Скритият капан в проспекта на Anthropic: Защо мащабирането на моделите заплашва да срине оперативния марж
Източник: New York Stock Exchange / Wikimedia Commons
Внимателният прочит на подадения от Anthropic проспект за първично публично предлагане (IPO) разкри обезпокоителна финансова реалност, която досега оставаше скрита зад експлозивния ръст на приходите: появата на класически икономии от демащабиране (diseconomies of scale) при разгръщането на най-напредналите фронтиерни модели [1]. Докато в класическия софтуер всеки нов потребител носи почти нулев пределен разход, в света на авангардния AI по-големите модели носят експоненциално растящи разходи за обслужване.
Физическите граници на законите за мащабиране (Scaling Laws)
В продължение на години индустрията се ръководеше от законите за мащабиране, според които увеличаването на изчислителната мощ и параметрите води до правопропорционален скок в интелигентността. В проспекта на Anthropic обаче се признава, че постигането на всяко следващо процентно подобрение в логическото разсъждение изисква 10-кратно увеличение на клъстерните часове и десетки гигавати енергия. Това означава, че пределната цена на интелигентността рязко нараства, вместо да пада.
Асиметрията между абонаментните цени и разходите за инференс
Особено тежък натиск върху оперативния марж оказват тежките агентни работни потоци. Когато потребител с фиксиран месечен абонамент (например Claude Enterprise) стартира сложни многочасови цикли за автономно програмиране, моделът генерира десетки милиони токени за вътрешни разсъждения (reasoning tokens). В тези случаи себестойността на изпълнението многократно надхвърля получената клиентска такса, превръщайки най-активните потребители в източник на директни финансови загуби.
Преосмисляне на икономическата оценка на лабораториите за базови модели
Разкритията в проспекта на Anthropic са на път да променят изцяло начина, по който финансовите анализатори оценяват компаниите за изкуствен интелект. Традиционните мултиплекси за оценка на SaaS компании (базирани на 20-30 пъти приходите) са неприложими за лаборатории, чийто пределен разход е висок и нарастващ. Ако по-умните модели струват експоненциално по-скъпо за експлоатация, компаниите ще бъдат принудени да изоставят евтините фиксирани абонаменти и да преминат към стриктно таксуване на реално изразходвана изчислителна мощност и енергия. Това неизбежно ще охлади ентусиазма на крайните потребители и ще постави под съмнение трилионните борсови оценки на целия сектор, принуждавайки лабораториите да се фокусират върху архитектурна оптимизация и дистилация, вместо върху сляпо увеличаване на обема на невронните мрежи.
Финансов анализ на пределните разходи, reasoning токените и края на евтините абонаменти.