Finanțarea din noul val AI se mută de la modelele care optimizează sarcini de text spre sisteme care încearcă să simuleze lumea fizică. Schimbarea produce deja evaluări și runde de finanțare de ordinul zecilor de miliarde de dolari.
La sfârșitul anului 2025, Yann LeCun a plecat de la Meta pentru a lansa Advanced Machine Intelligence Labs. Cercetarea noului laborator este axată pe arhitectura JEPA, care antrenează modelele după felul în care un sistem se comportă, nu doar după cum arată. Din punct de vedere financiar, această mutare împinge cercetarea către domenii în care predicția are valoare economică directă, precum industria, agricultura, clima și biologia.
Reorientarea capitalului este deja vizibilă. Fei-Fei Li a atras 1 miliard de dolari pentru World Labs, companie care urmărește dezvoltarea inteligenței spațiale. În același segment, Prometheus, startup-ul susținut de Jeff Bezos și concentrat pe crearea unui inginer general artificial, a ajuns la o evaluare de 41 de miliarde de dolari. Raportul dintre cele două valori indică dimensiunea mizei: evaluarea Prometheus este de 41 de ori mai mare decât finanțarea atrasă de World Labs.
Potrivit Financiarul, investitorii nu mai caută încă un asistent conversațional pentru management, într-o piață în care modele precum ChatGPT sau Claude domină deja sarcinile textuale. Interesul se mută către infrastructura capabilă să modeleze fenomene materiale și procese științifice. Dacă această direcție produce rezultate, avantajul competitiv se poate muta de la productivitatea administrativă la deciziile care influențează costul, randamentul și riscul operațional.
Istoricul industriei susține această schimbare. Google DeepMind și OpenAI au atras și format cercetători de top care alimentează acum o nouă generație de startup-uri puternic finanțate. În paralel, Isomorphic Labs arată că piața urmărește AI capabil să interacționeze predictiv cu sisteme fizice, în cazul său în zona medicamentelor. Capitalul de risc începe să trateze rezolvarea dinamicilor științifice nerezolvate, de la climă la oceanografie, drept bază pentru viitorii lideri de infrastructură AI.
Diferența față de valul anterior ține de utilitatea economică urmărită. Un model mondial încearcă să anticipeze cum evoluează un sistem, în timp ce un model de limbaj produce sau organizează conținut. Pentru companii, prima categorie este relevantă în procese unde eroarea costă în stocuri, producție, inputuri agricole sau cercetare. A doua rămâne dominantă în fluxurile de documente și în suportul decizional.
Există deja semne că o parte din tehnologie funcționează în sarcini bine delimitate. Sistemul de prognoză a inundațiilor de la Google operează în peste 150 de țări. În același timp, modelele meteorologice neurale, precum GraphCast de la Google DeepMind, au egalat sau depășit cele mai bune prognoze bazate pe fizică folosind o fracțiune din costul de calcul. Totuși, aceste modele rămân inferioare în cazul fenomenelor extreme, tocmai zona în care costul erorii poate fi cel mai ridicat.
În aceeași logică se încadrează și declarația lui Sam Altman, care a numit modelul Sora de la OpenAI un simulator mondial. Statutul este contestat, astfel că afirmația nu poate fi considerată o validare tehnică definitivă, dar indică direcția în care principalii jucători încearcă să repoziționeze piața AI.
Pentru evaluarea acestor companii, criteriul practic nu este promisiunea generică a inteligenței artificiale, ci capacitatea de a reduce costul de calcul într-o problemă în care predicția produce valoare măsurabilă. GraphCast oferă exact acest tip de semnal. Alte două filtre sunt calitatea și accesul la date, respectiv alocarea resurselor în marile laboratoare. De aceste decizii depinde separarea dintre platformele cu utilitate industrială reală și activele evaluate în principal pe baza narațiunii de piață.
