip- oder Internet-Ebene.

Schüren wir also nur eine weitere Hype-Blase, die keinen Erfolg bringt? Das glauben wir nicht. So wie der Mikrochip die Grenzkosten der Rechenleistung auf Null brachte und das Internet die Grenzkosten der Verteilung auf Null senkte, verspricht die generative KI, die Grenzkosten der Schöpfung auf Null zu senken.

Interessanterweise betrugen die durch den Mikrochip und das Internet gebotenen Gewinne ebenfalls etwa drei bis vier Größenordnungen. (Dies sind alles grobe Zahlen, die in erster Linie einen Punkt veranschaulichen sollen. Es ist ein sehr komplexes Thema, aber wir möchten einen groben Eindruck davon vermitteln, wie störend das Internet und der Mikrochip auf den aktuellen Zeit- und Kostenaufwand für die Durchführung von Aufgaben waren.) Zum Beispiel ENIAC , der erste programmierbare Allzweckcomputer, war 5.000 Mal schneller als jede andere Rechenmaschine seiner Zeit und konnte angeblich die Flugbahn einer Rakete in 30 Sekunden berechnen, verglichen mit mindestens 30 Stunden von Hand.

In ähnlicher Weise hat das Internet die Berechnungen für die Übertragung von Bits über große Entfernungen dramatisch verändert. Sobald eine ausreichend große Internetbandbreite verfügbar war, konnten Sie Software in wenigen Minuten herunterladen, anstatt sie innerhalb von Tagen oder Wochen per Post zu erhalten oder zum örtlichen Fry's zu fahren, um sie persönlich zu kaufen. Oder denken Sie an die enorme Effizienz, die das Versenden von E-Mails, das Streamen von Videos oder die Nutzung praktisch aller Cloud-Dienste mit sich bringt. Vor Jahrzehnten lagen die Kosten pro Bit bei etwa 2*10^-10. Wenn man also beispielsweise 1 Kilobyte verschickte, war es um Größenordnungen günstiger als der Preis einer Briefmarke.

Für unser Geld verspricht generative KI ein ähnliches Versprechen, wenn es um Kosten und Zeit für die Generierung von Inhalten geht – vom Schreiben einer E-Mail bis zur Produktion eines ganzen Films. All dies setzt natürlich voraus, dass die KI-Skalierung weiter voranschreitet und wir weiterhin massive Fortschritte bei der Wirtschaftlichkeit und den Fähigkeiten verzeichnen. Zum jetzigen Zeitpunkt glauben viele der Experten, mit denen wir sprechen, dass wir uns in den Anfängen der Technologie befinden und dass wir in den kommenden Jahren höchstwahrscheinlich weiterhin enorme Fortschritte erleben werden.

Es gibt viel Streit über die Vertretbarkeit oder Unvertretbarkeit von KI-Unternehmen. Es ist ein wichtiges Gespräch, und tatsächlich haben wir darüber geschrieben. Aber wenn die wirtschaftlichen Vorteile so überzeugend sind wie bei der generativen KI, gibt es genügend Geschwindigkeit, um ein Unternehmen um traditionellere Verteidigungsgräben wie Größe, Netzwerk, Long Tail des Unternehmensvertriebs, Marke usw. herum aufzubauen. Tatsächlich sind wir es Wir sehen bereits, dass scheinbar vertretbare Geschäftsmodelle im generativen KI-Bereich entstehen, rund um zweiseitige Marktplätze zwischen Modellerstellern und Modellnutzern sowie Communities rund um kreative Inhalte.

Auch wenn es keine offensichtliche Verteidigungsfähigkeit zu geben scheint, die dem Tech-Stack eigen ist (wenn überhaupt, dann sieht es so aus, als ob es weiterhin perverse Skaleneffekte gibt), glauben wir nicht, dass dies die bevorstehende Marktveränderung behindern wird.

Generell gehen wir davon aus, dass ein Rückgang des Grenzwerts der Schöpfung die Nachfrage massiv ankurbeln wird. Historisch gesehen hat sich das Jevons-Paradoxon tatsächlich immer wieder als wahr erwiesen: Wenn die Grenzkosten eines Gutes mit elastischer Nachfrage (z. B. Berechnung oder Verteilung) sinken, steigt die Nachfrage zum Ausgleich mehr als an. Das Ergebnis sind mehr Arbeitsplätze, mehr Wirtschaftswachstum und bessere Güter für die Verbraucher. Das war beim Mikrochip und beim Internet der Fall, und das wird auch bei der generativen KI der Fall sein.

Wenn Sie schon immer ein Unternehmen gründen wollten, ist jetzt der richtige Zeitpunkt dafür. Und bleiben Sie bitte auch unterwegs in Kontakt 🙂

***

Die hier geäußerten Ansichten sind die der einzelnen zitierten Mitarbeiter von AH Capital Management, LLC („a16z“) und nicht die Ansichten von a16z oder seinen verbundenen Unternehmen. Bestimmte hierin enthaltene Informationen stammen aus Drittquellen, unter anderem von Portfoliounternehmen der von a16z verwalteten Fonds. Obwohl a16z aus Quellen stammt, die als zuverlässig erachtet werden, hat a16z diese Informationen nicht unabhängig überprüft und gibt keine Zusicherungen über die dauerhafte Richtigkeit der Informationen oder ihre Angemessenheit für eine bestimmte Situation ab. Darüber hinaus können diese Inhalte Werbung Dritter enthalten; a16z hat solche Anzeigen nicht überprüft und unterstützt die darin enthaltenen Werbeinhalte nicht.

Dieser Inhalt dient nur zu Informationszwecken und sollte nicht als Rechts-, Geschäfts-, Investitions- oder Steuerberatung herangezogen werden. Sie sollten diesbezüglich Ihre eigenen Berater konsultieren. Verweise auf Wertpapiere oder digitale Vermögenswerte dienen nur der Veranschaulichung und stellen keine Anlageempfehlung oder ein Angebot zur Erbringung von Anlageberatungsdienstleistungen dar. Darüber hinaus richtet sich dieser Inhalt nicht an Anleger oder potenzielle Anleger und ist auch nicht für deren Nutzung bestimmt. Daher darf er unter keinen Umständen als Grundlage für die Entscheidung über eine Investition in einen von a16z verwalteten Fonds herangezogen werden. (Ein Angebot zur Investition in einen a16z-Fonds erfolgt nur durch das Privatplatzierungsmemorandum, die Zeichnungsvereinbarung und andere relevante Unterlagen eines solchen Fonds und sollte vollständig gelesen werden.) Alle erwähnten, erwähnten oder erwähnten Investitionen oder Portfoliounternehmen Die beschriebenen Investitionen sind nicht repräsentativ für alle von a16z verwalteten Investitionen in Fahrzeuge, und es kann nicht garantiert werden, dass die Investitionen rentabel sind oder dass andere in der Zukunft getätigte Investitionen ähnliche Eigenschaften oder Ergebnisse haben. Eine Liste der Investitionen der von Andreessen Horowitz verwalteten Fonds (ausgenommen Investitionen, für die der Emittent a16z keine Erlaubnis zur öffentlichen Offenlegung erteilt hat, sowie unangekündigte Investitionen in öffentlich gehandelte digitale Vermögenswerte) ist unter https://a16z.com/investments verfügbar /.

Die darin bereitgestellten Diagramme und Grafiken dienen ausschließlich Informationszwecken und sollten bei Anlageentscheidungen nicht als Grundlage herangezogen werden. Die Wertentwicklung in der Vergangenheit lässt keinen Rückschluss auf zukünftige Ergebnisse zu. Der Inhalt gilt nur zum angegebenen Datum. Alle in diesen Materialien zum Ausdruck gebrachten Prognosen, Schätzungen, Prognosen, Ziele, Aussichten und/oder Meinungen können ohne Vorankündigung geändert werden und können von den Meinungen anderer abweichen oder ihnen widersprechen. Weitere wichtige Informationen finden Sie unter https://a16z.com/disclosures.