За яскравими заголовками індустрія ШІ шукає відповіді на фундаментальні питання про темпи інновацій, сталість фінансування та розходження шляхів розробників моделей і розробників застосунків.
Непомітний переломний момент в індустрії
За останні три роки штучний інтелект розвивався безпрецедентними темпами. Від запуску ChatGPT темпи його поширення серед споживачів побили рекорди, гіганти від OpenAI до Google стрімко анонсували одну модель за іншою, а компанії зі списку Fortune 500 зробили ШІ основою своїх бізнес-процесів. Та сьогодні за яскравими заголовками індустрія шукає відповідь на принципово інше питання:
Чи справжні інновації й далі впевнено рухаються вперед, чи ми спостерігаємо, як гігантська машина впирається в невидимі межі?
Щоб ґрунтовно відповісти на це питання, потрібно поглянути на екосистему крізь дві різні призми:
Первинний ринок: Компанії, що розробляють базові моделі на кшталт GPT-4, Claude і Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Вторинний ринок: Компанії, які використовують ці моделі для створення рішень, що розв’язують реальні проблеми користувачів: Perplexity, Cursor, Notion AI, Replit.
Хоча обидва ринки існують у межах однієї індустрії, їхня динаміка, структура витрат, профілі ризику та очікування щодо зростання принципово різняться. Напруга, яку ми спостерігаємо сьогодні, виникає саме через це розходження.
Природні межі розвитку моделей стають помітними
Еволюцію великих мовних моделей за останні п’ять років визначали чотири фундаментальні чинники:
- Розмір моделі (кількість параметрів)
- Навчальні дані (якість і різноманітність)
- Обчислювальна потужність (потужність GPU/TPU)
- Методи навчання (трансформерні архітектури, механізми уваги)
З 2018 до 2023 року всі чотири чинники масштабувалися в одному напрямку, забезпечуючи колосальні стрибки вперед. Саме так ми пройшли шлях від GPT-2 до GPT-4, від BERT до PaLM. Однак ця крива не зростатиме нескінченно. Навчальні дані тепер є найкритичнішим обмеженням для індустрії.
Запаси якісних, різноманітних і оригінальних даних, створених людьми, обмежені. Ви навчаєте моделі на Wikipedia, на arXiv, на GitHub — а що далі? Витрати в цій сфері зростають експоненційно через проблеми з авторським правом, угоди про права власності на дані та обмеження доступу. Ви укладаєте угоди з Reddit, ведете переговори зі Stack Overflow, стикаєтеся з позовами від The New York Times. Збільшувати розмір моделей технічно все ще можливо, але дані встановлюють природну межу.
Саме тому індустрія змістила увагу з розміру моделей на ефективність. Міркування за ланцюжком думок, навчання з підкріпленням на основі зворотного зв’язку від людей (RLHF), ефективніші методи вибірки, архітектури суміші експертів (MoE) — усе це складові цієї трансформації.
Ці досягнення важливі, але самі по собі не можуть забезпечити сталий розвиток. Адже в певний момент і підвищення ефективності досягає межі. Індустрія починає усвідомлювати, що інновації у фундаментальних моделях увійшли у повільнішу й дорожчу фазу.
Тиск потоків капіталу та зростання вразливості
У міру того як технологічні обмеження стають відчутними, нарощування капіталу супроводжується дедалі більшим ризиком.
Компанії, що створюють фундаментальні моделі, будують величезну обчислювальну інфраструктуру та роблять агресивні пропозиції в боротьбі за таланти. Вони несуть ці витрати ще до того, як забезпечили собі надійну базу доходів. Річні витрати OpenAI на обчислення сягають мільярдів. Anthropic отримує мільярдні інвестиції від Microsoft. Google виділяє окремий бюджет для DeepMind.
Мільярди, вкладені в дата-центри, багаторічні контракти на GPU, астрономічні зарплати таких фахівців, як Ilya Sutskever, — усе це різко роздуває витрати компаній.
Ця картина показує, що первинний ринок побудований на економічно вкрай вразливій моделі масштабування. Витрати на інновації в моделях зростають значно швидше за доходи.
Тихе зростання прикладного рівня
Поки первинний ринок перебуває під тиском, вторинний розвивається за відносно здоровою траєкторією зростання. Ці компанії беруть фундаментальні моделі й перетворюють їх на реальні сценарії використання.
- Perplexity: Переосмислює досвід пошуку
- Cursor & Replit: Трансформують процес програмування
- Notion AI: Робить інструменти для продуктивності інтелектуальними
- Dvina: Підключається до 120+ застосунків, щоб керувати всім цифровим життям з єдиного інтелектуального рівня
Перевага цих компаній у тому, що вони найближчі до користувача. Реальна цінність виникає безпосередньо в користувацькому досвіді. Пошук, програмування, створення контенту, продуктивність, обробка інформації — усі ці напрями пропонують масштабовані та зрозумілі моделі отримання доходу.
Саме тому багато розробників фундаментальних моделей почали переходити на прикладний рівень. OpenAI перетворила ChatGPT на продукт, Anthropic зробила Claude продуктом для споживачів, Google інтегрувала Gemini. Стратегія вертикальної інтеграції швидко поширилася.
Але ця стратегія спричинила побічні ефекти: вартість придбань стрімко зросла, а оцінки компаній на вторинному ринку роздулися. Те, що вторинний ринок — єдина сфера, здатна генерувати дохід, — став настільки дорогим, ще більше посилює ризики для капіталу в цьому секторі.
Історичні цикли та відмінна риса сьогодення
Штучний інтелект уже пережив два великі спади: наприкінці 1970-х і на початку 1990-х. Ці періоди об’єднували високі очікування, повільний темп інновацій і згасання інтересу до інвестицій.
Сьогодні ситуація інша. Технічні інновації тривають, але темп проривів сповільнюється. Натомість потік капіталу зростає в безпрецедентних масштабах. Sam Altman обговорює фонд обчислювальних потужностей на $7 трильйонів, Elon Musk вливає мільярди в xAI.
Отже, ми переживаємо не класичну «зиму ШІ». Це радше період вразливості, зумовленої розподілом капіталу: оцінки роздуваються, витрати зростають дедалі швидше, але темп інновацій не відповідає очікуванням.
Нова ера: переможуть не більші моделі, а розумніші підходи
Ключова відмінність сьогодення ось у чому: тепер головне — не створювати ще більші моделі, додаючи більше параметрів.
Справжня трансформація відбудеться в таких сферах:
- Підвищення ефективності використання параметрів
- Досягнення вищої якості за допомогою менших моделей
- Розробка нових методів навчання
- Більш стратегічне й ефективне використання даних
- Радикальне зниження витрат на навчання
Одним із найяскравіших прикладів останнього часу став DeepSeek. Цей китайський стартап розробив модель, що працює на рівні GPT-4, але зі значно нижчими витратами на навчання. Архітектура «суміш експертів», оптимізація параметрів, методи навчання, орієнтовані на ефективність. Ринок відреагував бурхливо.
Після оголошення DeepSeek ринкова капіталізація NVIDIA за один день впала на $600 мільярдів. Це показало, що інвестори тепер стежать не лише за перегонами зі створення більших моделей, а й за змаганням за ефективність та архітектурні інновації.
Але й цього все ще недостатньо. Якщо в секторі й відбудеться справжній стрибок, то завдяки новим архітектурним парадигмам. Чомусь, що виходить за межі трансформерної архітектури. Можливо, це будуть нейроморфні обчислення, можливо — гібридні моделі, а можливо — зовсім інша система навчання.
Такі радикальні трансформації зазвичай не починаються у великих компаніях. Ті діють обережно через тиск, зумовлений масштабами, витрати на інфраструктуру та корпоративне управління ризиками. Справжні прориви часто народжуються в невеликих, агресивних, готових до ризику й амбітних стартапах.
Імовірно, сьогоднішня екосистема ШІ очікує саме на такий злам.
Висновок: переможуть не ресурси, а підхід
Сектор ШІ сьогодні балансує між двома полюсами напруги: з одного боку — стратегія масштабування моделей, що наближається до своїх меж; з іншого — дедалі більші ризики для капіталу та ринок застосунків, вартість якого стрімко зростає.
Ця картина показує, що фундаментальна проблема тепер полягає в підході, а не в потужностях. Завтрашніми переможцями стануть не ті, хто створює більші моделі, а ті, хто розробляє розумніші методи. Ефективність, нові архітектурні рішення та оптимізовані методи навчання стають справжньою лінією розмежування в секторі.
У майбутньому вирішальною буде якість підходу, а не потужність ресурсів. І ймовірність того, що цю зміну підходу започаткують саме стартапи з далекоглядним баченням, а не великі компанії, доволі висока.