Самое важное в IT за неделю: Как преодолевать кризисные ситуации в бизнесе

Добрый день, меня зовут Дмитрий Раденко, основатель сообщества SaaS Founders. Помогаю фаундерам IT-компаний находить многих крупных клиентов с помощью лиды генерации в LinkedIn. Сегодня говорим о самых интересных новостях недели. О том, как качество данных влияет на AI, насколько выгодно создавать LLM самостоятельно, как строить культуру контента в компании и как преодолевать кризисные ситуации в бизнесе. Первая новость от Wall Street Journal. о том, что будущее искусственного интеллекта и судьба NVIDIA зависит от гонки за возможность разместить больше чипов в одном месте. Новость о том, что технологические компании как XAI, Meta, OpenAI и Microsoft соревнуются за создание самых масштабных супер-кластеров искусственного интеллекта с чипами NVIDIA, способными обрабатывать, скажем так, объединять на одной площадке сотни тысяч процессоров В частности, Илон Маск создал суперкомпьютер Colossus в Мемфисе с 100 тысячами чипов NVIDIA Hopper, планируя расширить его до 200 тысяч и потенциально до 300 тысяч чипов в ближайшем будущем. Новое поколение чипов Blackwell, которые будут стоить около 30 тысяч долларов за штуку, готовятся выйти на рынок в ближайшее время, что может начать новый этап развития кластерных технологий. При том, что многие игроки планируют создание таких суперкластеров и суперкомпьютеров, многие эксперты сомневаются, что наращивание количества чипов приведет к пропорциональному улучшению искусственного интеллекта. Дело в том, что создание супербольших кластеров сопровождается техническими вызовами, включая эффективное охлаждение чипов управления неисправностями и преодоление сложностей в поддержке таких масштабных вычислительных систем. Генеральный директор NVIDIA Дженсен Хуанг, NVIDIA, который, собственно говоря, и зарабатывает на этом, производя чипы, уверен в дальнейшем росте инвестиций в крупномасштабные вычислительные мощности для развития искусственного интеллекта, прогнозируя потребность в миллионах графических процессоров. Но давайте теперь дам свой комментарий. Смотрите, естественно, точность и мощность искусственного интеллекта на данный момент зависит от экстенсивного развития, за счет увеличения количества чипов, увеличения, скажем так, возможности потреблять большее количество энергии и так далее, другие алгоритмы экстенсивного роста. Но давайте вспомним китайский путь. Китайцы понимают, что они ограничены в получении достаточного количества мощных чипов из-за авторских прав, из-за санкций и так далее. И они идут другим путем. Они строят свои мощности или строят алгоритмы обучения LLM за счет последовательного отбора вариантов. То есть это требует несколько большего количества времени, потому что запрос идет не сразу на гигантскую выселительную мощность, а запрос последовательно обрабатывается одними и теми же чипами в несколько шагов. При этом это позволяет создавать достаточно точные модели. используя меньшее количество энергии, меньшее количество чипов. Поэтому есть различные пути решения данной задачи. Ну вот, собственно говоря, крупнейшие компании в борьбе за AGI стараются инвестировать максимальное количество ресурсов для того, чтобы с помощью экстенсивного подхода решить подобную задачу. Но это не единственное решение, которое на данный момент существует, поэтому будем наблюдать, что из этого получится. Следующая новость от Бена Стэнсила с портала Substack. Он задается вопросом, имеет ли значение качество данных. Он говорит о том, что сейчас распространяется тезис о критической важности качества данных. Чем лучше данные, тем лучше AI-модели. И автор ставит под сомнение абсолютность подобного утверждения. То, о чем мы говорили в прошлой новости. Компании традиционно собирают данные для двух основных целей. Первая — это принятие стратегических и операционных решений. А недавно добавилась третья цель — обучение AI-модели. Для того, чтобы поддерживать эффективность первых двух. В отличие от точных математических вычислений, где одна ошибка может разрушить весь результат, генеративные AI-модели довольно устойчивы к плохому качеству данных благодаря способности создавать приблизительные качественные показатели. Реальная причина усиленного внимания к качеству данных может заключаться не в технологической необходимости, а в эмоциональном желании быть в тренде и не пропустить технологическую революцию искусственного интеллекта. Известные AI-продукты, такие как ChatGPT, Copilot и Midjourney, обучались на довольно неструктурированных и неоднородных массивах данных, что не помешало им стать успешными. Автор предполагает, что определенный уровень неидеальности данных может даже добавлять AI-моделям креативности и уникальности, делая их более гибкими, чем механические поисковые системы. Да, абсолютно справедливо. Как мы знаем, вся существующая цифровая информация в мире подходит к концу с точки зрения обучения AI-моделей. То есть, по сути, для AI-моделей уже все эти гигантские массивы, которые у нас сейчас есть, библиотеки, общение пользователей и так далее, они уже обрабатываются и являются некой базовой составляющей при обучении AI-моделей. Поэтому здесь есть два пути. Один технологический, то есть увеличение количества платформ, чипов, площадок и так далее. Вот. И второй подход – это некое изменение алгоритмов обучения, как с помощью тех же самых ресурсов можно было бы достичь сравнимых показателей. Ну, вот посмотрим. Вот видите, уже есть мнение против. Говорят, ребята, все нормально. Мы и так, так сказать, добьемся хороших результатов даже на существующих мощностях. Посмотрим, чем это обернется. Следующая новость от Кала Петерсена. Он на своем блоге разместил анализ эффективности производства больших языковых моделей LLM. В частности, он сравнивает Он анализирует производство LLM, больших языковых моделей, по разным параметрам. Ну, в частности, он говорит, что успешность бизнеса определяется не инновационностью или тяжелым трудом, а структурой отрасли и ее экономическими характеристиками, что демонстрируется на примерах авиакомпаний и производителей безалкогольных напитков. Он считает, что производитель LLM находится в невыгодном положении из-за неблагоприятной структуры отрасли. Во-первых, зависимости от NVIDIA, как крупнейшего поставщика процессоров, низкой лояльности пользователей, высокой конкуренции и легкости входа новых игроков. Не до конца понятно, насколько могут легко входить новые игроки, если достаточно большой порог входа с точки зрения стоимости аренды чипов и производственных мощностей. Он говорит, что NVIDIA имеет чрезвычайно мощную позицию на рынке искусственного интеллекта, поскольку практически монополизировала производство чипов для обучения модели, что делает производителей LLM полностью зависимыми от поставщика. Текущая бизнес-модель производителей LLM напоминает модель Netscape компании, которая первая создала графический веб-браузер, но в итоге обанкротилась, в отличие от интернет-эксплойера и от Google Chrome. Успех технологии не связан напрямую с финансовым успехом компаний, которые разрабатывают. Технология может быть полезной, даже если производители не получают значительные прибыли. И автор считает, что самыми перспективными в области искусственного интеллекта могут быть компании, которые используют готовые модели, а не пытаются разрабатывать собственные, поскольку разработка моделей является низкомаржинальным бизнесом. И настоящие софтвер компании имеют уникальное преимущество – низкую зависимость от поставщиков, уникальный продукт и минимальную конкуренцию, чего не хватает производителям LLM. Я скажу от себя, что производство LLM — это удел больших корпораций, которые могут инвестировать сотни миллионов долларов, собственно говоря, в создание некой логики, в большие производственные мощности, вычислительные мощности, которые могут поддержать разработку собственной LLM. Для пользователей достаточно брать, либо, во-первых, пользоваться за плату определенную. уже существующими моделями с учетом достаточно серьезного падения стоимости запросов за счет конкуренции соответственно мы можем пользоваться этими моделями скажем так, в аренду, либо создавать свои собственные, но путем обучения существующих моделей на наших массивах данных. То есть в этом смысле можно брать выделенные системы, выделенный сервер, ставить на него ту же ламу от мета и обучать на существующих данных искать максимально быстро и максимально дешево. Но пока у вас нет вызова, скажем так, связанного с высокой скоростью, И с высокой стоимостью использования чужих моделей, понимаете, нам с вами как пользователям в этом нет необходимости. Следующая новость касается о том, как строить, как формировать культуру контента. Новости Томми Кларка. И он считает, что в эпоху социальных медиа успех компании зависит не только от активности основателей, но и от вовлеченности всей команды в создание профессионального контента. Эволюция данной стратегии происходит последовательно. Сначала контент создают фаундеры, затем подключаются сотрудники и, наконец, сформируется целостная корпоративная коммуникационная стратегия. Этот процесс невозможно форсировать искусственными инструментами. Я от себя добавил, что следующий шаг — это когда подобный контент после сотрудников начинают создавать пользователи, и вот тогда эта модель действительно становится масштабированной. Корпоративная культура контента формируется через личный пример руководства, которое поощряет сотрудников к созданию профессионального контента и развитию экспертности команды. Устаревшие подходы к управлению, ограничивающие личный бронежилет сотрудников, приводят к потере талантов. Современные компании создают среду, где профессиональное развитие приветствуется. И внедрение контент-культуры — комплексный подход, включающий изменение менталитета компаний, интеграцию контент-стратегии в онбординг и формирование среды, где каждый сотрудник — потенциальный амбассадор бренда. Ну, от себя скажу, что достаточно оптимистичная точка зрения с учетом того, что на... Помните, это классическую формулу, когда на одного создателя контента в сети существует 10 человек, которые его расшаривают, и 100 человек, которые этот контент потребляют. Поэтому, я думаю, аналогичная структура, скажем так, создания и потребления, распространения и потребления контента существует в каждой компании. То есть, поэтому требовать от сотрудников создание контента, которые никогда это не делали, не умеют и не хотят, это бесполезная история. Но я думаю, что в данном случае, если кто-то хочет это делать, то нужно мотивировать подобных людей бонусами, деньгами, славой, чем угодно, и тогда компания становится более устойчивой. Это правда, у меня есть в компании такие сотрудники. которые готовы выступать сами, и я даю им площадку, я им помогаю в этом вопросе. Мы вместе выступаем на вебинарах, мы вместе проводим всякие Q&A-сессии и так далее. Поэтому это очень правильная история. Единственное, что не нужно насиловать людей, которые не хотят этим заниматься, а нужно скорее поощрять тех, у которых это есть в крови, которые хотят сами этим заниматься. Просто лучше они это пусть делают на существующем контенте, для существующей компании, чем идут заниматься этим самостоятельно на стороне. Следующая новость от Марка Андерсена о том, что По-английски это звучит новость. There are no silver bullets, only lead bullets. Это образная игра слов. Серебряных пуль не существует, есть только свинцовые. Но это значит, что надо много работать для того, чтобы... Нет волшебной таблетки, переводя на наши демотические выражения, надо нормально впахивать. Это Марк Андерсон говорит о том, как справиться с кризисом. И он считает, что преодоление кризиса требует последовательного упорного труда, а не поиска мгновенного гениального решения. И антикризисная стратегия заключается в интенсивной ежедневной работе, то есть в дополнительных часах разработчиков, увеличении активности продаж. Компании в критической ситуации должны быть готовы бороться, а не искать выхода или оправданий. Настоящий тест компании — ее способность выдержать и победить во время экзистенциальной угрозы. И ключевой вопрос в кризисе – если компания недостаточно конкурентно способна, стоит ли она существования вообще? Преодоление кризиса – это последовательная методическая работа, а не поиск мгновенного гениального решения. Сложно не согласиться с Марком Андерсоном. В бизнесе на самом деле все достаточно честно. То есть, если ты создал продукт или решение, которое интересно пользователям, пользователи с удовольствием за него заплатят. Вот, и если они заплатят, у тебя будут деньги для того, чтобы дальше поддерживать этот продукт, создавать структуру, которая будет дальше мультиплицировать подобные решения. Если твое решение, ты не находишь на него поставщиков и клиентов, ну, соответственно, тогда возможны проблемы, тогда приходится что-то изобретать. Кризисы регулярно приходят. В моем бизнесе это был кризис 2008 года, кризис 2014 года, кризис 2022 года. Сейчас тоже непростая ситуация, связанная с уменьшением спроса на разработку и так далее. Поэтому и здесь как раз компания должна иметь некие алгоритмы. и способность менять свое предложение для того, чтобы оставаться вместе со своими клиентами, для того, чтобы клиенты, пусть у них меньше денег, но они остаются с вами, продолжают вам платить. Таким образом, вы сможете в сложное время выжить, наработать те компетенции, которые позволят по окончании кризиса рвануть дальше и максимально быстро восстановиться. Поэтому здесь вопрос не в магической, не волшебной таблетке, а в способности выдержать и победить. Вот это, наверное, самая важная история. И если вы чувствуете, что у вас прямо сейчас подобная ситуация, вам не хватает клиентов, то в описании к данному видео будет ссылочка и вы сможете уточнить у наших специалистов поли-дегенерации, что вам нужно сделать для того, чтобы получить новых крупных клиентов с нашей помощью. Мы подскажем вам вариант, либо вы это сделаете самостоятельно на основании нашей стратегии, абсолютно без проблем, либо вы скажите нам, ребята, сделайте нам это с финансовой гарантией результата и мы с удовольствием вам поможем.