Tolv gånger mer kraft till en bråkdel av kostnaden – men håller löftet?
Amerikanskt bolag påstår sig ha löst språkmodellernas stora matematiska flaskhals.
Matematiken som satt krokben för AI-giganternas modeller
Det finns ett problem som länge legat som en tung sten i grunden för moderna språkmodeller: den så kallade kvadratiska komplexiteten i uppmärksamhetsmekanismen. Enkelt uttryckt innebär det att ju längre text en modell ska bearbeta, desto mer exploderar beräkningskostnaden – exponentiellt. Det är därför dagens modeller har begränsningar för hur mycket de kan läsa och förstå i ett enda sammanhang. Det är ett strukturellt tak som påverkat allt från driftkostnader till energiförbrukning.
Nu påstår sig det amerikanska teknikbolaget Subquadratic ha brutit igenom just den barriären, enligt en rapport från MIT Technology Review. Deras modell, kallad SubQ, ska kunna bearbeta upp till tolv gånger mer text i ett enda svep jämfört med de flesta konkurrenter – och göra det till dramatiskt lägre kostnad och energiåtgång. Det handlar om att kunna analysera hundratals dokument, hela kodbaser eller långa juridiska avtal i ett enda sammanhängande analysmoment.
Påståendena är inte blygsamma. Bolaget hävdar att SubQ presterar i nivå med toppmodellerna från Google DeepMind, OpenAI och Anthropic på centrala uppgifter som kodskrivning – trots den radikalt lägre resursåtgången.
Jubel möter skepsis
När nyheten spreds reagerade AI-världen med en blandning av spänning och misstänksamhet. AI-ingenjören Dan McAteer sammanfattade stämningen träffsäkert på X: "SubQ är antingen det största genombrottet sedan transformatorn... eller så är det AI:ns Theranos."
Det är en rättvisande spänning. Vi har sett det förut – lovande påståenden som vilar på egenpublicerade testresultat, utan oberoende granskning. Och det är precis vad Subquadratic inledningsvis presenterade. I en bransch som redan kämpar med trovärdigheten kring prestationspåståenden är det ett riskabelt sätt att lansera sig på.
Men ett väsentligt tillägg har nu kommit. En månad efter den första nyhetssmällen publicerade Subquadratic kompletterande underlag, däribland resultat från tredjepartsföretaget Appen, som specialiserar sig på att utvärdera AI-modeller. Appens forskningschef för generativ AI, Jeanine Sinanan-Singh, uppger att testerna bekräftar bolagets grundläggande arkitekturpåståenden – och kallar resultaten för potentiellt omvälvande.
Det är inte ett fullständigt friskrivningsbevis, men det är en meningsfull förflyttning från ren självdeklaration till extern bekräftelse.
Varför detta faktiskt spelar roll
Låt oss zooma ut en sekund. Om Subquadratics påståenden håller vid djupare granskning rör det sig inte bara om en snabbare modell. Det handlar om en strukturell förändring i vad som är ekonomiskt möjligt med AI.
Idag är driftkostnaderna för storskalig AI-användning ett reellt hinder för många organisationer – särskilt medelstora företag och offentlig sektor. En modell som levererar jämförbar prestanda till en bråkdel av kostnaden och energiåtgången förändrar kalkylen fundamentalt. Det öppnar dörrar som tidigare var stängda av rent ekonomiska skäl.
Energiaspekten är inte heller trivial. Debatten om AI:s klimatavtryck har vuxit sig stark, och en arkitektur som minskar beräkningsbördan utan att offra prestanda vore ett välkommet svar på en av branschens mest brännande kritikpunkter.
Samtidigt måste vi vara ärliga: genombrott i grundläggande arkitektur är sällsynta. Transformatorn, som lade grunden för dagens språkmodeller, presenterades 2017 och förändrade allt. Sedan dess har det kommit många lovande alternativ – linjär uppmärksamhet, gleshet, tillståndsrymdsmodeller – som alla haft sina begränsningar i praktiken. Subquadratic behöver visa att SubQ inte bara fungerar i kontrollerade tester, utan i den stökiga verkligheten av produktionsmiljöer och varierande uppgifter.
Vad händer härnäst?
Det avgörande provet för Subquadratic är inte nästa pressrelease – det är öppen, reproducerbar forskning och verkliga driftsättningar. Branschen behöver se att oberoende forskargrupper kan bekräfta resultaten, och att modellen håller måttet när den möter verkliga arbetsflöden utanför laboratoriet.
Detta är ett bolag att hålla ögonen på. Men med lika delar nyfikenhet som kritisk blick.
Vår analys
Det som gör Subquadratics påstående genuint intressant – snarare än ännu ett hajpat startup – är att de adresserar ett strukturellt problem, inte ett ytligt prestandamätetal. Kvadratisk komplexitet är en verklig begränsning som all seriös AI-forskning känner igen. Om de faktiskt löst det, eller ens tagit ett substantiellt steg i rätt riktning, är det en riktig händelse.
Det som inger förtroende är att en extern aktör som Appen nu backar upp delar av påståendena. Det som inger försiktighet är att vi ännu saknar öppen, reproducerbar forskning som branschen i stort kan granska.
Min bedömning: detta är sannolikt varken det fullständiga genombrottet de beskriver, eller ren luft. Det är förmodligen ett genuint arkitektoniskt framsteg som behöver mogna och granskas. För affärsledare är budskapet tydligt – följ detta noggrant, men invänta tredje granskning innan ni bygger strategiska beslut på det. Marknaden för effektivare AI-infrastruktur är enorm, och den aktör som verkligen löser flaskhalsen kommer att ha ett enormt försprång.