AI-компанії не заробляють грошей, тож варто звернутися до досвіду метро Гонконгу

Автор: Michael Wenye Li

Переклад: 深潮 TechFlow

Глибокий огляд 深潮: AI-лабораторії спалили кілька тисяч мільярдів доларів, але ніхто не може чітко пояснити, коли гроші повернуться. API-ціни щороку падають у 10 разів, а відкритий код женеться за закритим, і витрати на тренування стають дедалі вищими. Ця стаття виходить за межі погляду технологічної індустрії й дає надихаючу відповідь, спираючись на бізнес-модель метро MTR Гонконгу за 45 років: не думайте заробляти на квитках — натомість володійте нерухомістю над станціями.

Вони не можуть заробити гроші, і взагалі це питання поставлене неправильно

Ось так виглядає один вид бізнесу: на старті вливають десятки мільярдів капіталу, і немає жодного доходу. Ціноутворення на ключову послугу наближається до граничної собівартості. Для користувачів створюється величезна цінність, але забудовникам майже нічого не вдається втримати. І при цьому треба постійно інвестувати в наступне покоління базової інфраструктури.

Йдеться не про AI-лабораторії, а про великі залізничні системи.

Багато людей порівнюють залізницю з AI-індустрією, і більшість роблять такий висновок: універсальні технології мають властивості суспільних благ, а комерційна здійсненність залежить від державних субсидій.

Я хочу кинути виклик цьому висновку. Бо MTR у Гонконзі фактично вирішує цю проблему. Це одна з дуже небагатьох у світі метро-систем, які здатні самостійно підтримуватися комерційно, це публічна компанія, яка виплачує дивіденди та не отримує державні субсидії на операційну діяльність.

Фінансова структура один в один

Ключовий залізничний бізнес MTR ніколи не міг сам по собі профінансувати розширення. 2018 рік — найкращий рік до пандемії: EBIT транспортного бізнесу становив 2 млрд гонконгських доларів. А прогноз капзатрат на 2024–2026 роки — 87,9 млрд гонконгських доларів, майже все йде на залізницю. Пікова залізнична прибутковість за три роки покриває лише 8% капзатрат. Дохід від тарифів ніколи не вистачає, щоб “побудувати наступну лінію”, і це взагалі не є задумом.

Тарифи MTR підтримуються на доступному рівні через механізм коригування тарифів урядом. Ви не можете встановити тариф так, щоб він повертав витрати на будівництво: тоді ніхто не матиме змоги їздити, і це суперечить суті громадського транспорту. Кожна лінія, можливо, й здатна покривати власні операційні витрати, але тарифні надходження ніколи не тягнуть будівництво наступної лінії.

Дзеркальна версія тієї ж проблеми стоїть перед ціноутворенням API в AI. Дистиляція та відкриті альтернативи змушують ціни API падати приблизно в 10 разів на рік. Будь-який експериментальний продукт, ціна якого вища за граничну собівартість, віддасть обсяг конкурентам. Кожна модель на рівні інференсу може давати операційний прибуток, але маржа ніколи не зможе “витягнути” витрати на наступний раунд навчання.

Загальноприйняте рішення у світі — субсидії. Лондонське метро фінансується через гранти TfL, високошвидкісні залізниці Китаю тягнуть на себе борги на трильйони доларів, і 94% ліній не заробляють. AI йде тією ж дорогою: закон CHIPS, проєкт Stargate, інвестиції суверенних фондів, контракти Пентагону. Підсумкова “дефолтна” фінальна сцена — це залежність від субсидій для квазі-державної базової інфраструктури.

MTR знайшла інший шлях.

Залізниця + нерухомість

Під час будівництва MTR у 1979 році розробники вже розуміли: тарифи ніколи не окуплять витрати на будівництво. Тому вони вибудували компанію на зовсім іншій передумові: залізниця підвищить вартість навколишньої землі, отже, треба тримати землю в руках.

MTR розвиває житлові будівлі, офіси та торгові центри над станціями та в їхніх околицях, отримуючи до кишені приріст вартості цінності, створеної власною інфраструктурою. Прибутки від нерухомості підживлюють операційну діяльність залізниці та фінансують наступну лінію. Сьогодні MTR має 13 торгових центрів, керує 47 об’єктами нерухомості “над станціями”, і саме нерухомість формує левову частку реального прибутку.

Логіка дуже проста: не намагайтеся “вловити” цінність з самої залізничної послуги — натомість володійте активами, які зростають у ціні саме тому, що там є залізниця.

Відповідність для AI

“Коли AI-лабораторії зможуть заробляти?” і “Коли залізниця зможе жити на тарифах?” — це ізоморфні проблеми. Відповідь та сама: не зможе, і сам запит сформульований неправильно.

Біотех-початківець використовує передові моделі для скринінгу сполук ліків, заощадивши два роки часу на клінічні випробування. Логістична компанія застосовує його для оптимізації маршрутів і економить 40 млн доларів на витратах на паливо. Незалежний розробник за один вікенд поставив проєкт, який команда з п’яти людей робила б три місяці. У кожному з цих випадків постачальник моделі отримує через API лише частку відсотка від цінності. Підняти ціну постачальник не може, бо є ще чотири лабораторії та десятки відкритих альтернатив, що дають приблизно такі ж можливості. Залишкова цінність іде користувачам і ширшій економіці.

Так працюють універсальні технології. Парова машина, електрика, TCP/IP не принесли жодного доходу їхнім творцям.

Урок від MTR: більше не намагайтеся, щоб тарифи покривали витрати на будівництво, йдіть шукати свою “нерухомість над станціями”.

Чотири кандидатні рішення, у порядку оборонної пріоритетності

Першим стоїть право на розгортання, яке надає уряд. Уряд надає лабораторії ексклюзивний доступ до державних медичних записів, податкових систем або військово-тилового забезпечення. Дані за накопиченими лабораторією областями, глибина інтеграції систем і регуляторні кваліфікації — усе це потрібно відтворювати роками. Це і є механізм MTR: держава надає право розробки на основі властивості природної монополії.

Нагородні дані для підкріплювального навчання під час накопичення ставлять на друге місце. Десятки мільярдів сигналів взаємодії використовуються для тренування наступного покоління моделей. На відміну від ваг моделі (які знецінюються через дистиляцію), дані RL майже неможливо скопіювати, і вони накопичуються через міжпоколінне “складання” (складний відсоток). Вони не можуть напряму монетизуватися, але це “земля”: вартість зростає, а її ще не розробили.

Третім іде попередньо розгорнуте інтеграційне рішення. Замість того, щоб продавати моделі-інтерфейси консалтинговій компанії й дозволяти їй забрати собі “залишок продуктивності”, краще мати від початку до кінця у власності весь шар доставки сервісу. Наче Palantir вбудовує інженерів у державні установи, а не продає ліцензії на програмне забезпечення. Лабораторія не бере плату за API у юридичних фірм; лабораторія перетворюється на самі юридичні дослідницькі послуги, оцінюючи ціну не в токенах, а за результатами доставки. Витрати на перемикання з часом дедалі більше нарощуються завдяки накопиченню даних у доменах і знань установ. Це й є торгові центри MTR: монетизувати пасажиропотік, створений залізницею, а не піднімати ціну квитків для пасажирів.

Четверте — хостинг державних датасетів даними. У багатьох країнах уряди тримають величезні обсяги недостатньо використаних датасетів (архіви пацієнтів, податкові звіти). Передова лабораторія, яку призначили як хостинг-провайдера, отримує ексклюзивний доступ, щоб на основі цих даних тренувати моделі й будувати продукти. Але це створює приватно-державну монополію на дані, тож потрібна сувора модель управління: чіткі межі використання, прибутки, що повертаються суспільству, незалежний нагляд і справді дієвий механізм підзвітності.

Переформулювання задачі

Лабораторії, які виживають, — це не ті, що роблять API прибутковим, а ті, які вже зараз знайшли свою “нерухомість над станціями” і почали будівництво. API — це залізниця: вона ніколи не буде заробляти достатньо. Гроші — в тих активів навколо залізниці, які зростають у ціні.

Відповідно, на політичному рівні теж виникає проблема: замість субсидування тренувань і запусків, уряду радше слід проектувати інституційні механізми (рамка прав на розгортання, структура хостингу даних, стандарти вимірювання продуктивності), щоб лабораторії могли захопити залишкову цінність, створену їхньою власною інфраструктурою.

І наостанок — один сатиричний поворот. Обговорення AI-політики домінують рамки між США та Китаєм: американські лабораторії зі “вільного ринку” проти китайських компаній-чемпіонів, яких підтримує держава. Найбільш релевантна інституційна модель, імовірно, не буде жодною з них. Вона може бути моделлю Гонконгу: публічно-приватний гібрид із 45-річною історією, який працює комерційно й самофінансується через інституційний дизайн, а не через ідеологію.