Volgens een rapport van de Financial Times heeft Google de toegang van Meta tot zijn Gemini AI-modellen beperkt vanwege beperkingen in de rekencapaciteit. Deze beperking heeft Meta aanzienlijk getroffen, waardoor het bedrijf gedwongen werd werknemers te instrueren om AI-tokens efficiënter te gebruiken. Meta verschuift ook de werklast van Gemini naar zijn eigen Muse Spark-model om de afhankelijkheid van externe AI-aanbieders te verminderen.
Meta was aanvankelijk afhankelijk van Gemini voor taken als inhoudsmoderatie en veiligheidsprocessen, vanwege de superieure prestaties vergeleken met Meta’s Llama open-source modellen. Met de beperkte toegang tot Gemini versnelt Meta de overgang naar Muse Spark, dat het lanceerde onder zijn Superintelligence Labs-divisie. De aanpassingen zijn een signaal van Meta’s inspanningen om interne alternatieven te ontwikkelen voor essentiële werklasten.
Als antwoord op de groeiende vraag naar Gemini Enterprise heeft Google SpaceX $920 miljoen per maand betaald voor toegang tot 110.000 Nvidia GPU’s, ook wel ‘bridge-capaciteit’ genoemd. Dit partnerschap onderstreept de computertekorten die de relaties in de technologie-industrie hervormen. Ondanks dat Google over een aanzienlijke hoeveelheid AI-infrastructuur beschikt en voor 2023 ruim 180 miljard dollar aan kapitaaluitgaven verwacht, kan Google nog steeds niet aan alle eisen van zijn klanten voldoen en rantsoeneert het de toegang tot zijn modellen.
Meta schrapte eerder 8.000 banen om zich te concentreren op AI-initiatieven en heeft sindsdien 7.000 werknemers opnieuw toegewezen aan functies die zich concentreren op kunstmatige intelligentie. De beperkingen op Gemini hebben Meta ertoe aangezet haar interne capaciteiten te verbeteren op een cruciaal moment waarop de vraag naar AI-computerbronnen de beschikbare infrastructuur overtreft. Andere bedrijven, zoals Anthropic, zijn op soortgelijke wijze op zoek naar middelen van SpaceX om hun activiteiten te ondersteunen, wat een breder probleem van aanbodbeperkingen in de AI-sector benadrukt.
Het huidige landschap weerspiegelt een aanzienlijk knelpunt in de AI-boom, waarbij de groei van de vraag naar rekenkracht de ontwikkelingen op het gebied van de infrastructuur overtreft. Deze trend illustreert dat de beperkingen waarmee grote bedrijven worden geconfronteerd bij de toegang tot AI-modellen niet alleen het gevolg zijn van algoritmische uitdagingen, maar voortkomen uit de fysieke infrastructuur die nodig is om de toenemende consumptie te ondersteunen.
