Вопрос на $7 триллионов

Индустрия ИИ на критическом рубеже: пределы инноваций, давление капитала и стратегический раскол, меняющий будущее

Muhammed Gider
6 мин чтения • 

Вопрос на $7 триллионов

За яркими заголовками индустрия ИИ сталкивается с фундаментальными вопросами о темпах инноваций, устойчивости финансирования и расходящихся путях разработчиков моделей и создателей приложений.

Незаметный перелом в индустрии

За последние три года искусственный интеллект развивался беспрецедентными темпами. С момента запуска ChatGPT его распространение среди потребителей побило рекорды, гиганты от OpenAI до Google один за другим анонсировали модели, а компании из Fortune 500 сделали ИИ основой своих бизнес-процессов. И всё же сегодня за яркими заголовками индустрия сталкивается с принципиально иным вопросом:

Продолжаются ли подлинные инновации высокими темпами или мы наблюдаем, как огромная машина упирается в невидимые пределы?

Чтобы как следует ответить на этот вопрос, нужно рассмотреть экосистему с двух разных сторон:

Первичный рынок: компании, разрабатывающие фундаментальные модели, такие как GPT-4, Claude и Gemini: OpenAI, Anthropic, Google DeepMind, Meta.

Вторичный рынок: компании, которые используют эти модели для создания решений реальных пользовательских задач: Perplexity, Cursor, Notion AI, Replit.

Хотя оба рынка существуют в 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 (мощность GPU/TPU)
  • Методы обучения (архитектуры трансформеров, механизмы внимания)

С 2018 по 2023 год все четыре фактора росли одновременно, обеспечивая огромные скачки в развитии. Именно так мы прошли путь от GPT-2 к GPT-4, от BERT к PaLM. Однако эта кривая роста не может продолжаться бесконечно. Сегодня обучающие данные стали главным ограничивающим фактором для индустрии.

Запасы качественных, разнообразных и оригинальных данных, созданных людьми, ограничены. Вы обучаете модель на Wikipedia, на arXiv, на GitHub — а дальше что? Затраты в этой сфере растут экспоненциально из-за вопросов авторского права, соглашений о правах на данные и ограничений доступа. Вы заключаете сделки с Reddit, ведёте переговоры со Stack Overflow, сталкиваетесь с исками от The New York Times. Увеличивать размер моделей технически по-прежнему возможно, но доступность данных задаёт естественный предел.

Именно поэтому отрасль переключила внимание с размера моделей на эффективность. Рассуждение по цепочке мыслей, обучение с подкреплением на основе обратной связи от человека (RLHF), более эффективные методы сэмплирования, архитектуры «смесь экспертов» (MoE) — всё это части одной трансформации.

Эти достижения значимы, но сами по себе не могут обеспечивать устойчивый прогресс. В какой-то момент возможности повышения эффективности тоже исчерпываются. Отрасль начинает осознавать, что инновации в области базовых моделей вступили в более медленную и затратную фазу.

Давление потоков капитала и растущая уязвимость

По мере того как технологические ограничения становятся всё ощутимее, рост объёмов капитала сопряжён со всё большим риском.

Компании, разрабатывающие базовые модели, создают огромную вычислительную инфраструктуру и делают щедрые предложения в борьбе за таланты. Эти расходы возникают ещё до формирования устойчивой базы выручки. 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 таких специалистов, как Ilya Sutskever, — всё это резко раздувает расходы компаний.

Эта картина показывает, что первичный рынок опирается на крайне уязвимую с экономической точки зрения модель масштабирования. Затраты на инновации в области моделей намного опережают темпы роста выручки.

Тихий подъём прикладного слоя

Пока первичный рынок находится под давлением, вторичный демонстрирует относительно здоровую динамику роста. Эти компании берут базовые модели и превращают их в решения для реальных задач.

  • Perplexity: Переосмысляет работу с поиском
  • Cursor & Replit: Преобразуют процесс программирования
  • Notion AI: Делает инструменты повышения продуктивности интеллектуальными
  • Dvina: Подключается к 120+ приложениям, чтобы управлять всей цифровой жизнью через единый интеллектуальный слой

Преимущество этих компаний — в максимальной близости к пользователю. Реальная ценность возникает непосредственно в пользовательском опыте. Поиск, программирование, создание контента, продуктивность, обработка информации — все эти направления предлагают масштабируемые и понятные модели получения выручки.

Именно поэтому многие разработчики базовых моделей начали переходить на прикладной слой. OpenAI превратила ChatGPT в продукт, Anthropic сделала Claude продуктом для потребителей, Google интегрировала Gemini. Стратегия вертикальной интеграции быстро распространилась.

Но у этой стратегии оказались побочные эффекты: стоимость приобретений взлетела, оценки компаний вторичного рынка раздулись. То, что вторичный рынок — единственная область, способная приносить выручку, — стал настолько дорогим, ещё больше повышает риски вложения капитала в этом секторе.

Исторические циклы и ключевое отличие нынешней ситуации

Искусственный интеллект уже переживал два крупных спада: в конце 1970-х и начале 1990-х. Эти периоды объединяли высокие ожидания, низкий темп инноваций и угасающий интерес к инвестициям.

Сегодня ситуация иная. Технологические инновации продолжаются, но темп прорывов замедляется. При этом потоки капитала растут в беспрецедентных масштабах. Sam Altman обсуждает создание фонда на $7 триллионов для вычислений, Elon Musk вкладывает миллиарды в xAI.

Поэтому сейчас мы переживаем не классическую «зиму ИИ». Это скорее период уязвимости, связанной с распределением капитала: оценки раздуваются, затраты растут всё быстрее, а темп инноваций не оправдывает ожиданий.

Новая эпоха: победят не более крупные модели, а более умные подходы

Главное отличие нынешней ситуации в том, что теперь важнее не создавать всё более масштабные модели, добавляя всё больше параметров.

Настоящие перемены произойдут в следующих областях:

  • Повышение эффективности использования параметров
  • Достижение более высокого качества с помощью 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, работающую на уровне GPT-4, но со значительно меньшими затратами на обучение. Архитектура «смесь экспертов», оптимизация параметров, методы обучения с упором на эффективность. Реакция рынка была бурной.

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 пока недостаточно. Если в отрасли и произойдет настоящий скачок, то благодаря новым архитектурным парадигмам. Чему-то за пределами архитектуры трансформеров. Возможно, это будут нейроморфные вычисления, возможно — гибридные модели, а возможно — совершенно иной подход к обучению.

Подобные радикальные перемены обычно начинаются не в крупных компаниях. Те действуют осторожно из-за давления, связанного с масштабом, затрат на инфраструктуру и корпоративного управления рисками. Настоящие прорывы часто рождаются в небольших, напористых, готовых к риску и амбициозных стартапах.

Вероятно, сегодняшняя экосистема ИИ как раз и ждет такого радикального сдвига.

Заключение: победу принесет подход, а не ресурсы

Сегодня отрасль ИИ находится между двумя полюсами напряжения: с одной стороны — стратегия масштабирования моделей, приближающаяся к своим пределам; с другой — растущие риски для капитала и рынок приложений, стоимость которого стремительно увеличивается.

Эта картина показывает, что основная проблема теперь заключается в подходе, а не в мощностях. Завтра победят не те, кто создает более крупные модели, а те, кто разрабатывает более продуманные методы. Эффективность, новые архитектурные решения и оптимизированные методы обучения становятся главным критерием, разделяющим участников отрасли.

В будущем решающим станет качество подхода, а не мощь ресурсов. И вероятность того, что эту смену подхода начнут именно стартапы с дальновидным видением, а не крупные компании, довольно высока.

Присоединяйтесь к Dvina

Зарегистрируйтесь бесплатно и соберите все свои инструменты в одном простом рабочем пространстве.

Больше материалов