За громкими заголовками индустрия ИИ сталкивается с фундаментальными вопросами о темпах инноваций, устойчивости капитала и расходящихся траекториях разработчиков моделей и создателей прикладных решений.
Тихий поворотный момент для индустрии
За последние три года искусственный интеллект рос беспрецедентными темпами. С момента запуска ChatGPT потребительское внедрение побило все рекорды, гиганты от OpenAI до Google один за другим анонсировали новые модели, а компании из Fortune 500 поставили ИИ в центр своих бизнес-процессов. И все же сегодня, за громкими заголовками, индустрия сталкивается с принципиально иным вопросом:
Продолжается ли подлинное движение инноваций вперед с прежней силой, или мы наблюдаем, как огромная машина упирается в невидимые пределы?
Чтобы правильно ответить на этот вопрос, нужно посмотреть на экосистему через две разные призмы:
Первичный рынок: компании, разрабатывающие базовые модели, такие как GPT-4, Claude и Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Вторичный рынок: компании, которые берут эти модели и строят решения для реальных пользовательских задач: Perplexity, Cursor, Notion AI, Replit.
Хотя оба рынка существуют в рамках одной индустрии, их динамика, структура затрат, профили риска и ожидания роста принципиально различаются. Напряжение, которое мы наблюдаем сегодня, возникает именно из-за этого расхождения.
Проявляются естественные пределы развития моделей
За последние пять лет эволюцию больших языковых моделей определяли четыре фундаментальных фактора:
- Размер модели (число параметров)
- Обучающие данные (качество и разнообразие)
- Вычислительная мощность (емкость GPU/TPU)
- Методы обучения (архитектуры transformer, механизмы attention)
С 2018 по 2023 год все четыре фактора масштабировались в одном направлении, создавая колоссальные скачки. Именно так мы прошли путь от GPT-2 к GPT-4, от BERT к PaLM. Однако эта кривая не будет продолжаться бесконечно. Обучающие данные теперь стали самым критическим узким местом для индустрии.
Высококачественные, разнообразные и оригинальные массивы данных, созданные людьми, ограничены. Вы обучаете модель на Wikipedia, обучаете на arXiv, обучаете на GitHub — а дальше что? Издержки в этой сфере растут экспоненциально из-за проблем с авторскими правами, соглашений о владении данными и ограничений доступа. Вы заключаете сделки с Reddit, ведете переговоры со Stack Overflow, сталкиваетесь с исками от The New York Times. Увеличивать размер моделей технически по-прежнему возможно, но именно данные создают естественный потолок.
Именно поэтому индустрия сместила фокус с размера моделей на эффективность. Рассуждение по цепочке мыслей, обучение с подкреплением на основе обратной связи от человека (RLHF), более эффективные методы сэмплирования, архитектуры mixture-of-experts (MoE) — все это части этой трансформации.
Эти изменения значимы, но сами по себе неустойчивы. Потому что в какой-то момент и прирост эффективности тоже достигает насыщения. Индустрия начинает осознавать, что инновации в области базовых моделей вошли в фазу, где прогресс стал медленнее и дороже.
Давление потоков капитала и растущая хрупкость
По мере того как технологические ограничения становятся все более ощутимыми, рост на стороне капитала приобретает еще более рискованный характер.
Компании, создающие базовые модели, строят масштабную вычислительную инфраструктуру и делают агрессивные предложения в борьбе за таланты. Эти расходы возникают еще до того, как сформирована прочная выручка. Годовые затраты OpenAI на вычисления достигают миллиардов. Anthropic получает миллиарды инвестиций от Microsoft. Google выделяет отдельный бюджет для DeepMind.
Миллиарды, вложенные в дата-центры, многолетние контракты на GPU, астрономические зарплаты, выплачиваемые таким именам, как Ilya Sutskever, — все это резко раздувает расходные статьи компаний.
Эта картина показывает, что первичный рынок построен на экономически крайне хрупкой модели масштабирования. Структура затрат на инновации в моделях значительно опережает темпы роста выручки.
Тихий подъем прикладного слоя
Пока первичный рынок находится под давлением, вторичный рынок развивается по относительно здоровой траектории роста. Эти компании берут базовые модели и превращают их в реальные сценарии использования.
- Perplexity: Переосмысляет поиск
- Cursor & Replit: Трансформируют процесс программирования
- Notion AI: Делает инструменты продуктивности интеллектуальными
- Dvina: Подключается к 120+ приложениям, чтобы управлять всей цифровой жизнью из единого интеллектуального слоя
Преимущество этих компаний в том, что они находятся ближе всего к пользователю. Реальная ценность возникает непосредственно в пользовательском опыте. Поиск, программирование, создание контента, продуктивность, обработка информации — все эти направления предлагают масштабируемые и понятные модели выручки.
Именно поэтому многие производители базовых моделей начали смещаться в прикладной слой. OpenAI превратила ChatGPT в продукт, Anthropic сделала Claude потребительским предложением, Google интегрировала Gemini. Стратегия вертикальной интеграции быстро распространилась.
Но у этой стратегии появились побочные эффекты: стоимость привлечения резко выросла, оценки вторичного рынка раздулись. То, что вторичный рынок — единственная область, способная генерировать выручку, — стал настолько дорогим, еще сильнее усиливает капитальные риски в секторе.
Исторические циклы и ключевое отличие сегодняшнего дня
Искусственный интеллект уже переживал два крупных спада: в конце 1970-х и в начале 1990-х. Что объединяло эти периоды: высокие ожидания, низкая скорость инноваций и исчезающий аппетит к инвестициям.
Сегодняшняя ситуация иная. Технические инновации продолжаются, но темп прорывов замедляется. Поток капитала, однако, растет в беспрецедентных масштабах. Sam Altman говорит о фонде на $7 trillion для вычислений, Elon Musk вливает миллиарды в xAI.
Поэтому то, что мы наблюдаем, — это не классическая "зима ИИ". Скорее, это период хрупкости, основанный на распределении капитала: оценки раздуваются, издержки ускоренно растут, но скорость инноваций не соответствует ожиданиям.
Новая эпоха: побеждать будут не более крупные модели, а более умные подходы
Сегодня самое важное отличие заключается в следующем: теперь значение имеет не создание все более гигантских моделей за счет добавления новых параметров.
Настоящая трансформация произойдет в следующих направлениях:
- Повышение эффективности параметров
- Достижение более высокого качества при использовании меньших моделей
- Разработка новых методов обучения
- Более стратегическое и эффективное использование данных
- Радикальное снижение затрат на обучение
Одним из самых ярких недавних примеров стал DeepSeek. Этот китайский стартап разработал модель, показывающую уровень GPT-4: но при значительно более низких затратах на обучение. Архитектура mixture-of-experts, оптимизация параметров, методы обучения с фокусом на эффективность. Рынок отреагировал очень резко.
После объявления DeepSeek рыночная капитализация NVIDIA за один день сократилась на $600 миллиардов. Это показало, что инвесторы теперь следят не только за гонкой за более крупными моделями, но и за гонкой за эффективность и архитектурные инновации.
Но и этого все еще недостаточно. Если сектору и предстоит пережить настоящий скачок, то он произойдет благодаря новым архитектурным парадигмам. Чему-то за пределами архитектуры transformer. Возможно, это будут нейроморфные вычисления, возможно — гибридные модели, а возможно — совершенно иная рамка обучения.
Подобные радикальные трансформации обычно не исходят от крупных компаний. Они действуют осторожно из-за давления масштаба, инфраструктурных затрат и корпоративного управления рисками. Настоящие прорывы часто рождаются в небольших, агрессивных, готовых к риску и амбициозных стартапах.
Вероятно, сегодняшняя экосистема ИИ как раз и ждет такого рода прорыва.
Заключение: Победят не ресурсы, а подход
Сегодня сектор ИИ колеблется между двумя напряжениями: с одной стороны — стратегия масштабирования моделей, приближающаяся к своим пределам; с другой — растущие капитальные риски и быстро дорожающий рынок приложений.
Эта картина показывает, что фундаментальная проблема теперь заключается в подходе, а не в мощностях. Победителями завтрашнего дня станут не те, кто строит более крупные модели, а те, кто создает более умные методы. Эффективность, новые архитектурные решения и оптимизированные методы обучения становятся настоящей линией раздела в секторе.
В будущем решающим будет качество подхода, а не мощь ресурсов. И вероятность того, что этот сдвиг в подходе инициируют именно визионерские стартапы, а не крупные компании, довольно высока.
