Tankeledare

Intelligens har blivit infrastruktur. Frågan nu är vem som får äga den

mm
Lägg till Securities.io bland dina föredragna källor på Google

Varje epok ärver infrastruktur vars ägande löser maktfrågor i årtionden, från järnvägsgauge till elnät till undervattenskablar. Artificiell intelligens tog denna position på mindre än ett decennium, och dess ägandebetingelser fastställs nu, till stor del utanför allmänhetens ögon.

Tillväxt har slutat behöva folkmassor

Under större delen av den industriella historien krävde ambitioner folkmassor, eftersom en tillverkare som fördubblade produktionen anställde fler händer, en järnväg behövde tusentals lantmätare och byggarbetare, och produktionen förblev knuten till deltagande.

Något i den strukturen har lossnat, eftersom byggandet av något imponerande idag kräver en liten grupp exceptionella ingenjörer tillsammans med enormt kapital och beräkningskraft, och förhållandet fortsätter luta mot det sistnämnda.

Lovable nådde $400 miljoner i återkommande årlig intäkt med 146 anställda, och Midjourney tjänar omkring $200 miljoner per år med ett team på cirka elva personer. Jämför det med de $660–$690 miljarder i kapitalutgifter som fem amerikanska teknikföretag har åtagit sig för 2026, mestadels för chip, datacenter och nätverk.

Arbete har sjunkit ner på listan över bindande begränsningar i takt med att hårdvara har klättrat till toppen, vilket omprissätter hela stapeln för alla som allokerar kapital. På vilken sida av detta beroende ligger en portfölj? Avkastning samlas kring acceleratorer, kraftavtal och mark nära transformatorstationer, och nästan alla andra företag drivs nu på villkor som bestäms av några få leverantörer.

Koncetration utan folkmassan

Om en grupp kan öka sin kapacitet utan att anställa eller handla med en stor befolkning, har den få skäl att ta med den befolkningen. Rika aktörer under tidigare århundraden behövde arbetare, kunder och soldater, och detta beroende skapade löner, skolor, sjukhus och politiskt inflytande.

Ta bort beroendet och incitamenten under det förändras tyst. Föreställ dig tusen personer, eller en miljon utanför, som innehar kapital, modeller och robotik. De skulle kunna driva enorma projekt, från orbital tillverkning till Mars, utan något funktionellt behov av de miljarder som är utanför rummet.

Allt som fortfarande kräver en folkmassa besvaras i allt högre grad av maskiner istället, eftersom en flotta av robotar kostar mindre än en arbetskraft när en uppgift är specificerad tillräckligt exakt. Varje jobb som tidigare behövde många händer prissätts mot den ersättningen, och löftet att robotik och AI ska lösa våra problem förutsätter att någon äger robotarna.

Sådana kluster skulle glida bort från alla andra utan dramatisk brytning, och artificiell generell intelligens är inte ett förutsättningskrav, eftersom dagens kapaciteter, utökade och billigare, räcker.

Tillgång till de starkaste modellerna kan bli en skarpare källa till ojämlikhet än pengar, eftersom kapital växer med några procent per år, medan en fördel i modellkvalitet ackumuleras genom varje forskningsresultat, kod och produkt den berör.

Inflytande som inget marknadspris fångar

Koncentrerad intelligens formar vad människor tror lika mycket som den formar marknader. Veckovis användning av AI‑chatbotar för nyheter ökade från 7 % till 10 % globalt under ett år, och mer än hälften av 18‑ till 24‑åringar nämner nu sociala medier, videonätverk eller chatbotar som sitt främsta sätt att lära sig vad som hänt.

Sökmotorer utövade redaktionell makt genom rankning, men de pekar utåt mot många resurser, och en läsare möter fortfarande en källa och bedömer den. En assistent överlämnar en slutsats i en lugn, auktoritativ röst, och att argumentera med den kräver ansträngning som få läsare är villiga att lägga ner.

När ett begränsat antal leverantörer bestämmer vad en modell säger, kan en agenda inbäddas i en form som är nästan omöjlig att upptäcka utifrån. Ökad kapacitet gör det ännu svårare att upptäcka, eftersom en starkare modell producerar mer övertygande resonemang och mer trovärdiga misstag. Hur skulle någon utanför företaget märka det?

Vetenskaplig skepsis har inte försvunnit, rättvist sagt, eftersom förtroendet för AI‑levererad nyheter ligger på 20 % globalt, under de 37 % som registrerats för nyheter generellt, och publiken förblir misstänksam även när deras beroende fördjupas.

Öppna vikter stänger halva klyftan

Publicerade modeller förbättrar verkligen bilden, och de nyaste är starka. Moonshot AI släppte vikterna för Kimi K3 med 2,8 biljoner parametrar, förde öppna releaser närmare frontlinjen än någonsin sedan DeepSeek R1.

Att tillhandahålla en av dessa modeller är en annan sak för någon utanför ett datacenter. Ett mixture‑of‑experts‑system i K3:s skala kräver en klunga acceleratorer som hålls i drift och varma, vilket gör egen hosting otillgänglig för de flesta universitet, startups och forskare.

De flesta människor når därför öppna modeller via en värdad slutpunkt som ägs av ett företag med kapital och GPU:er. Företaget återförsäljer åtkomst, och kunder kan inte bekräfta att de levererade vikterna matchar de publicerade, eller att inget ligger mellan prompt och svar. Vad har öppnats upp i den strukturen, utöver själva licensen?

Ägande börjar på hårdvarunivån

Licensvillkor ensamma misslyckas med att fördela makt, eftersom hårdvara bestämmer vem som kan utöva de rättigheter en licens ger. Ägande börjar därför där licensen slutar, på själva maskinen, eftersom den som kör modellen är den enda parten som kan testa den, spåra ett svar tillbaka till de vikter som skapade det, och korrigera det som blir fel.

Var och en av dessa beror på tillgång till tillräcklig beräkningskapacitet till ett pris som vanliga institutioner kan absorbera, så ett offentligt ekosystem behöver både öppna vikter och öppen beräkning. Endast en av dem återupprepar den koncentration den avser att lösa upp.

Ett offentligt beräkningslager är ekonomiskt genomförbart

Kapabel hårdvara ligger redan oanvänd i enorma mängder på universitet, regionala datacenter, tidigare gruvdrift och i privata händer, och att samla den har varit ett svårt ingenjörsproblem.

Covenant-72B, en modell med 72 miljarder parametrar, förtränades över mer än sjuttio oberoende partners via vanliga internetlänkar, utan vitlista, utan central kluster och med en blockkedjemekanism som validerar bidrag när de anländer. Verifiering är kärnan i den designen, eftersom deltagare som ingen har granskat ändå måste bevisa att det arbete de lämnar in är äkta.

Effektivitet förblir det ärliga invändningsargumentet, eftersom en svärm på vanliga anslutningar fortfarande halkar efter ett tätt kopplat kluster, latens straffar de största körningarna, och decentraliserade system har en tendens att återkoncentrera sig där kapital samlas.

Avståndet till denna punkt minskar dock snabbt, eftersom Covenant‑körningen hade 94,5 % hårdvaruutnyttjande under verkliga nätverksbegränsningar och producerade en modell som konkurrerade med centralt tränade motsvarigheter av liknande storlek. Överskottskapacitet kostar mindre än nybyggnation, vilket gör att ekonomin vilar mer på ingenjörsmognad än på aritmetik.

Beslut tas som standard

Så vem bestämmer vilken framtid som kommer, med tanke på att ingen någonsin kommer att rösta om frågan? Resultaten kommer att samlas från upphandlingsval, licenser, forskningsfinansiering och regleringar som görs under de kommande åren, de flesta individuellt obetydliga.

En väg leder till några få leverantörer som driver underlaget för ekonomiskt och intellektuellt liv, ansvariga inför aktieägare och de regeringar de är beroende av. En annan leder mot något som liknar en allmännyttig verksamhet, med öppna modeller som körs på beräkning som många parter äger och som vem som helst kan granska. Och vad håller den andra vägen öppen?

Pengar och upphandling, främst, eftersom varje avtal som skrivs för värdintelligens och varje bidrag som riktas mot delad infrastruktur tippar balansen. Båda förblir tillgängliga från 2026, och fönstret för att medvetet välja mäts i år – inte många av dem.

Gleb Morgachev är teknikchef på Product Science och medskapare av Gonka, ett decentraliserat nätverk för AI-beräkning. Han arbetar med distribuerade system för modellträning och inferens.