מה זה טוקנים? מיהן ההייפר-סקיילריות? המדריך המלא לתעשייה שמניעה את מהפכת ה-AI
- עושים שוק
- לפני 4 ימים
- זמן קריאה 5 דקות
האקוסיסטם הטכנולוגי שנמצא רק בנקודת ההתחלה: איך ענקיות הענן מתמחרות את מהפכת הבינה המלאכותית ואיך זה משפיע על תיק ההשקעות שלכם.
מהפכת ה-AI הגנרטיבית אינה טרנד חולף, אלא תשתית כלכלית חדשה. במרכזה עומדות חברות ה"הייפר-סקייל" (גוגל, מיקרוסופט ואמזון), המתפקדות כחברות החשמל של עולם המחשוב. הן מוכרות כוח מחשוב גולמי (GPUs), מודלים כשירות (MaaS) ותוכנות קצה (SaaS). המודל העסקי מבוסס על "טוקנים" – יחידות טקסט קטנות המשמשות כמונה דיגיטלי, המייצרות להן הכנסות עתק חוזרות (Lock-in) ויוצרות אפקט של "חתונה קתולית" עם ארגונים וסטארטאפים ברחבי העולם.
תוכן עניינים אינטראקטיבי
מיהן ההייפר-סקיילריות (Hyperscalers)?
כשמדברים על בינה מלאכותית (AI), הנטייה הטבעית היא לחשוב על יישומים נוצצים כמו ChatGPT או Midjourney. אך מאחורי הקלעים של אותן אפליקציות עומדות מפלצות תשתית עצומות המכונות הייפר-סקיילריות (Hyperscalers). מדובר בחברות הטכנולוגיה הגדולות ביותר בעולם – בעיקר גוגל (Google Cloud), מיקרוסופט (Azure) ואמזון (AWS) – שמחזיקות ומפעילות את חוות השרתים והענן העולמי.
כדי לפשט את המושג המפוצץ הזה, ברוך שפר מציע אנלוגיה מצוינת: ההייפר-סקיילריות הן חברות החשמל של תעשיית ההייטק. כפי שאי אפשר להפעיל מפעל, להאיר רחוב או להטעין טלפון ללא חיבור לרשת החשמל הארצית, כך אף סטארטאפ, ארגון אנטרפרייז או מפעל מודרני אינו יכול לאמן או להריץ מודלים של בינה מלאכותית ללא שימוש בתשתיות הענן הענקיות הללו. הן ה"וולמרט של הטכנולוגיה" – מקום שבו ארגונים רוכשים את כל צורכי המחשוב שלהם במודל של תשלום לפי שימוש.
שלוש שכבות השירות בענן ה-AI
חברות ההייפר-סקייל אינן מסתפקות רק בהשכרת שרתים פשוטים. הן בנויות במודל עסקי מדורג המורכב משלוש שכבות מרכזיות:
1. כוח מחשוב גולמי (Raw Compute)
כדי לאמן מודל שפה ענק (כמו GPT-4) או כדי להפעיל אותו בזמן אמת עבור מיליוני משתמשים, נדרשת חומרה מפלצתית המבוססת בעיקר על מעבדים גרפיים חזקים (GPUs), דוגמת הצ'יפים של חברת אנבידיה (Nvidia). ארגון ממוצע או סטארטאפ בתחילת דרכו אינם יכולים להרשות לעצמם להוציא מיליארדי דולרים על רכישת חומרה כזו ובניית מרכז נתונים עצמאי. ההייפר-סקיילריות רוכשות את הצ'יפים הללו בכמויות מסחריות, מציבות אותם בחוות השרתים שלהן, ומזכירות את כוח המחשוב הזה לפי שעה או לפי דקה.
2. מודלים כשירות (Models as a Service - MaaS)
בשכבה זו, חברות הענן מאפשרות למפתחים להתחבר ישירות למודלי השפה הגדולים (LLMs) באמצעות ממשקי תכנות (APIs). המפתחים אינם צריכים להבין איך המודל אומן, איך מתחזקים אותו או איך פועלת הארכיטקטורה הפנימית שלו. הם פשוט "יושבים" על התשתית הקיימת:
מיקרוסופט מאפשרת גישה למודלים של OpenAI.
אמזון מאפשרת גישה למודלים של Anthropic (Claude).
גוגל מציעה את מודלי Gemini הנייטיביים שלה.
3. תוכנה כשירות (Software as a Service - SaaS)
זו השכבה העליונה והנגישה ביותר – מוצרי AI מוגמרים לחלוטין המיועדים למשתמשי הקצה. דוגמה בולטת לכך היא ה-Copilot של מיקרוסופט, המוטמע בתוך יישומי ה-Office (וורד, אקסל, פאוורפוינט) ונמכר במודל של מנוי חודשי קבוע (למשל, 30 דולר לעובד בחודש). שכבה זו מייצרת לחברות זרם הכנסות ישיר, יציב וגבוה מאוד.
פיצוח המנגנון: מהם טוקנים ואיך עובד המונה?
כדי להבין מאיפה מגיע הכסף הגדול, צריך לצלול לדרך שבה מערכות ה-AI הללו מעבדות מידע. מודל בינה מלאכותית אינו מבין מילים כפי שחברה אנושית מבינה אותן. הוא רואה בעולם חתיכות של מילים, הברות או תווים – ואלו נקראים טוקנים (Tokens).
אנלוגיית המונה: תחשבו על טוקנים כמו על פעימות של מונה במונית. נהג מונית לא גובה מכם מחיר גלובלי על "נסיעה", אלא מחשב את העלות לפי כל קילומטר או דקה שעוברים. באופן דומה, חברות ה-AI גובות שברירי סנטים או אגורות על כל 1,000 טוקנים שעוברים במערכת.
כך למשל, מילה כמו "המבורגר" יכולה להיות מתורגמת במערכת לשלושה טוקנים נפרדים: המ-בור-גר. בכל פעם שמשתמש קצה או אפליקציה שואלים את המודל שאלה (Input) ובכל פעם שהמודל מנחש ומייצר את המילה הבאה בתשובה שלו (Output), המונה הדיגיטלי דופק. כשמכפילים את שברירי הסנטים הללו במיליארדי שאילתות שמתבצעות בכל דקה ברחבי העולם, מקבלים מחזור הכנסות פנומנלי.
במהותם, מודלי שפה הם מכונות ניחוש סטטיסטיות משוכללות. ברוך שפר מדמה את המודל ל"סטאז'ר גאון ששתה 100 פחיות רד בול וקרא את כל האינטרנט". הסטאז'ר הזה לא באמת יודע מה הטעם של פיצה או מהי הרגשת אהבה, אבל הוא מכיר את ההקשרים הסטטיסטיים של המילים ברמה כה גבוהה, שאם תכתבו לו "אני אוהב לאכול...", הוא ידע להשלים את המילה "פיצה" או "המבורגר" בהסתברות הגבוהה ביותר ובמהירות שיא.
מודל החתונה הקתולית והחזר ההשקעה (ROI)
אחד הטיעונים הנשמעים בשווקים הפיננסיים הוא שחברות הענק מוציאות מאות מיליארדי דולרים על רכישת צ'יפים ובניית מרכזי נתונים, אך לא רואות מכך החזר השקעה (ROI) ישיר. מומחי "עושים שוק" מבהירים כי מדובר בטעות תפיסתית חמורה, והדוחות הכספיים מוכיחים זאת.
הרווחיות של ההייפר-סקיילריות מבוססת על שני עקרונות הגנה חזקים (Moats):
אפקט ה-Lock-in (חתונה קתולית): ברגע שחברת ביטוח, בנק גדול או סטארטאפ טכנולוגי מפתחים את ליבת האפליקציה שלהם על גבי תשתית ענן של חברה מסוימת (למשל Azure של מיקרוסופט), תהליך המעבר למתחרה (כמו גוגל) הופך למורכב, יקר ומסוכן ביותר. ארגונים לא מחליפים ספקי ענן על בסיס יומי, מה שמבטיח להייפר-סקיילריות הכנסה חודשית קבועה ויציבה לשנים קדימה.
מכירה צולבת (Cross-Selling): ה-AI משמש כמגנט (Hook) העיקרי למשיכת הלקוחות. כדי להריץ את מודל ה-AI, החברות חייבות לאחסן את בסיסי הנתונים שלהן, לרכוש שירותי אבטחת מידע, ניהול רשתות וגיבויים – כולם שירותי ענן משלימים ורווחיים להפליא שנמכרים על ידי אותו ספק ענן.
בנוסף, ענקיות כמו גוגל ואמזון משתמשות בבינה המלאכותית כדי לייעל את הליבה העסקית שלהן – החל משיפור אלגוריתם הפרסום ועד לאופטימיזציה של שרשראות האספקה והמחסנים הלוגיסטיים. שיפור של אחוזים בודדים ביעילות הפנימית מתורגם מיידית לחיסכון והכנסות של מיליארדי דולרים.
סיכום מהפכת ה-AI כבהלה לזהב: אם נמשיל את מהפכת הבינה המלאכותית לבהלה לזהב של המאה ה-19, ההייפר-סקיילריות הן לא אלו שמחפשות את הזהב ומקוות למצוא אותו. הן החברות שמוכרות את ג'ינס הלוויס, את אתי החפירה, את המקושים ואת המפות לכל אותם אלפי יזמים שמנסים למצוא את מזלם. לא משנה איזה סטרטאפ ינצח במירוץ ה-AI, כולם יצטרכו לשלם דמי שכירות חודשיים על כוח מחשוב וטוקנים לענקיות הטכנולוגיה.
שאלות ותשובות נפוצות (FAQ)
שאלה: מה ההבדל בין טוקן לבין מילה רגילה?
תשובה: מודלי ה-AI מפרקים טקסטים ליחידות עיבוד קטנות. מילה באנגלית או בעברית יכולה להיות מורכבת מטוקן אחד, או להתפצל למספר טוקנים (למשל לפי הברות או מורפולוגיה). ככלל אצבע, באנגלית 100 מילים הן בערך 130-140 טוקנים. בעברית, בשל מורכבות השפה והאותיות המוצמדות, היחס לרוב גבוה יותר וכל מילה צורכת יותר טוקנים.
שאלה: מדוע מכנים את חברות הענן בשם "הייפר-סקיילריות"?
תשובה: המונח "Hyperscale" מתייחס ליכולת של ארכיטקטורת מחשוב להתרחב בצורה קיצונית ומהירה (Scale) כדי לענות על ביקושים מסיביים. רק לחברות ענק כמו אמזון, מיקרוסופט וגוגל יש את המשאבים הפיננסיים והלוגיסטיים להקים חוות שרתים המכילות מאות אלפי מעבדים גרפיים, ולנהל תעבורת נתונים בקנה מידה גלובלי.
שאלה: האם חברות קטנות יכולות לאמן מודלים של AI בעצמן ללא ההייפר-סקיילריות?
תשובה: תיאורטית כן, באמצעות מודלים בקוד פתוח (כמו Llama של מטא), אך מעשית הן עדיין יצטרכו לשכור כוח מחשוב (GPUs) מאותן הייפר-סקיילריות או מספקי ענן מתמחים כדי לבצע את תהליך האימון או ההרצה (Inference), מכיוון שעלות רכישת החומרה היא אסטרונומית.
שאלה: למה ברוך שפר טוען שמהפכת ה-AI נמצאת רק בהתחלה?
תשובה: מכיוון שתהליך ההטמעה של בינה מלאכותית בארגונים מסורתיים (בנקים, חברות ביטוח, תעשייה כבדה, בריאות) נמצא עדיין בחיתוליו. חברות הענן ממשיכות להגדיל את תקציבי ההשקעה שלהן (CapEx) בבניית מרכזי נתונים חדשים, מה שמעיד על כך שהביקוש לכוח מחשוב ולטוקנים צפוי להמשיך לצמוח בצורה מעריכית בשנים הקרובות.
הצטרפו לקהילת הכוורת 🐝
רוצים לקבל גישה מלאה לצוות המומחים שלנו?
לשאול שאלות בזמן אמת על שוק המניות, הקריפטו והבורסה בארץ?
בקהילת הכוורת, שירות הפרימיום של "עושים שוק", תקבלו:
איתותי קנייה/מכירה בזמן אמת.
עדכונים שוטפים ופרשנויות על המהלכים הכי חמים בשוק.
גישה ללייבים בלעדיים ופודקאסטים סגורים.
דיסקליימר: מאמר זה נכתב למטרות אינפורמטיביות בלבד ואינו מהווה ייעוץ השקעות, המלצה לקנייה או מכירה של ניירות ערך. השקעה בשוק ההון טומנת בחובה סיכון ומומלץ להתייעץ עם בעל רישיון מוסמך לפני קבלת החלטות פיננסיות.
תגובות