AMI – Разширен машинен интелект – Краят на мащабирането: Защо Ян ЛеКун вече не вярва в магистърските програми по право (LLM)

600 милиарда за погрешен подход? „Кръстникът на изкуствения интелект“ залага срещу LLaMA, ChatGPT и други.

Съобщението дойде като гръм през технологичната индустрия през ноември 2025 г. Ян ЛеКун, един от тримата основатели на дълбокото обучение и главен учен в Meta, обяви напускането си след дванадесет години в компанията, за да основе собствен стартъп. Това решение е много повече от личен кариерен избор на един-единствен учен. То бележи фундаментален поврат в световната индустрия за изкуствен интелект и разкрива нарастващата пропаст между краткосрочните пазарни интереси и дългосрочната научна визия.

Льокън, който получи наградата „Тюринг“ през 2018 г. заедно с Джефри Хинтън и Йошуа Бенхио, е смятан за архитект на конволюционните невронни мрежи, които днес формират основата на съвременните системи за обработка на изображения. Неговото напускане идва във време, когато цялата индустрия инвестира стотици милиарди долари в големи езикови модели – технология, която Льокън от години описва като фундаментална задънена улица. С новата си компания, сега 65-годишният учен възнамерява да преследва това, което той нарича „Разширен машинен интелект“ – радикално различен подход, базиран на световни модели и започващ с физическо възприятие, а не с текст.

Икономическите последици от това развитие са огромни. Самата Meta е инвестирала над 600 милиарда долара в инфраструктура за изкуствен интелект през последните три години. OpenAI достигна оценка от половин трилион долара, въпреки годишните приходи от само десет милиарда долара. Цялата индустрия се е движила в посока, която един от най-важните ѝ пионери вече публично определи като задънена улица. За да се разберат икономическите последици от тази промяна, човек трябва да се задълбочи в техническите, организационните и финансовите структури на настоящата революция в областта на изкуствения интелект.

Свързано с това:

• Meta ще инвестира 600 милиарда щатски долара: За изграждане на инфраструктура с изкуствен интелект в САЩ

Архитектурата на един балон

Архитектурата Transformer, представена от изследователи в Google през 2017 г., трансформира пейзажа на изкуствения интелект с безпрецедентна скорост. Този подход направи възможно за първи път ефективното обработване на огромни количества текст и обучение на езикови модели с досега недостижими възможности. OpenAI надгради върху тази основа със своята серия GPT, която с ChatGPT през ноември 2022 г. демонстрира пред масова аудитория за първи път какво могат да постигнат тези технологии. Реакцията беше експлозивна. В рамките на няколко месеца десетки милиарди долари се вляха в сектора.

Въпреки това, от края на 2024 г. насам има все повече признаци, че това експоненциално развитие достига своите граници. OpenAI разработва наследника на GPT-4, вътрешно наричан Orion или GPT-5, повече от 18 месеца. Според съобщенията, компанията е провела поне две големи обучителни серии, всяка от които е струвала приблизително 500 милиона долара. Резултатите са отрезвяващи. Докато GPT-4 представлява огромен скок в производителността спрямо GPT-3, подобренията на Orion спрямо GPT-4 са незначителни. В някои области, особено програмирането, моделът не показва практически никакъв напредък.

Това развитие коренно противоречи на законите за мащабиране, онези емпирични принципи, които доскоро ръководеха цялата индустрия. Основната идея беше проста: ако направите модела по-голям, използвате повече данни за обучение и инвестирате повече изчислителна мощност, увеличението на производителността следва предсказуема степенна функция. Този принцип сякаш важи универсално и оправдаваше астрономическите инвестиции от последните години. Сега се оказва, че тези криви се изравняват. Следващото удвояване на инвестициите вече не води до очакваното удвояване на производителността.

Причините за това са многобройни и технически сложни. Ключов проблем е стената от данни. GPT-4 е обучен с приблизително 13 трилиона токена, което е по същество целият публично достъпен интернет. За GPT-5 просто няма достатъчно нови, висококачествени данни. OpenAI реагира, като наема разработчици на софтуер, математици и теоретични физици, които да генерират нови данни чрез писане на код и решаване на математически проблеми. Въпреки това, дори ако 1000 души произвеждат 5000 думи на ден, ще са необходими месеци, за да се генерират само един милиард токена. Мащабирането с помощта на генерирани от човека данни просто не работи.

Като алтернатива, компаниите все повече разчитат на синтетични данни – тоест данни, генерирани от други модели на изкуствен интелект. Но тук дебне нова опасност: колапс на модела. Когато моделите се обучават рекурсивно върху данни, генерирани от други модели, малките грешки се усилват с течение на времето. Резултатът е модели, които стават все по-откъснати от реалността и в които малцинствените групи в данните непропорционално изчезват. Проучване, публикувано в Nature през 2024 г., показа, че този процес протича изненадващо бързо. Следователно синтетичните данни не са панацея, а по-скоро носят значителни рискове.

Енергийният преход и ограниченията на растежа

Освен бариерата на данните, има и втора, дори по-фундаментална бариера: енергийната бариера. Обучението на GPT-3 е консумирало приблизително 1300 мегаватчаса електроенергия, което се равнява на годишното потребление на 130 американски домакинства. GPT-4 е изисквала приблизително 50 пъти повече от това количество, или 65 000 мегаватчаса. Изчислителната мощност, необходима за обучение на големи модели с изкуствен интелект, се удвоява приблизително на всеки 100 дни. Тази експоненциална крива бързо води до физически ограничения.

Центровете за данни, които обучават и управляват тези модели, вече консумират толкова електроенергия, колкото малките градове. Международната агенция по енергетика прогнозира, че потреблението на електроенергия в центровете за данни ще се увеличи с 80 процента до 2026 г., от 20 тераватчаса през 2022 г. до 36 тераватчаса през 2026 г. Изкуственият интелект е основният двигател на този растеж. За сравнение, една заявка в ChatGPT консумира около десет пъти повече енергия от търсене в Google. С милиарди заявки на ден, това се натрупва в огромни количества.

Това развитие принуждава технологичните компании да предприемат драстични мерки. Microsoft вече е подписала договори с доставчици на ядрена енергия. Meta, Amazon и Google инвестират общо над 1,3 трилиона долара през следващите години, за да изградят необходимата инфраструктура. Но тези инвестиции се сблъскват с физически и политически ограничения. САЩ просто нямат достатъчно енергийна инфраструктура, за да захранват планираните центрове за данни с изкуствен интелект. Анализаторите изчисляват, че проекти на стойност 750 милиарда долара може да бъдат забавени до 2030 г. поради затруднения в енергийната инфраструктура.

Към това се добавя и геополитическото измерение. Енергийните нужди на индустрията с изкуствен интелект засилват конкуренцията за ресурси и увеличават зависимостта от изкопаеми горива. Докато политиците изискват климатична неутралност, индустрията с изкуствен интелект увеличава потреблението на енергия. Това напрежение ще се влоши през следващите години и може да доведе до регулаторни интервенции, които ограничават растежа на индустрията.

Архитектурната стена и алтернативата на Льокун

Третата бариера е може би най-фундаменталната: архитектурната стена. Ян ЛеКун от години твърди, че архитектурата на Transformer има присъщи ограничения, които не могат да бъдат преодолени просто чрез мащабиране. Неговата критика се фокусира върху фундаменталния начин, по който работят моделите с големи езици (Lor Language Models). Тези системи са обучени да предсказват следващата дума в поредица. Те изучават статистически модели в масивни текстови корпуси, но не развиват истинско разбиране за причинно-следствената връзка, физичните закони или дългосрочното планиране.

Льокън обича да илюстрира проблема със сравнение: Четиригодишно дете е усвоило повече информация за света чрез визуално възприятие, отколкото най-великите езикови модели са усвоили чрез текст. Детето интуитивно разбира, че предметите не изчезват просто така, че тежките неща падат и че действията имат последствия. То е развило модел на света, вътрешно представяне на физическата реалност, което използва, за да прави прогнози и да планира действия. Специалистите по право (LLM) нямат тази фундаментална способност. Те могат да генерират впечатляващо свързан текст, но не разбират света.

Това ограничение става очевидно отново и отново в практическите приложения. Ако помолите GPT-4 да визуализира въртящ се куб, той ще се провали в задача, която всяко дете може лесно да изпълни. При сложни задачи, изискващи многоетапно планиране, моделите редовно се провалят. Те не могат надеждно да се учат от грешки, защото всяка грешка в предсказването на маркери потенциално се натрупва и усилва. Авторегресивните модели имат фундаментална крехкост: грешка в началото на последователността може да съсипе целия резултат.

Алтернативата на LeCun са световни модели, базирани на Joint Embedding Predictive Architecture (Съвместна архитектура за вграждане). Основната идея е, че системите с изкуствен интелект не трябва да се учат чрез текстово предсказване, а по-скоро чрез предсказване на абстрактни представяния на бъдещи състояния. Вместо да генерира пиксел по пиксел или токен по токен, системата научава компресирано, структурирано представяне на света и може да го използва, за да симулира мислено различни сценарии, преди да действа.

Под ръководството на ЛеКун, Мета вече е разработила няколко реализации на този подход. I-JEPA за изображения и V-JEPA за видеоклипове показват обещаващи резултати. Тези модели изучават компоненти на обекти на високо ниво и техните пространствени взаимоотношения, без да разчитат на интензивно събиране на данни. Те са също така значително по-енергийно ефективни за обучение от конвенционалните модели. Визията е тези подходи да се комбинират в йерархични системи, които могат да работят на различни нива на абстракция и времеви мащаби.

Ключовата разлика се крие в естеството на процеса на обучение. Докато LLM по същество извършват съпоставяне на шаблони на стероиди, световните модели се стремят да схванат структурата и причинно-следствената връзка на реалността. Система с надежден световен модел би могла да предвиди последствията от своите действия, без реално да се налага да ги извършва. Тя би могла да се учи от няколко примера, защото разбира основните принципи, а не само повърхностни корелации.

Организационна дисфункция и екзистенциална криза на Мета

Напускането на ЛеКун обаче не е единствено научно решение, но и резултат от организационна дисфункция в Meta. През юни 2025 г. главният изпълнителен директор Марк Зукърбърг обяви мащабно преструктуриране на отделите за изкуствен интелект. Той основа Meta Superintelligence Labs, ново звено с обявената цел за разработване на общ изкуствен интелект. То се ръководеше от Александър Уанг, 28-годишният бивш изпълнителен директор на Scale AI, компания за подготовка на данни. Meta инвестира 14,3 милиарда долара в Scale AI и нае над 50 инженери и изследователи от конкуренти.

Това решение преобърна съществуващата структура с главата надолу. Екипът за фундаментални изследвания на изкуствения интелект на LeCun, който беше прекарал години в разработването на PyTorch и първите модели Llama, беше маргинализиран. FAIR беше насочен към фундаментални изследвания с времеви хоризонт от пет до десет години, докато новите лаборатории за суперинтелект се фокусираха върху краткосрочното разработване на продукти. Източници съобщават за нарастващ хаос в отделите за изкуствен интелект на Meta. Новоназначените топ таланти изразиха разочарование от бюрокрацията на голяма корпорация, докато утвърдените екипи видяха как влиянието им намалява.

Ситуацията се влоши поради няколко преструктурирания само за шест месеца. През август 2025 г. Superintelligence Labs беше реорганизирана отново, този път в четири подразделения: мистериозна TBD лаборатория за нови модели, продуктов екип, екип за инфраструктура и FAIR. През октомври последва още една вълна от съкращения, като приблизително 600 служители получиха обезщетение за прекратяване на дейността. Посочената причина: намаляване на организационната сложност и ускоряване на разработването на изкуствен интелект.

Тези постоянни преструктурирания са в рязък контраст с относителната стабилност на конкуренти като OpenAI, Google и Anthropic. Те сочат фундаментална несигурност в Meta относно правилната стратегическа посока. Зукърбърг е признал, че Meta изостава в надпреварата за доминация на ИИ. Llama 4, пусната през април 2025 г., беше разочарование. Въпреки че моделът Maverick демонстрира добра ефективност, той се провали драстично в по-дългосрочни контексти. Появиха се твърдения, че Meta е оптимизирала за бенчмаркове, като е обучавала моделите специално на често срещани тестови въпроси, изкуствено завишавайки производителността.

За Льокун ситуацията станала несъстоятелна. Визията му за дългосрочни фундаментални изследвания се сблъскала с натиска за постигане на краткосрочни продуктови успехи. Фактът, че той е бил ефективно подчинен на значително по-младия Уанг, вероятно е допринесъл за решението му. В прощалната си бележка Льокун подчертава, че Мета ще остане партньор в новата му компания, но посланието е ясно: независимите изследвания, които той счита за съществени, вече не са възможни в рамките на корпоративните структури.

Тук ще научите как вашата компания може да внедри персонализирани решения с изкуствен интелект бързо, сигурно и без високи бариери за навлизане.

Управляваната AI платформа е вашето цялостно и безпроблемно решение за изкуствен интелект. Вместо да се занимавате със сложни технологии, скъпа инфраструктура и продължителни процеси на разработка, вие получавате готово решение, съобразено с вашите нужди, от специализиран партньор – често само в рамките на няколко дни.

Ключовите предимства накратко:

⚡ Бързо внедряване: От идея до готово за употреба приложение за дни, а не за месеци. Ние предлагаме практични решения, които създават незабавна добавена стойност.

🔒 Максимална сигурност на данните: Вашите чувствителни данни остават при вас. Гарантираме сигурна и съвместима обработка без споделяне на данни с трети страни.

💸 Без финансов риск: Плащате само за резултати. Високите първоначални инвестиции в хардуер, софтуер или персонал са напълно елиминирани.

🎯 Фокусирайте се върху основния си бизнес: Концентрирайте се върху това, което правите най-добре. Ние се грижим за цялостното техническо внедряване, експлоатация и поддръжка на вашето AI решение.

📈 Готов за бъдещето и мащабируем: Вашият изкуствен интелект расте с вас. Ние гарантираме непрекъсната оптимизация и мащабируемост и гъвкаво адаптираме моделите към новите изисквания.

Повече информация тук:

• Управляваното решение с изкуствен интелект - Индустриални услуги с изкуствен интелект: Ключът към конкурентоспособността в секторите на услугите, промишлеността и машиностроенето

Икономическата анатомия на образуването на мехури

Развитието на Meta е симптом на по-широка икономическа динамика в индустрията за изкуствен интелект. След пробива на ChatGPT в края на 2022 г. се разгърна безпрецедентен инвестиционен бум. Само през първото тримесечие на 2025 г. в стартиращи компании с изкуствен интелект влязоха 73,1 милиарда долара, което представлява 58% от всички инвестиции в рисков капитал. OpenAI достигна оценка от 500 милиарда долара, което я прави първата частна компания, преминала този праг, без никога да е била печеливша.

Оценките са крайно несъразмерни с действителните приходи. OpenAI генерира 10 милиарда долара годишни приходи през 2025 г. с оценка от 500 милиарда долара, което води до съотношение цена/продажби от 50. За сравнение, дори в разгара на дот-ком балона, малко компании са постигали подобни коефициенти. Anthropic се оценява на 170 милиарда долара с приходи от 2,2 милиарда долара, съотношение цена/печалба от приблизително 77. Тези цифри показват масивно надценяване.

Особено проблематична е развитата кръгова структура на финансиране. Nvidia инвестира 100 милиарда долара в OpenAI, която от своя страна е задължена да закупи чипове на Nvidia на стойност десетки милиарди долари. OpenAI сключи подобни сделки с AMD на стойност десетки милиарди долари. Microsoft инвестира над 13 милиарда долара в OpenAI и хоства инфраструктурата си на Azure. Amazon инвестира 8 милиарда долара в Anthropic, която в замяна използва AWS като основна облачна платформа и използва собствени AI чипове на Amazon.

Тези договорености зловещо напомнят за кръговото финансиране от края на 90-те години на миналия век, когато технологичните компании продаваха оборудване една на друга и осчетоводяваха транзакциите като приходи, без да генерират реална икономическа стойност. Анализаторите говорят за все по-сложна и непрозрачна мрежа от бизнес взаимоотношения, подхранваща бум от трилиони долари. Паралелите с дот-ком балона и финансовата криза от 2008 г. са безпогрешни: непрозрачни и неконвенционални механизми за финансиране, които са трудни за разбиране и оценка от инвеститорите.

Към това се добавя и концентрацията на капитал. „Великолепната седморка“, седемте най-големи технологични компании в САЩ, увеличиха потреблението си на енергия с 19% през 2023 г., докато средното потребление на компаниите от S&P 500 стагнира. Приблизително 80% от печалбите на фондовия пазар в САЩ през 2025 г. се дължат на компании, свързани с изкуствен интелект. Само Nvidia стана най-купуваната акция от индивидуалните инвеститори, които инвестираха почти 30 милиарда долара в производителя на чипове през 2024 г.

Тази изключителна концентрация носи системни рискове. Ако очакванията за възвръщаемост се окажат нереалистични, пазарният срив може да има дългосрочни последици. JPMorgan изчислява, че само емисиите на облигации с инвестиционен клас, свързани с изкуствения интелект, биха могли да достигнат 1,5 трилиона долара до 2030 г. Голяма част от този дълг се основава на предположението, че системите с изкуствен интелект ще генерират огромно увеличение на производителността. Ако това очакване не се материализира, надвисва кредитна криза.

Свързано с това:

• Мета залага всичко на суперинтелект: милиарди инвестиции, мегацентрове за данни и рискована надпревара в областта на изкуствения интелект

Войната за таланти и социалните катаклизми

Икономическото напрежение се проявява и на пазара на труда. Съотношението на свободните позиции в областта на изкуствения интелект към квалифицираните кандидати е 3,2 към 1. Има 1,6 милиона свободни позиции, но само 518 000 квалифицирани кандидати. Този изключителен недостиг довежда заплатите до астрономически висоти. Специалистите по изкуствен интелект могат да добавят десетки хиляди долари към годишния си доход, като придобият умения в Python, TensorFlow или специализирани рамки за изкуствен интелект.

Конкуренцията е жестока. Големи технологични компании, добре финансирани стартиращи компании и дори правителства се борят за една и съща малка група експерти. OpenAI преживя масово напускане на ръководители през последните месеци, включително съоснователя Иля Суцкевер и главния технологичен директор Мира Мурати. Много от тези талантливи хора стартират свои собствени стартиращи компании или се местят при конкуренти. Meta агресивно набира персонал от OpenAI, Anthropic и Google. Anthropic набира персонал от Meta и OpenAI.

Тази динамика има няколко последствия. Първо, тя фрагментира изследователския пейзаж. Вместо да работят за постигане на общи цели, малките екипи в различни организации се конкурират за едни и същи открития. Второ, тя увеличава разходите. Огромните заплати за специалистите по изкуствен интелект са устойчиви само за добре капитализирани компании, което изключва по-малките играчи от пазара. Трето, тя забавя проектите. Компаниите съобщават, че отворените позиции остават незаети с месеци, което нарушава сроковете за разработка.

Обществените последици се простират далеч отвъд технологичния сектор. Ако изкуственият интелект наистина представлява следващата индустриална революция, тогава е неизбежно мащабно преобразяване на пазара на труда. За разлика от първата индустриална революция, която засегна предимно физическия труд, изкуственият интелект е насочен към когнитивни задачи. Застрашени са не само простото въвеждане на данни и обслужване на клиенти, но потенциално и висококвалифицирани професии като програмисти, дизайнери, адвокати и журналисти.

Проучване на индустрията за управление на инвестиции прогнозира спад от пет процента в дела на доходите, базирани на труд, поради изкуствения интелект и големите данни. Това е сравнимо с промените по време на индустриалната революция, които причиниха спад от пет до 15 процента. Ключовата разлика е, че настоящата трансформация се осъществява в продължение на години, а не на десетилетия. Обществата имат малко време за адаптация.

Изчисления по време на тест и промяна на парадигмата

Докато законите за мащабиране за предварително обучение достигат своите граници, се появи нова парадигма: мащабиране на изчисленията по време на тест. Моделите o1 на OpenAI демонстрираха, че са възможни значителни подобрения в производителността чрез инвестиране на повече изчислителна мощност по време на извод. Вместо просто да увеличават размера на модела, тези системи позволяват на модела да обмисля заявка за по-дълго време, да използва множество подходи за решаването ѝ и да самопроверява отговорите си.

Изследванията обаче показват, че тази парадигма има и ограничения. Последователното мащабиране, при което моделът повтаря един и същ проблем многократно, не води до непрекъснати подобрения. Проучвания върху модели като Deepseeks R1 и QwQ показват, че по-дългите мисловни процеси не водят автоматично до по-добри резултати. Често моделът коригира правилните отговори на неправилни, а не обратното. Капацитетът за саморедакция, необходим за ефективно последователно мащабиране, е недостатъчно развит.

Паралелното мащабиране, при което едновременно се генерират множество решения и се избира най-доброто, показва по-добри резултати. И тук обаче пределната полза намалява с всяко удвояване на инвестираната изчислителна мощност. Ефективността на разходите спада бързо. За търговски приложения, които трябва да отговарят на милиони заявки на ден, разходите са непосилни.

Истинският пробив може да се крие в комбинирането на различни подходи. Хибридните архитектури, които комбинират Transformers с State Space Models, обещават да обединят силните страни и на двете. State Space Models като Mamba предлагат линейно мащабиране при извод, докато Transformers се отличават с улавянето на дългосрочни зависимости. Такива хибридни системи биха могли да ребалансират уравнението цена-качество.

Алтернативни архитектури и бъдещето след Трансформърс

Наред със световните модели, се появяват редица алтернативни архитектури, които биха могли да оспорят господството на Трансформърс. Моделите в пространството на състоянията постигнаха значителен напредък през последните години. S4, Mamba и Hyena демонстрират, че е възможно ефективно разсъждение в дълъг контекст с линейна сложност. Докато Трансформърс се мащабират квадратично с дължината на последователността, SSM постигат линейно мащабиране както при обучение, така и при извод.

Тези подобрения в ефективността биха могли да бъдат от решаващо значение, когато системите с изкуствен интелект се внедряват в производствени среди. Цената на извода често е била подценявана. Обучението е еднократна инвестиция, но изводът работи непрекъснато. ChatGPT никога не е офлайн. С милиарди ежедневни заявки, дори малки подобрения в ефективността водят до огромни икономии на разходи. Модел, който изисква половината от изчислителната мощност за същото качество, има огромно конкурентно предимство.

Предизвикателството се крие в узряването на тези технологии. Трансформаторите имат преднина от почти осем години и огромна екосистема от инструменти, библиотеки и експертиза. Алтернативните архитектури трябва да бъдат не само технически превъзходни, но и практически използваеми. Историята на технологиите е пълна с технически превъзходни решения, които се провалиха на пазара, защото екосистемата липсваше.

Интересното е, че китайската конкуренция също разчита на алтернативни подходи. DeepSeek V3, модел с отворен код с 671 милиарда параметъра, използва архитектура със смесени експерти, в която само 37 милиарда параметъра се активират на токен. Моделът постига сравнима производителност със западните конкуренти в бенчмаркове, но е обучен на част от цената. Времето за обучение е само 2,788 милиона часа на H800 GPU, значително по-малко от сравнимите модели.

Това развитие показва, че технологичното лидерство не е задължително да принадлежи на най-мощните финансово играчи. Умните архитектурни решения и оптимизации могат да компенсират ресурсните предимства. За глобалния пейзаж на изкуствения интелект това означава нарастваща многополярност. Китай, Европа и други региони разработват свои собствени подходи, които не са просто копия на западните модели.

Преоценката и неизбежният махмурлук

Сливането на всички тези фактори предполага предстояща преоценка на индустрията за изкуствен интелект. Настоящите оценки се основават на предположението за непрекъснат експоненциален растеж, както в производителността на моделите, така и в търговското им внедряване. И двете предположения стават все по-съмнителни. Производителността на моделите е в застой, докато разходите продължават да се покачват рязко. Въпреки че търговското внедряване нараства, монетизацията остава предизвикателство.

OpenAI, с оценка от половин трилион долара, ще трябва да нарасне до поне 100 милиарда долара годишни приходи и да стане печеливша през следващите години, за да оправдае оценката си. Това би означавало десетократно увеличение само за няколко години. За сравнение, на Google ѝ отне повече от десетилетие, за да нарасне приходите си от 10 милиарда до 100 милиарда долара. Очакванията за компаниите, занимаващи се с изкуствен интелект, са нереалистично високи.

Анализаторите предупреждават за потенциално спукване на балона на изкуствения интелект. Паралелите с дот-ком балона са очевидни. Тогава, както и сега, има революционна технология с огромен потенциал. Тогава, както и сега, има ирационално завишени оценки и кръгови финансови структури. Тогава, както и сега, инвеститорите оправдават абсурдните оценки, като твърдят, че технологията ще промени всичко и че традиционните показатели за оценка вече не са приложими.

Ключовата разлика: За разлика от много дот-ком компании, днешните фирми за изкуствен интелект всъщност имат работещи продукти с реална стойност. ChatGPT не е измислен продукт, а технология, използвана от милиони хора ежедневно. Въпросът не е дали изкуственият интелект е ценен, а дали е достатъчно ценен, за да оправдае текущите оценки. Отговорът най-вероятно е „не“.

Когато дойде преоценката, тя ще бъде болезнена. Фондовете за рисков капитал са инвестирали 70 процента от капитала си в изкуствен интелект. Пенсионните фондове и институционалните инвеститори са силно изложени на риск. Значителен спад в оценките на ИИ би имал дългосрочни финансови последици. Компаниите, които разчитат на евтино финансиране, внезапно биха се затруднили да набират капитал. Проектите биха били спрени, а персоналът би бил съкратен.

Дългосрочната перспектива и пътят напред

Въпреки тези мрачни краткосрочни перспективи, дългосрочният потенциал на изкуствения интелект остава огромен. Настоящата шумотевица не променя фундаменталното значение на технологията. Въпросът не е дали, а как и кога изкуственият интелект ще изпълни обещанието си. Преминаването на LeCun от краткосрочно разработване на продукти към дългосрочни фундаментални изследвания посочва пътя.

Следващото поколение системи с изкуствен интелект вероятно ще изглежда различно от днешните LLM. Те ще комбинират елементи от световни модели, алтернативни архитектури и нови парадигми за обучение. Ще разчитат по-малко на мащабиране с груба сила и повече на ефективни, структурирани представяния. Ще се учат от физическия свят, а не само от текста. И ще разбират причинно-следствената връзка, а не само корелациите.

Тази визия обаче изисква време, търпение и свобода за провеждане на фундаментални изследвания. Именно тези условия са трудни за постигане в настоящата пазарна среда. Натискът за постигане на бърз търговски успех е огромен. Тримесечните доклади и кръговете на оценка доминират в дневния ред. Дългосрочните изследователски програми, които може да отнемат години, за да дадат резултати, са трудни за оправдаване.

Решението на ЛеКун да основе стартъп на 65 години е забележително изявление. Той можеше да се пенсионира с всички почести и гарантирано място в историята. Вместо това той избра неравния път на преследване на визия, отхвърлена от мейнстрийма в индустрията. Мета ще остане партньор, което означава, че компанията му ще разполага с ресурси, поне първоначално. Но истинският ѝ успех ще зависи от това дали той може да демонстрира през следващите години, че Advanced Machine Intelligence наистина е по-добър.

Трансформацията ще отнеме години. Дори ако ЛеКун е прав и световните модели са фундаментално превъзходни, те все още трябва да бъдат разработени, оптимизирани и индустриализирани. Екосистемата трябва да бъде изградена. Разработчиците трябва да се научат как да използват новите инструменти. Компаниите трябва да мигрират от LLM към новите системи. Тези преходни фази исторически винаги са били болезнени.

От свръхреклама към реалност: Дългосрочният курс на действие в областта на изкуствения интелект

Напускането на Ян ЛеКун от Meta бележи повече от просто кадрова промяна. То символизира фундаменталното напрежение между научната визия и търговския прагматизъм, между дългосрочните иновации и краткосрочните пазарни изисквания. Настоящата революция в областта на изкуствения интелект е в повратна точка. Лесните успехи на мащабирането са изчерпани. Следващите стъпки ще бъдат по-трудни, скъпи и несигурни.

За инвеститорите това означава, че прекомерните оценки на настоящите шампиони в областта на изкуствения интелект трябва да бъдат критично разгледани. За компаниите това означава, че надеждата за бързи чудеса на производителността чрез изкуствен интелект може да се окаже неоправдана. За обществото това означава, че трансформацията ще бъде по-бавна и по-неравномерна, отколкото предполага вълната от реклами.

В същото време, основата остава стабилна. Изкуственият интелект не е мимолетна мода, а фундаментална технология, която ще трансформира почти всички сектори на икономиката в дългосрочен план. Паралелите с индустриалната революция са подходящи. Както тогава, ще има печеливши и губещи, ексцесии и корекции, сътресения и корекции. Въпросът не е дали трансформиращата се архитектура е достигнала края на възможностите си, а как ще изглежда следващата фаза и кой ще я оформи.

Залогът на ЛеКун върху усъвършенствания машинен интелект и световните модели е смел, но може да се окаже далновиден. След пет години ще знаем дали откъсването от мейнстрийма е било правилното решение или индустрията е запазила курса си. Следващите години ще бъдат от решаващо значение за дългосрочното развитие на изкуствения интелект и следователно за икономическото и общественото бъдеще.

Фокусни области в индустрията: B2B, дигитализация (от AI до XR), машиностроене, логистика, възобновяеми енергийни източници и промишленост

Повече информация тук:

• Експертен бизнес център

Тематичен център, предлагащ анализи и експертиза:

• Платформа за знания, обхващаща глобалните и регионалните икономики, иновациите и специфичните за индустрията тенденции
• Колекция от анализи, прозрения и обща информация от ключовите ни области на фокус
• Място за експертиза и информация за актуалните развития в бизнеса и технологиите
• Център за компании, търсещи информация за пазари, дигитализация и иновации в индустрията

☑️ Нашият бизнес език е английски или немски

☑️ НОВО: Кореспонденция на родния ви език!

 

Аз и моят екип с удоволствие ще бъдем на ваше разположение като ваш личен съветник.

Можете да се свържете с мен, като попълните формата за контакт тук wolfenstein@xpert.digital:или просто ми се обадите на +49 7348 4088 965. Моят имейл адрес е

Очаквам с нетърпение нашия съвместен проект.

 

 

☑️ Подкрепа за МСП в стратегията, консултирането, планирането и внедряването

☑️ Създаване или пренасочване на дигиталната стратегия и дигитализация

☑️ Разширяване и оптимизиране на международните процеси на продажби

☑️ Глобални и дигитални B2B търговски платформи

☑️ Pioneer Развитие на бизнеса / Маркетинг / PR / Търговски панаири

Xpert.Digital притежава задълбочени познания в различни индустрии. Това ни позволява да разработваме персонализирани стратегии, прецизно съобразени с изискванията и предизвикателствата на вашия специфичен пазарен сегмент. Чрез непрекъснат анализ на пазарните тенденции и наблюдение на развитието в индустрията, ние можем да действаме проактивно и да предлагаме иновативни решения. Комбинацията от опит и експертиза генерира добавена стойност и осигурява на нашите клиенти решаващо конкурентно предимство.

Повече информация тук:

• Възползвайте се от 5-те области на експертиза на Xpert.Digital в един пакет – от само 500 евро/месец