Beberapa pemikiran mendalam tentang model bisnis model perbatasan. Semua ini didasarkan pada angka yang dibocorkan oleh The Information, NYT, dll. 🔵Inti: Ini adalah mesin komputasi-bakar Pada intinya, modelnya sangat sederhana: hampir semua biaya berasal dari komputasi – inferensi, dan terutama pelatihan. Pelatihan mengikuti sesuatu seperti hukum penskalaan. Mari kita asumsikan biaya naik ~5x setiap tahun; dan ROI biaya pelatihan adalah 2x. Itu menciptakan dinamika yang aneh: Biaya pelatihan Tahun 1: 1 Pendapatan Tahun 2 dari model itu: 2 Tapi biaya pelatihan Tahun 2 untuk model berikutnya: 5 Bersih: +2 - 5 = -3 Jalankan ke depan dan itu menjadi lebih buruk: Pendapatan Tahun 3: +10 Biaya pelatihan Tahun 3: -25 Bersih: -15 Model perbatasan, seperti yang dijalankan saat ini, adalah bola salju arus kas negatif. Setiap generasi membakar lebih banyak uang tunai daripada yang sebelumnya. Agar ini beralih ke arus kas positif, hanya dua hal yang dapat berubah secara logis: A. Pendapatan tumbuh jauh lebih cepat dari 2x, atau B. Pertumbuhan biaya pelatihan melambat dari 5x setahun menjadi sekitar <2x CEO Anthropic Dario Amodei telah memecah skenario B ("biaya pelatihan berhenti tumbuh secara eksponensial") menjadi dua kemungkinan realitas: 1/ Batas fisik/ekonomi: Anda tidak dapat melatih model 5x lebih besar — tidak cukup chip, tidak cukup daya, atau biayanya mendekati PDB dunia. 2/ Pengembalian yang berkurang: Anda dapat melatih model yang lebih besar, tetapi kurva penskalaan menjadi rata. Menghabiskan 10x lagi berhenti sepadan. Apa yang diungkapkan oleh angka-angka OpenAI dan Anthropic: Proyeksi keuangan kedua perusahaan yang bocor pada dasarnya memvalidasi kerangka kerja ini. OpenAI: Rencana OpenAI secara efektif mengasumsikan total kapasitas komputasi berhenti tumbuh setelah 2028. Terjemahan: margin meningkat karena biaya pelatihan mendatar. Ini adalah skenario B. Antropis: 1/ Mereka mengasumsikan ROI per model meningkat setiap tahun. Belanjakan 1, kembalikan katakanlah 5, bukan 2. 2/ Pertumbuhan pengeluaran komputasi mereka juga jauh lebih diredam. Dari FY25 hingga FY28: Pertumbuhan biaya komputasi OpenAI >> Anthropic Dengan menggunakan kerangka kerja di atas, mereka mengandalkan peningkatan pendapatan A dan pertumbuhan biaya B yang lebih lambat. 🔵 $NFLX adalah analogi terdekat Dalam teknologi, model padat modal jarang terjadi, meskipun belum pernah terjadi sebelumnya. $NFLX adalah analogi yang baik: selama bertahun-tahun ia memiliki arus kas yang sangat negatif yang memburuk setiap tahun. Mereka harus menggelontorkan uang ke dalam konten di muka, dan aset tersebut terdepresiasi selama empat tahun. Dalam banyak hal ini menyerupai ekonomi pusat data dan pelatihan model. Puncak pembakaran kas pada tahun 2019: -3B Arus kas 2020: +2B Mengapa ayunan positif tiba-tiba? COVID menutup produksi. Pengeluaran konten berhenti bertambah. Arus kas langsung berbalik. 🔵Akhir Permainan: Margin Tiba Saat Pertumbuhan Biaya Melambat $NFLX tidak berhenti berinvestasi dalam konten sepenuhnya – itu hanya berhenti *menumbuhkan* investasi itu secara agresif setelah mencapai ~300 juta pelanggan global. Pada skala itu, lengket tinggi, dan mereka hanya perlu mempertahankan posisinya, bukan memperluas konten menghabiskan 10x setahun. Saya tidak berpikir OpenAI atau Anthropic akan berhenti berlatih sepenuhnya. Tetapi mereka tidak perlu meningkatkan pengeluaran pelatihan dengan kelipatan selamanya. Pada titik tertentu: ROI per model naik, atau batas penskalaan dimulai, atau keduanya. Dan saat pengeluaran pelatihan tahunan berhenti tumbuh 5x setahun, margin keuntungan segera muncul. Itulah hal yang aneh tentang ekonomi LLM: Ini adalah mesin yang terbakar ... sampai tiba-tiba tidak. Sumber: ++ Artikel lengkap: