За яскравими заголовками індустрія ШІ бореться з фундаментальними питаннями щодо темпів інновацій, стійкості капіталу та розходження шляхів розробників моделей і творців прикладних рішень.
Тиха переломна точка індустрії
За останні три роки штучний інтелект зростав безпрецедентними темпами. Від запуску ChatGPT споживче впровадження побило рекорди, гіганти від OpenAI до Google один за одним анонсували моделі, а компанії зі списку Fortune 500 поставили ШІ в центр своїх бізнес-процесів. І все ж сьогодні, за яскравими заголовками, індустрія стикається з принципово іншим питанням:
Чи справжні інновації й далі впевнено рухаються вперед, чи ми спостерігаємо, як гігантська машина впирається в невидимі межі?
Щоб правильно відповісти на це питання, потрібно подивитися 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 беруть ці моделі та будують рішення для реальних проблем користувачів: Perplexity, Cursor, Notion AI, Replit.
Хоча обидва ринки існують в межах однієї індустрії, їхня динаміка, структура витрат, профілі ризику та очікування зростання принципово різняться. Напруга, яку ми спостерігаємо сьогодні, виникає саме через це розходження.
Починають проявлятися природні межі розвитку моделей
Еволюцію великих мовних моделей за останні п’ять років визначали чотири фундаментальні чинники:
- Розмір моделі (кількість параметрів)
- Навчальні дані (якість і різноманітність)
- Обчислювальна потужність (потужності GPU/TPU)
- Методи навчання (архітектури transformer, механізми attention)
З 2018 до 2023 року всі чотири чинники масштабувалися в одному напрямку, створюючи колосальні стрибки. Саме так ми пройшли шлях від GPT-2 до GPT-4, від BERT до PaLM. Однак ця крива не продовжуватиметься безкінечно. Навчальні дані тепер є найкритичнішим вузьким місцем індустрії.
Якісні, різноманітні й оригінальні масиви даних, створених людьми, обмежені. Ви навчаєтеся на Wikipedia, навчаєтеся на arXiv, навчаєтеся на GitHub — а далі що? Витрати в цій сфері зростають експоненційно через проблеми з авторським правом, угоди про володіння даними 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 саме сторона даних створює природну стелю.
Саме тому індустрія змістила фокус із розміру моделей на ефективність. Міркування у форматі chain-of-thought, навчання з підкріпленням на основі людського зворотного зв’язку (RLHF), ефективніші техніки семплювання, архітектури mixture-of-experts (MoE) — усе це частина цієї трансформації.
Ці зміни важливі, але самі по собі вони не є стійкими. Тому що в певний момент і приріст ефективності також досягає насичення. Індустрія починає усвідомлювати, що інновації у фундаментальних моделях увійшли у фазу, яка є повільнішою та дорожчою.
Тиск потоків капіталу та зростаюча крихкість
У міру того як технологічні обмеження стають відчутними, зростання з боку капіталу набуває ще більшого ризику.
Компанії, що створюють фундаментальні моделі, будують гігантську обчислювальну інфраструктуру та роблять агресивні пропозиції у війні за таланти. Ці витрати відбуваються ще до того, як сформовано сильну дохідну базу. 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, які платять таким іменам, як Ilya Sutskever, — усе це різко роздуває витратні рядки компаній.
Ця картина показує, що первинний ринок побудований на економічно вкрай крихкій моделі масштабування. Структура витрат на інновації в моделях значно перевищує темпи зростання доходів.
Тихе зростання прикладного рівня
Поки первинний ринок перебуває під тиском, вторинний ринок рухається вперед за відносно здоровою траєкторією зростання. Ці компанії беруть фундаментальні моделі й перетворюють їх на реальні сценарії використання.
- Perplexity: Переосмислює пошуковий досвід
- Cursor & Replit: Трансформують процес програмування
- Notion AI: Робить інструменти продуктивності інтелектуальними
- Dvina: Підключається до 120+ застосунків, щоб керувати всім цифровим життям з одного 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 доходу.
Саме тому багато виробників фундаментальних моделей почали зміщуватися до прикладного рівня. OpenAI перетворила ChatGPT на продукт, Anthropic зробила Claude споживчою пропозицією, Google інтегрувала Gemini. Стратегія вертикальної інтеграції швидко поширилася.
Але ця стратегія спричинила побічні ефекти: вартість залучення різко злетіла, оцінки вторинного ринку роздулися. Те, що вторинний ринок — єдина сфера, здатна генерувати дохід, — став таким дорогим, ще більше посилює капітальний ризик у секторі.
Історичні цикли та відмінна риса сьогодення
Штучний інтелект уже переживав два великі спади в минулому: наприкінці 1970-х і на початку 1990-х. Що об’єднувало ці періоди: високі очікування, низька швидкість інновацій і згасання інвестиційного апетиту.
Сьогоднішня ситуація інша. Технічні інновації тривають, але темп проривів сповільнюється. Натомість потік капіталу зростає в безпрецедентних масштабах. Sam Altman говорить про фонд обчислень на $7 trillion, Elon Musk вливає мільярди в xAI.
Тому те, що ми переживаємо, — це не класична "AI winter." Це радше період крихкості, заснований на розподілі капіталу: оцінки роздуваються, витрати прискорюються, але швидкість інновацій не відповідає очікуванням.
Нова ера: переможуть не більші моделі, а розумніші підходи
Найважливіша відмінність сьогодні полягає в ось чому: тепер важливо не створювати ще масивніші моделі, додаючи більше параметрів.
Справжня трансформація відбудеться в таких напрямах:
- Підвищення ефективності параметрів
- Досягнення вищої якості за допомогою менших моделей
- Розробка нових методів навчання
- Більш стратегічне й ефективне використання даних
- Радикальне зниження вартості навчання
Одним із найяскравіших недавніх прикладів став DeepSeek. Цей китайський стартап розробив модель, що демонструє рівень GPT-4, але за значно нижчих витрат на навчання. Архітектура mixture-of-experts, оптимізація параметрів, методи навчання, зосереджені на ефективності. Ринок відреагував дуже різко.
Після оголошення DeepSeek ринкова капіталізація NVIDIA за один день знизилася на $600 billion. Це показало, що інвестори тепер стежать не лише за гонкою за більшими моделями, а й за гонкою за ефективністю та архітектурними інноваціями.
Але й цього все ще недостатньо. Якщо сектор і переживе справжній стрибок, то він відбудеться завдяки новим архітектурним парадигмам. Чомусь, що виходить за межі архітектури transformer. Можливо, це будуть нейроморфні обчислення, можливо — гібридні моделі, а можливо — зовсім інша рамка навчання.
Такі радикальні трансформації зазвичай не приходять із великих компаній. Вони діють обережно через тиск масштабу, витрати на інфраструктуру та корпоративне управління ризиками. Справжні прориви часто народжуються в невеликих, агресивних, готових до ризику й амбітних стартапах.
Імовірно, сьогоднішня AI-екосистема саме й очікує на таке потрясіння.
Висновок: Переможуть не ресурси, а підхід
Сектор AI сьогодні коливається між двома напруженнями: з одного боку — стратегія масштабування моделей, що наближається до своїх меж; з іншого — зростання капітальних ризиків і ринок застосунків, який стрімко дорожчає.
Ця картина показує, що фундаментальна проблема тепер полягає в підході, а не в потужностях. Завтрашні переможці — не ті, хто будуватиме більші моделі, а ті, хто створюватиме розумніші методи. Ефективність, нові архітектурні дизайни та оптимізовані методи навчання стають справжньою лінією розмежування в секторі.
У майбутньому вирішальним буде не ресурсна міць, а якість підходу. І ймовірність того, що саме візіонерські стартапи, а не великі компанії, започаткують цю зміну підходу, є доволі високою.
