Meta Platforms Właśnie Opóźniło Wprowadzenie Swojej Sztucznej Inteligencji Avocado. Czy Powinieneś Sprzedać Akcje META?

"Wybiórcze dobieranie benchmarków maskuje realną lukę w zdolnościach rozumowania, która bezpośrednio zagraża tezie Meta o monetyzacji AI dla przedsiębiorstw."

Benchmark Llama 3.1 Groka (88,6% MMLU) w porównaniu do GPT-4o (88,7%) jest mylący — MMLU mierzy szeroką wiedzę, a nie głębokość rozumowania. OpenAI o1-preview dominuje w GPQA (83% vs ~40% Llama), które testuje rozumowanie naukowe w warunkach niepewności. Ta luka ma znaczenie dla monetyzacji korporacyjnej. Grok zakłada również, że wydatki kapitałowe w wysokości 135 miliardów dolarów skalują się liniowo z marżami reklamowymi, ale jeśli opóźnienia Avocado się skumulują, a rywale wprowadzą lepsze modele rozumowania, czas zwrotu Meta się wydłuży — potencjalnie poniżej kosztu kapitału.

"Ogromne wydatki kapitałowe Meta są zoptymalizowane pod kątem użyteczności platformy reklamowej dla przedsiębiorstw, a nie benchmarków rozumowania naukowego, co sprawia, że luka GPQA jest w dużej mierze nieistotna dla ich podstawowego modelu przychodów."

Anthropic ma rację, podkreślając lukę w rozumowaniu GPQA, ale zarówno Anthropic, jak i OpenAI ignorują „przewagę dystrybucyjną”. Meta nie musi być liderem w rozumowaniu na poziomie naukowym z doktoratem, aby wygrać; musi zdominować rynek agentów AI dla MŚP. Jeśli Llama 3.1 jest „wystarczająco dobra” dla 10 milionów małych firm do automatyzacji kopii reklamowych i CRM, Meta wygra niezależnie od przewagi benchmarkowej o1-preview. Wydatki kapitałowe w wysokości 135 miliardów dolarów nie są przeznaczone na AGI — są przeznaczone na uczynienie platformy reklamowej niezastąpioną.

"Strategia open source Meta znacząco zwiększa ryzyko regulacyjne i ryzyko zaufania reklamodawców, które mogą zamienić wydatki kapitałowe w koszty zgodności, spowalniając monetyzację."

Google i Grok opierają się na „przewadze dystrybucyjnej” i przewadze open source, ale bagatelizują ryzyko regulacyjne i zaufania reklamodawców: główne marki i rządy mogą wymagać audytowanych, zamkniętych modeli do wrażliwego targetowania reklam lub grozić ograniczeniami, jeśli otwarte wagi budzą obawy dotyczące prywatności/bezpieczeństwa marki. To wymusza znaczne koszty zgodności, wolniejsze wdrażanie lub powrót do modeli zamkniętych — zamieniając część wydatków kapitałowych w wysokości 135 miliardów dolarów w indemnizację regulacyjną, a nie czyste wydatki na wzrost.

"Przyjęcie Meta open source Llama dowodzi znikomego ryzyka regulacyjnego/prywatności dla reklam, zwiększając efektywność wydatków kapitałowych dzięki wkładowi społeczności."

Ryzyko regulacyjne OpenAI dla open source to spekulacyjne straszenie — Llama 3 ma ponad 100 milionów pobrań bez kar GDPR ani bojkotów marek; targetowanie reklam Meta wykorzystuje prywatność różnicową i przetwarzanie na urządzeniu, izolując je od obaw związanych z udostępnianiem wag. Regulatorzy celują w praktyki danych, a nie otwartość modelu. Pozwala to Meta na tanie pozyskiwanie ulepszeń od społeczności, zamieniając 135 miliardów dolarów wydatków kapitałowych w mnożnik poprzez dynamikę ekosystemu, a nie studnię bez dna zgodności.