Sara Hooker stawia na adaptacyjne AI zamiast scaling race

Gdy wszyscy ścigają się, kto zbuduje większy model AI, Sara Hooker wchodzi na ring z przeciwnym pomysłem. Była wiceprezeska ds. badań w Cohere właśnie zakłada startup, który ma udowodnić prostą tezę: przyszłość nie leży w coraz większych parametrach. Leży w modelach, które potrafią dostosować się do swojego otoczenia.

Hooker nie jest przypadkową osobą w świecie AI. Przez lata kształtowała kierunek badań w Cohere, jednej z czołowych firm zajmujących się dużymi modelami językowymi. Teraz stawia na zupełnie inną filozofię. Zamiast pompować miliardy dolarów w trening coraz większych sieci neuronowych, chce budować systemy, które uczą się i adaptują w czasie rzeczywistym.

Dlaczego wyścig na skalę traci sens

Obecny trend w AI to prosta matematyka: więcej danych plus więcej mocy obliczeniowej równa się lepszy model. Problem? Ta strategia staje się coraz droższa i bardziej energochłonna, a zwrot z inwestycji maleje. Hooker zauważa, że osiągnęliśmy punkt, w którym dalsze skalowanie nie przynosi proporcjonalnych korzyści.

Warto spojrzeć na liczby. Koszt treningu największych modeli językowych wzrósł wykładniczo w ciągu ostatnich kilku lat. GPT-5 kosztował szacunkowo kilkadziesiąt milionów dolarów tylko w fazie treningu, nie licząc infrastruktury potrzebnej do wnioskowania. Kolejne generacje modeli będą jeszcze droższe. W środowisku, gdzie większość firm nie dysponuje budżetami na poziomie Big Tech, ta droga staje się ślepą uliczką dla całej reszty branży.

Pojawia się też kwestia tak zwanych praw skalowania (scaling laws). Przez lata były one niemal świętym prawem branży: przewidywały, że każde podwojenie danych i mocy obliczeniowej przynosi mierzalną poprawę jakości modelu. Coraz więcej badaczy wskazuje jednak, że te prawa zaczynają słabnąć przy ekstremalnych skalach. Innymi słowy, branża może zbliżać się do ściany, której nie da się przebić samym pieniędzmi.

Jej startup (którego nazwa nie została jeszcze oficjalnie ogłoszona) ma skupić się na modelach, które nie wymagają gigantycznych zbiorów danych do nauki. Będą uczyć się na bieżąco, dostosowując swoje zachowanie do specyficznych warunków, w jakich operują. To jak różnica między encyklopedią a kimś, kto potrafi szybko przyswajać nowe rzeczy.

Jak wyglądają adaptacyjne modele w praktyce

Konkretnie chodzi o systemy AI, które mogą działać efektywnie w różnych środowiskach bez konieczności ponownego treningu od zera. Model medyczny, który dostosowuje się do specyfiki konkretnego szpitala. Albo system obsługi klienta, który uczy się branżowego żargonu Twojej firmy w locie – zamiast wymagać miesięcy dostrajania.

Inny przykład to zastosowania przemysłowe. Fabryka produkująca różne serie produktów potrzebuje systemu AI, który potrafi przestawić się na nową linię produkcyjną bez tygodni rekonfiguracji. Adaptacyjny model mógłby uczyć się nowych wzorców kontroli jakości praktycznie natychmiast, obserwując dane z czujników w czasie rzeczywistym. Tradycyjne podejście wymagałoby zebrania ogromnego nowego zbioru danych, a następnie kosztownego przeszkolenia lub dostrajania modelu.

W kontekście finansowym wyobraźmy sobie bank, który chce wdrożyć AI do wykrywania oszustw. Wzorce fraudów zmieniają się niemal co miesiąc – przestępcy szybko adaptują swoje metody do znanych systemów ochrony. Model, który potrafi uczyć się nowych schematów na bieżąco, bez konieczności czekania na kolejny cykl treningu, ma fundamentalną przewagę operacyjną nad statycznym odpowiednikiem.

To podejście ma też wymiar ekologiczny i ekonomiczny. Mniejsze, bardziej elastyczne modele zużywają znacznie mniej energii i są tańsze w utrzymaniu. Dla firm oznacza to możliwość wdrażania AI bez astronomicznych budżetów na infrastrukturę chmurową.

Kontekst rynkowy: czy branża jest gotowa na zmianę kierunku

Zakład Hooker wpisuje się w szerszy trend, który zaczyna być widoczny wśród badaczy i inwestorów. Coraz więcej głosów w środowisku wskazuje, że efektywność ma stać się nową skalą. Chińskie modele takie jak DeepSeek pokazały, że można osiągać wyniki porównywalne z liderami rynku przy ułamku kosztów – i ta demonstracja wstrząsnęła założeniami, na których opierała się dotychczasowa strategia największych graczy.

Inwestorzy venture capital zaczynają też zadawać trudne pytania o zwrot z inwestycji w infrastrukturę AI. Firmy, które przez lata wymagały miliardów dolarów zanim wypracowały jakikolwiek zysk, muszą teraz udowadniać, że ich modele biznesowe mają sens długoterminowo. Startup skupiony na efektywności i adaptacyjności trafia więc w rynek z konkretną propozycją wartości: AI dostępne dla firm, które nie mają budżetów porównywalnych z Google czy Microsoftem.

Głos sprzeciwu wobec gigantów

Decyzja Hooker to wyraźny sygnał, że nie wszyscy w branży wierzą w dominującą narrację. Podczas gdy OpenAI, Anthropic czy Google inwestują miliardy w coraz większe modele, ona stawia na zwinność i efektywność. Czas pokaże, która strategia okaże się trafniejsza. Fakt, że ktoś z jej doświadczeniem idzie pod prąd, to już informacja sama w sobie.

Jej decyzja o odejściu z Cohere – firmy, którą współtworzyła intelektualnie przez lata – mówi równie wiele co sam kierunek nowego projektu. Rezygnacja z bezpiecznej pozycji w ugruntowanej firmie na rzecz niepewności startupowej to zakład, który wiele ryzykuje. To właśnie dlatego środowisko obserwuje ten ruch z tak dużą uwagą.

Szczegóły techniczne i data uruchomienia startupu pozostają na razie nieznane. Sam ruch jednej z czołowych badaczek AI mówi jednak wiele o tym, dokąd może zmierzać branża.

Źródła

• TechCrunch AI