Τεχνητή Νοημοσύνη: Φούσκα, ή επενδυτική ευκαιρία;

Ξέρω ότι για πολύ καιρό δεν έχω γράψει στο blog. Πήρα όμως τη δύναμη να το κάνω, παρά την έλλειψη χρόνου, καθώς μου λείψατε.

Πολλά έχουν αλλάξει στο μεσοδιάστημα. Τα τελευταία 2 χρόνια εργάζομαι για τη CityFALCON. Η εταιρεία εδώ και χρόνια χρησιμοποιεί τεχνητή νοημοσύνη για να επεξεργάζεται οικονομικό περιεχόμενο. Και ενώ αρχικά κυρίως ασχολήθηκα με την ανάπτυξη προϊόντων, συνεισφέροντας την επενδυτική μου εμπειρία, τελευταία μετακινήθηκα στην ομάδα Machine Learning*.

Η Επανάσταση της Τεχνητής Νοημοσύνης

Ήταν κυριολεκτικά μια βόμβα, όταν το Generative AI ήρθε στην επιφάνεια με το ChatGPT. Από τη μία διατάραξε ό,τι χτιζόταν με παλαιότερες μεθόδους στην εταιρεία, αλλά από την άλλη δημιούργησε απίστευτες νέες ευκαιρίες.

Πέρα από το chat interface που οι περισσότεροι το έχουν συνδέσει, η τεχνολογία αυτή είναι πραγματικά επαναστατική στον αυτοματισμό, και σε πολλές περιπτώσεις στην αντικατάσταση του ανθρώπινου παράγοντα με τρόπους που δεν ήταν εφικτοί στο παρελθόν.

Έτσι, ύστερα από 25 χρόνια εμμονής στην επενδυτική ιδέα, μια νέα εμμονή έχει κυριεύσει το νου μου. Φαίνεται πως ο αυτοματισμός μοιράζεται τα χαρακτηριστικά του σπόρου, που απαιτεί λίγη μα στοχευμένη προσπάθεια για να γίνει κάτι πιο μεγάλο και προσοδοφόρο. Για αυτό και φαίνεται να με έχει συνεπάρει με έναν αντίστοιχο τρόπο.

Οι περισσότεροι Value Investors πιστεύουν πως το AI είναι overhyped (υπερεκτιμημένο). Ισως σας ξαφνιάσω, λέγοντας σας πως είναι underhyped. Αυτό έχει να κάνει με τις δυνατότητες που ήδη προσφέρει, αλλά που κυρίως δεν είναι ορατοί στην πλειοψηφία μιας και έχουν να κάνουν με παραγωγικότητα στο παρασκήνιο, αλλά και τους απίστευτους ρυθμούς με τους οποίους βελτιώνεται.

Κλειδί σε αυτό είναι οι νόμοι του scaling (κλιμάκωση). Στις προηγούμενες τεχνολογικές επαναστάσεις, είχαμε μεγάλα κέρδη στην παραγωγικότητα, αλλά καθώς οι ικανότητες της τεχνολογίας δεν ήταν γενικές, δεν μπορούσαμε π.χ. βάζοντας χίλιους ή ένα εκατομμύριο επεξεργαστές να πετύχουμε κάτι δραματικά διαφορετικό στην ποιότητα και τις δυνατότητες της τεχνολογίας. Ένα υπολογιστικό φύλλο Excel, θα παρέμενε ένα υπολογιστικό φύλλο. Αυτό έχει αλλάξει.

Αυξάνοντας την ποσότητα δεδομένων με την οποία τροφοδοτούμε ένα μοντέλο κατά την εκπαίδευση αυξάνουμε τις ικανότητες του. Αυξάνοντας το χρόνο που το εκπαιδεύουμε, ή μεγαλώνοντας το μέγεθός του, που καθορίζεται από τον αριθμό των παραμέτρων του, καταφέρνουμε το ίδιο. Επιπλέον αυτού, μπορούμε να δημιουργήσουμε προκαθορισμένες ροές εργασιών, ή πολλές φορές agentic flows όπου τα ίδια τα μοντέλα καθορίζουν την τροπή των ενεργειών ή χρησιμοποιούν εξωτερικά εργαλεία, ή να χτισουμε συστήματα με συνδυασμούς αυτών.

Πέρα από τα παραπάνω, μια κατεύθυνση που τελευταία ακολουθείται είναι το scaling στο inference (χρήση). Όπως και στο παράδειγμα των agents ή των flows, καταναλώνουμε περισσότερα tokens (σκέψης) για περισσότερη ευφυΐα, αλλά αυτή τη φορά συμβαίνει στο επίπεδο του μοντέλου. Παραδείγματα αποτελούν τα ο1, και σύντομα ο3, της OpenAI που “ξεχύνονται” σε ένα μακρύ μονόλογο, καίγοντας περισσότερη υπολογιστική ισχύ και χρήμα, πριν δώσουν την τελική απάντηση στο χρήστη. (βλέπε περισσότερα εδώ)

Αυτό που συμβαίνει λοιπόν, είναι πως χωρίς απαραίτητα να χρειάζεται να χρησιμοποιήσουμε περισσότερο έμψυχο δυναμικό, βελτιώνουμε την εξυπνάδα και τις ικανότητες, απλά ανεβάζοντας την υπολογιστική ισχύ κάτα την εκπαιδευση ή χρήση. Δεν είμαι σίγουρος πως ο κόσμος έχει συνειδητοποιήσει πως αυτά τα μοντέλα δεν προγραμματίζονται. Προκύπτουν από την έκθεσή τους σε δεδομένα. Για αυτό και οι ίδιοι οι δημιουργοί τους δεν γνωρίζουν γιατί ακριβώς παράγουν το ένα ή το άλλο αποτέλεσμα. Είναι ένα από τα στοιχήματα και άλυτα μυστήρια το λεγόμενο interpretability (επεξηγηματικότητα). Δείτε αυτό το ενδιαφέρον βίντεο από την Anthropic που το εξηγεί.

Νομίζω λοιπόν, πως η ιδέα που διακατέχει το ίντερνετ πως οι εταιρείες καίνε δισεκατομμύρια, για ένα χαζομπότ, είναι εντελώς εσφαλμένη, όπως και η ιδέα πως αυτά τα μοντέλα είναι απλά ένα βελτιωμένο autocomplete.

Επενδύοντας στα “φτυάρια”

Μια πρώτη σκέψη είναι η επένδυση σε όσους εκπαιδεύουν και κατέχουν αυτά τα λεγόμενα foundational μοντέλα, που με την μεγέθυνση τους σε παραμέτρους απαιτούν δισεκατομμύρια δολάρια για να διατηρούνται στην πρώτη γραμμή. Εταιρείες όπως οι OpenAI, Anthropic, X, Meta, Google, Amazon, ανταγωνίζονται λυσσαλέα και δεν είναι σίγουρο, πόσοι και ποιοί από αυτούς θα καταφέρουν να σταθούν σε αυτή την ολοένα και πιο απαιτητική αρένα.

Στον τομέα των εφαρμογών, αρχικά υπήρχε η αίσθηση πως οτιδήποτε χτίζεται από τρίτους πάνω στα foundational models των παραπάνω εταιρειών, θα προσφέρει ελάχιστη προστιθέμενη αξία. Τους ανέφεραν ως wrappers (περιτυλίγματα). Αυτό δεν έχει αποδειχθεί αληθινό, και τα μοντέλα αυτά χρησιμοποιούνται ως “μηχανές” που τροφοδοτούν απίθανες εφαρμογές και λύσεις.

Αυτό που είναι εκπληκτικό είναι πως στις περισσότερες περιπτώσεις μπορούν να αντικατασταθούν κατά το δοκούν. Συχνά σε διαφορετικά σημεία, χρησιμοποιούνται διαφορετικά μοντέλα ανάλογα με το επίπεδο εξυπνάδας που απαιτείται. Έτσι, στον τομέα των εφαρμογών, υπάρχουν μεγάλες ευκαιρίες, αλλά μάλλον για μικρότερες εταιρείες (πχ. startups), όπου φυσικά είναι δύσκολο να προβλέψει κανείς την επιτυχία ή αποτυχία.

Για αυτό και η πιο προβλέψιμη ως προς το αποτέλεσμα μορφή επένδυσης, ειδικά όταν μιλάμε για εισηγμένες εταιρείες, είναι η επένδυση στα “φτυάρια”. Το βασικό καύσιμο, είτε αφορά την εκπαίδευση ή τη χρήση των μοντέλων, είναι η υπολογιστική ισχύς. Η ζήτηση για αυτή έχει ήδη αυξηθεί λόγω της τεχνητής νοημοσύνης δραμματικά τα τελευταία δύο χρόνια, και δεν αναμένω ή ανάπτυξη αυτή να κοπάσει σύντομα.

Η Nvidia είναι ο μεγάλος κερδισμένος, αλλά η αποτίμηση είναι απαιτητική, και υπάρχουν άλλες εταιρείες που ίσως θα μπορούσαν να συνιστούν καλύτερες επενδύσεις. Εν ολίγοις, η μεγάλη ζήτηση θα διαρρεύσει προς ανώτερα επίπεδα της αλυσίδας και εταιρείες όπως είναι οι TSMC, Intel, Samsung, Micron κτλ. Το κομμάτι του AI ως ποσοστό του συνόλου των πωλήσεων τους είναι μικρό προς το παρόν, όμως σύντομα θα αρχίσει να γίνεται αισθητό. Μάλιστα οι αριθμοδείκτες αποτίμησης φαίνονται πιο ελκυστικοί για αυτές τις εταιρείες.  (περισσότερα για αυτή τη λογική εδώ)

Ο εύλογος αντίλογος είναι πως καθώς τα μοντέλα γίνονται πιο αποδοτικά ή ανάγκη για υπολογιστική ισχύ θα περιοριστεί. Τα μοντέλα έχουν βελτιωθεί τόσο, που για τις ίδιες δυνατότητες κανείς πληρώνει σε κόστος και υπολογιστική δύναμη το 1/100 από αυτό που χρειαζόταν να πληρώνει πριν δύο χρόνια. Κι όμως εδώ ισχύει το παράδοξο του Jevons (διαβάστε περισσότερα)

Πιστεύω, λοιπόν, πως είναι ζήτημα χρόνου να δούμε μεγάλη στενότητα στα fabs, από την εκτόξευση στη ζήτηση για υπολογιστική ισχύ. Ήδη η εταιρείες δεν προχωρούν όσο γρηγορα θα ήθελαν λόγω περιορισμών στη διαθέσιμη υπολογιστική ισχύ. Για παράδειγμα η Nvidia είναι κλεισμένη μέχρι το τέλος του 2025. Νομίζω πως πέρα από την Nvidia, δεν έχουμε δει ακόμα αυτό το φαινόμενο να εξελίσσεται στα ανώτερα επίπεδα της αλυσίδας που πιστεύω πως είναι ένα mega trend. Ό,τι έχουμε ήδη δει, είναι μόλις μια σπίθα.

Για το λόγο αυτό, έχω επενδύσει σε ένα μείγμα εταιρειών ημιαγωγών, όπως οι TSMC, Samsung, Intel, Micron, ARM, Qualcomm, ASML και AMD. Επίσης, πιστεύοντας στην δύναμη της εντοπιότητας και τη δυναμική των νέων εφαρμογών, έχω επενδύσει σε διαφορες ελληνικές εταιρείες πληροφορικής.

Αν σας ενδιαφέρει άρθρο για άλλες επενδυτικές ευκαιρίες και τις περιπέτειες μου στις αγορές του εξωτερικού, ή της Ελλάδας, ζητήστε το στα σχόλια, και θα επανέλθω.

Αν λάβατε γνώση ή αξία από το συγκεκριμένο άρθρο, φροντίστε να το μοιραστείτε. Βοηθάει όσους το διαβάσουν, αλλά και το blog να παραμείνει στην επιφάνεια τώρα που τα άρθρα είναι πιο σπάνια.

*Τα παραπάνω δεν αποτελούν συστάσεις για οποιαδήποτε χρηματιστηριακή συναλλαγή. Οι υπολογισμοί είναι αποτέλεσμα προσωπικής έρευνας και ενδέχεται να περιλαμβάνουν αστοχίες ή λάθη. Συνιστούν προσωπικές απόψεις που παρουσιάζονται για συζήτηση μεταξύ επενδυτών.