Kiinan tekoälykisa siirtyy jättimalleista skaalautuviin agentteihin

Kiinan tekoälysektoria kuvataan yhä useammin käyttöönottokilpailuna. Kyse ei ole enää vain siitä, kuka kouluttaa suurimman perusmallin, vaan siitä, kuka pystyy liittämään malleja ohjelmistoihin, tietoon ja työnkulkuihin niin, että tekoälyagentit tekevät hyödyllisiä tehtäviä suuressa mittakaavassa.

Ratkaisevia tekijöitä ovat kustannus, nopeus, toimintavarmuus ja valvonta. Agentti voi esimerkiksi hakea tietoa, käyttää muita ohjelmistoja, suorittaa monivaiheisen työketjun ja tarkistaa tuloksensa. Tämä tekee siitä potentiaalisesti hyödyllisemmän kuin pelkän keskustelubotin – mutta myös laskennallisesti ja operatiivisesti vaativamman.

Painopiste siirtyy koulutuksesta inferenssiin

China Telecom Research Instituten ennusteen mukaan inferenssi kattaa 80 % Kiinan laskentatehomarkkinasta vuonna 2029 ja ohittaa mallien koulutukseen liittyvän kysynnän. Raportti arvioi myös, että agentit voivat kasvattaa maan laskentatehon tarvetta lähes kymmenkertaiseksi vuosittain seuraavien 2–3 vuoden aikana. 59

Inferenssi tarkoittaa koulutetun mallin varsinaista käyttöä: mallin vastausta kehotteeseen tai yhtä vaihetta tehtävässä. Agentin työssä tällaisia vaiheita voi olla paljon. Se voi tehdä hakuja, kutsua työkaluja, käsitellä dataa, tarkistaa välituloksia ja yrittää uudelleen. Kun tämä tehdään jatkuvasti ja suurelle käyttäjämäärälle, laskentaa kuluu huomattavasti enemmän kuin yksittäiseen chatbot-kysymykseen.

Samassa tutkimuslinjassa Kiinan vuotuisen tokenkulutuksen arvioidaan yltävän 100 kvadriljoonaan vuonna 2026 ja ylittävän 35 kvintiljoonaa vuoteen 2030 mennessä. Kyse on ennusteista, ei toteutuneista luvuista, mutta ne havainnollistavat, miksi mallien jatkuvasta palvelemisesta voi tulla strategisesti yhtä tärkeää kuin niiden kouluttamisesta. 6

Agentti ei ole vain malli – se on jatkuva palvelu

Huippumallin kouluttaminen on yleensä suuri mutta ajallisesti rajattu infrastruktuurimeno. Käytössä oleva agentti taas synnyttää toistuvia kustannuksia: inferenssiä, tiedonhaun ja verkkoyhteyksien käyttöä, tallennusta, seurantaa sekä tarvittaessa ihmisen tekemää tarkistusta ja eskalointia.

Siksi kaupallinen mittari muuttuu. Pelkkä kykenevä agentti ei ole välttämättä toimiva tuote, jos sen ajaminen maksaa liikaa, vasteaika on liian pitkä tai virheriski on liian suuri liiketoimintajärjestelmissä. Olennaista on tehtävän valmistumisen kustannus ja laatu – ei vain mallin tulos vertailutestissä.

Käytännössä tämä lisää painetta esimerkiksi seuraaviin ratkaisuihin:

• tehtävään riittävän pienen ja turvallisen mallin valinta;
• työn ohjaaminen sopivalle mallille tai työkalulle;
• turhan laskennan vähentäminen välimuistin ja tehokkaan palvelun avulla;
• agentin kytkeminen luotettavaan, tehtäväkohtaiseen dataan;
• työkalujen käytön ja kokonaisten työnkulkujen testaaminen pelkkien mallivastausten sijaan;
• virheiden, käyttöoikeuksien ja auditointijälkien seuranta; sekä
• ihmisen mahdollisuus puuttua tilanteisiin, joissa agentti on tekemässä riskialtista päätöstä tai toimenpidettä.

Tämä ei merkitse, että huippumallien koulutus menettäisi merkityksensä. Se on edelleen tärkeää kyvykkyyksien, riippumattomuuden ja edistyneiden mallien saatavuuden kannalta. Kun käyttökelpoisia malleja on kuitenkin laajemmin saatavilla, vaikeammaksi erottavaksi tekijäksi voi muodostua niiden luotettava ja edullinen käyttö todellisissa järjestelmissä.

Pekingin tavoitteena on sovellusten laaja leviäminen

Kiinan teollisuus- ja tietotekniikkaministeriön MIIT:n politiikkalinjaukset tukevat siirtymää yksittäisistä malleista toistettaviin käyttöönottoihin. Ministeriön AI+ Software -suunnitelmassa tavoitellaan tekoälypohjaisten ohjelmointityökalujen käyttöä yli 20 000 suuressa ohjelmistoyrityksessä vuoteen 2028 mennessä. Samalle ajalle asetetaan tavoitteeksi 100 agenttipohjaista vertailusovellusta keskeisille toimialoille sekä vähintään viisi laadukasta avoimen lähdekoodin hanketta. 3

Vuoden 2030 suunta on älykkäämpi ja turvallisempi ohjelmistoekosysteemi, johon kuuluu myös kriittisten ohjelmistojärjestelmien älykäs uudistaminen. 37 Erillisessä tekoälyä ja tieto- ja viestintätekniikkaa koskevassa MIIT:n suunnitelmassa tavoitellaan vuoteen 2028 mennessä yli 30:tä arvokasta käyttöskenaariota, esimerkkisovelluksia ja erikoistuneita agentteja. Samalla käyttöönotto kytketään vahvempaan verkko- ja laskentainfrastruktuuriin. 17

Toinen MIIT:n ja kansallisen datahallinnon aloite vaatii toimialakohtaisia, arvokkaita tekoälyn käyttötapauksia, erikoistuneita aineistoja sekä erityismalleja tai agentteja tilanteisiin, joissa tarvitaan itsenäistä suunnittelua ja toimeenpanoa. Aloite peräänkuuluttaa myös toimialamalleille ja agenteille räätälöityjä arviointiaineistoja ja testausjärjestelmiä. 18

Kokonaisuus viittaa malliin, jossa pyritään nopeaan leviämiseen: luodaan uudelleenkäytettäviä käyttötapauksia, dataa, ohjelmistotyökaluja ja referenssitoteutuksia, joita voidaan ottaa käyttöön useilla toimialoilla. Hyöty on nopeampi omaksuminen. Riskinä on, että menestystä mitataan pilottien määrällä sen sijaan, että arvioitaisiin turvallisia, taloudellisesti kestäviä ja pitkäikäisiä tuloksia.

Investointien mittakaava kasvattaa panoksia

China Telecom Research Instituten analyysiin perustuvan uutisoinnin mukaan kiinalaiset teknologiayhtiöt käyttäisivät tekoälyyn tänä vuonna lähes 600 miljardia juania. Kokonaisarviota on kuitenkin tulkittava varauksella, sillä julkisissa lähteissä tekoälymenot voidaan määritellä eri tavoin. 9

Kiinan tavoitteena on, että tekoälyyn liittyvien toimialojen arvo ylittää 10 biljoonaa juania viisivuotissuunnitelmakauden 2026–2030 loppuun mennessä. 45 Agentit asemoidaan siis laajemmaksi teollisuuden uudistamisen, ohjelmistokehityksen, viestintäpalvelujen ja kuluttajapalvelujen mahdollistajaksi – ei vain pilvipalveluluokaksi.

Eurooppa kasvattaa laskentakapasiteettia, mutta käyttöönotto ratkaisee täälläkin

Euroopan komissio on avannut haun enintään seitsemälle tekoälygigatehtaalle. Hanketta voidaan tukea enintään 10 miljardilla eurolla EU:n ja jäsenmaiden rahoitusta, ja sen odotetaan mobilisoivan vähintään 20 miljardia euroa yksityisiä investointeja. 50

Aloite on merkittävä Euroopan laskentakapasiteetin ja teknologisen omavaraisuuden kannalta. Pelkkä laskentakeskusten rakentaminen ei silti ratkaise käyttöönoton ongelmaa. Kapasiteetin kilpailuarvo riippuu siitä, mahdollistaako se saavutettavan ja kohtuuhintaisen inferenssin, hyödyllisen toimialadatan, ohjelmistointegraatiot ja luotettavat sovellukset eurooppalaisille organisaatioille.

Seuraavassa vaiheessa palkitaan jatkuva suorituskyky

Kiinan agenttipanostus kuvastaa laajempaa maailmanlaajuista muutosta. Tekoälyetu syntyy yhä enemmän kyvystä muuttaa laskentateho hyödylliseksi, jäljitettäväksi työksi jatkuvassa mittakaavassa. Sirut ja sähkö ovat tärkeitä, mutta samoin ovat palvelun tehokkuus, datan saatavuus, työnkulkujen integrointi, tietoturvakontrollit, arviointi ja ihmisen vastuu.

Arvio inferenssin 80 prosentin osuudesta on suunnan näyttävä ennuste, ei varmistunut lopputulos. Sen viesti on silti selkeä: kun tekoäly siirtyy kokeiluista jatkuvaan käyttöön, voittajia eivät välttämättä määritä suurimmat koulutusajot, vaan kyky ajaa agentteja niin luotettavasti ja edullisesti, että niistä tulee osa tavallista työtä. 56