AMI – Продвинутый машинный интеллект – Конец масштабирования: почему Ян Лекун больше не верит в степень магистра права

600 миллиардов за ошибочный подход? «Крёстный отец ИИ» делает ставку против LLaMA, ChatGPT и компании.

Это заявление прозвучало как гром среди ясного неба в технологической индустрии в ноябре 2025 года. Янн Лекун, один из трёх отцов-основателей глубокого обучения и главный научный сотрудник Meta, объявил о своём уходе после двенадцати лет работы в компании, чтобы основать собственный стартап. Это решение – нечто большее, чем просто личный выбор карьеры одного учёного. Оно знаменует собой фундаментальный поворотный момент в мировой индустрии искусственного интеллекта и обнажает растущий разрыв между краткосрочными рыночными интересами и долгосрочным научным видением.

Лекун, получивший премию Тьюринга в 2018 году вместе с Джеффри Хинтоном и Йошуа Бенджио, считается создателем сверточных нейронных сетей, которые сегодня составляют основу современных систем обработки изображений. Его уход совпал с тем, что вся индустрия инвестирует сотни миллиардов долларов в крупные языковые модели – технологию, которую Лекун годами называл фундаментальным тупиком. В своей новой компании 65-летний учёный намерен развивать то, что он называет «продвинутым машинным интеллектом» (Advanced Machine Intelligence) – радикально иной подход, основанный на моделях мира и ориентированный на физическое восприятие, а не на текст.

Экономические последствия этого развития колоссальны. Сама Meta инвестировала более 600 миллиардов долларов в инфраструктуру ИИ за последние три года. OpenAI достигла оценки в полтриллиона долларов, несмотря на годовой доход всего в десять миллиардов долларов. Вся индустрия движется в направлении, которое один из её крупнейших пионеров публично назвал тупиковым. Чтобы понять экономические последствия этого сдвига, необходимо глубоко изучить технические, организационные и финансовые структуры современной революции ИИ.

Подходит для:

• Meta инвестирует 600 миллиардов долларов США в создание инфраструктуры искусственного интеллекта в США.

Архитектура пузыря

Архитектура Transformer, представленная исследователями Google в 2017 году, преобразила сферу искусственного интеллекта беспрецедентными темпами. Этот подход впервые позволил эффективно обрабатывать огромные объёмы текста и обучать языковые модели с ранее недостижимыми возможностями. OpenAI развила эту концепцию в своей серии GPT, которая благодаря ChatGPT, выпущенной в ноябре 2022 года, впервые продемонстрировала широкой аудитории возможности этих технологий. Отклик был взрывным. В течение нескольких месяцев в отрасль поступили десятки миллиардов долларов.

Однако с конца 2024 года появляется всё больше признаков того, что это экспоненциальное развитие достигает своего предела. OpenAI разрабатывает преемника GPT-4, который внутри компании именуется Orion или GPT-5, уже более 18 месяцев. Сообщается, что компания провела как минимум два крупных учебных запуска, каждый из которых обошёлся примерно в 500 миллионов долларов. Результаты оказались отрезвляющими. Хотя GPT-4 показала значительный скачок производительности по сравнению с GPT-3, улучшения Orion по сравнению с GPT-4 незначительны. В некоторых областях, особенно в программировании, модель практически не демонстрирует прогресса.

Такое развитие событий фундаментально противоречит законам масштабирования, эмпирическим принципам, которыми до недавнего времени руководствовалась вся отрасль. Основная идея была проста: если увеличить размер модели, использовать больше данных для обучения и вложить больше вычислительной мощности, рост производительности будет подчиняться предсказуемой степенной функции. Этот принцип, казалось, был универсальным и оправдывал астрономические инвестиции последних лет. Теперь же оказывается, что эти кривые сглаживаются. Следующее удвоение инвестиций уже не даёт ожидаемого удвоения производительности.

Причин этому множество, и они технически сложны. Ключевая проблема — стена данных. GPT-4 обучался примерно на 13 триллионах токенов, что фактически соответствует всему общедоступному интернету. Для GPT-5 просто не хватает новых, высококачественных данных. OpenAI отреагировала на это, наняв разработчиков программного обеспечения, математиков и физиков-теоретиков для генерации новых данных путём написания кода и решения математических задач. Однако даже если бы 1000 человек публиковали по 5000 слов в день, для генерации всего одного миллиарда токенов потребовались бы месяцы. Масштабирование с использованием данных, сгенерированных человеком, просто не работает.

В качестве альтернативы компании всё чаще полагаются на синтетические данные, то есть данные, сгенерированные другими моделями ИИ. Но здесь таится новая опасность: коллапс модели. При рекурсивном обучении моделей на данных, сгенерированных другими моделями, небольшие ошибки накапливаются с течением поколений. В результате модели становятся всё более оторванными от реальности, а меньшинства в данных непропорционально исчезают. Исследование, опубликованное в журнале Nature в 2024 году, показало, что этот процесс происходит удивительно быстро. Таким образом, синтетические данные не являются панацеей, а скорее несут в себе значительные риски.

Энергетический переход и пределы роста

Помимо информационного барьера, существует второй, ещё более фундаментальный барьер: энергетический. Обучение GPT-3 потребляло около 1300 мегаватт-часов электроэнергии, что эквивалентно годовому потреблению 130 американских домохозяйств. GPT-4 требовало примерно в 50 раз больше, то есть 65 000 мегаватт-часов. Вычислительная мощность, необходимая для обучения крупных моделей ИИ, удваивается примерно каждые 100 дней. Эта экспоненциальная кривая быстро приводит к физическим ограничениям.

Центры обработки данных, обучающие и эксплуатирующие эти модели, уже потребляют столько же электроэнергии, сколько небольшие города. Международное энергетическое агентство прогнозирует, что потребление электроэнергии центрами обработки данных к 2026 году увеличится на 80% — с 20 тераватт-часов в 2022 году до 36 тераватт-часов в 2026 году. Основной движущей силой этого роста является искусственный интеллект. Для сравнения, один запрос в ChatGPT потребляет примерно в десять раз больше энергии, чем поиск в Google. Учитывая миллиарды запросов в день, это огромные цифры.

Такое развитие событий вынуждает технологические компании принимать радикальные меры. Microsoft уже заключила контракты с поставщиками атомной энергии. Meta, Amazon и Google инвестируют в общей сложности более 1,3 триллиона долларов в ближайшие годы в создание необходимой инфраструктуры. Однако эти инвестиции упираются в физические и политические ограничения. В США просто недостаточно энергетической инфраструктуры для обеспечения питания планируемых центров обработки данных ИИ. Аналитики оценивают, что проекты стоимостью 750 миллиардов долларов могут быть отложены к 2030 году из-за проблем с энергетической инфраструктурой.

К этому добавляется геополитический аспект. Энергопотребление в индустрии ИИ обостряет конкуренцию за ресурсы и увеличивает зависимость от ископаемого топлива. В то время как политики требуют климатической нейтральности, индустрия ИИ стимулирует рост потребления энергии. Эта напряженность будет обостряться в ближайшие годы и может привести к вмешательству регулирующих органов, ограничивающему рост отрасли.

Архитектурная стена и альтернатива ЛеКуна

Третий барьер, пожалуй, самый фундаментальный: архитектурная стена. Ян Лекун годами утверждал, что архитектура Transformer имеет неотъемлемые ограничения, которые невозможно преодолеть простым масштабированием. Его критика сосредоточена на фундаментальном принципе работы больших языковых моделей. Эти системы обучаются предсказывать следующее слово в последовательности. Они изучают статистические закономерности в огромных текстовых корпусах, но не развивают истинного понимания причинно-следственных связей, физических законов или долгосрочного планирования.

Лекун любит иллюстрировать эту проблему сравнением: четырёхлетний ребёнок усвоил больше информации о мире через визуальное восприятие, чем самые совершенные языковые модели — через текст. Ребёнок интуитивно понимает, что предметы не исчезают просто так, что тяжёлые предметы падают и что действия имеют последствия. У него формируется модель мира, внутреннее представление физической реальности, которое он использует для прогнозирования и планирования действий. У магистров права (LLM) этой фундаментальной способности нет. Они могут создавать впечатляюще связный текст, но не понимают мир.

Это ограничение снова и снова становится очевидным в практических приложениях. Если попросить GPT-4 визуализировать вращающийся куб, он не справится с задачей, с которой легко справится любой ребёнок. В сложных задачах, требующих многоэтапного планирования, модели регулярно терпят неудачу. Они не могут надёжно учиться на ошибках, поскольку каждая ошибка предсказания токена потенциально каскадируется и усиливается. Авторегрессионные модели обладают фундаментальной уязвимостью: ошибка на раннем этапе последовательности может испортить весь результат.

Альтернатива Лекуна — модели мира, основанные на архитектуре совместного встраивания (Joint Embedding Predictive Architecture). Основная идея заключается в том, что системы ИИ должны обучаться не посредством предсказания текста, а посредством прогнозирования абстрактных представлений будущих состояний. Вместо того, чтобы генерировать пиксель за пикселем или токен за токеном, система обучается сжатому, структурированному представлению мира и может использовать его для мысленного моделирования различных сценариев перед выполнением действий.

Под руководством Лекуна компания Meta уже разработала несколько реализаций этого подхода. I-JEPA для изображений и V-JEPA для видео демонстрируют многообещающие результаты. Эти модели изучают высокоуровневые компоненты объектов и их пространственные взаимосвязи, не прибегая к интенсивному сбору данных. Кроме того, их обучение значительно более энергоэффективно, чем обучение традиционных моделей. Идея заключается в объединении этих подходов в иерархические системы, способные работать на разных уровнях абстракции и в разных временных масштабах.

Ключевое различие заключается в природе процесса обучения. В то время как магистратура права (LLM) по сути занимается исключительно сопоставлением образов, модели мира нацелены на понимание структуры и причинно-следственных связей реальности. Система с надёжной моделью мира может предвидеть последствия своих действий, не выполняя их. Она может обучаться на нескольких примерах, поскольку понимает базовые принципы, а не просто поверхностные корреляции.

Организационная дисфункция и экзистенциальный кризис Меты

Однако уход Лекуна — это не только решение научного характера, но и результат организационных дисфункций Meta. В июне 2025 года генеральный директор Марк Цукерберг объявил о масштабной реструктуризации подразделений ИИ. Он основал Meta Superintelligence Labs, новое подразделение, заявленной целью которого является разработка искусственного интеллекта общего назначения. Его возглавил Александр Ван, 28-летний бывший генеральный директор Scale AI, компании по подготовке данных. Meta инвестировала 14,3 миллиарда долларов в Scale AI и переманила более 50 инженеров и исследователей из конкурентов.

Это решение перевернуло существующую структуру с ног на голову. Группа фундаментальных исследований ИИ Лекуна, потратившая годы на разработку PyTorch и первых моделей Llama, оказалась на обочине. FAIR была ориентирована на фундаментальные исследования с пяти-десятилетним горизонтом, в то время как новые лаборатории суперинтеллекта сосредоточились на разработке краткосрочных продуктов. Источники сообщают об усилении хаоса в отделах ИИ Meta. Недавно нанятые ведущие специалисты выражали недовольство бюрократией крупной корпорации, в то время как авторитет уже существующих команд становился всё меньше.

Ситуация ухудшилась из-за нескольких реструктуризаций всего за полгода. В августе 2025 года Superintelligence Labs была снова реорганизована, на этот раз разделившись на четыре подразделения: таинственную TBD-лабораторию для новых моделей, продуктовую команду, инфраструктурную команду и FAIR. В октябре последовала очередная волна увольнений, в результате которой около 600 сотрудников получили выходное пособие. Заявленная причина: снижение организационной сложности и ускорение разработки ИИ.

Эти постоянные реструктуризации резко контрастируют с относительной стабильностью конкурентов, таких как OpenAI, Google и Anthropic. Они указывают на фундаментальную неуверенность Meta в правильности стратегического направления. Цукерберг признал, что Meta отстаёт в гонке за доминирование в сфере искусственного интеллекта. Llama 4, запущенная в апреле 2025 года, оказалась разочарованием. Хотя модель Maverick продемонстрировала хорошую эффективность, она с треском провалилась в более длительных условиях. Появились обвинения в том, что Meta оптимизировала свои решения для бенчмарков, обучая модели на распространённых тестовых вопросах, искусственно завышая результаты.

Для Лекуна ситуация стала невыносимой. Его видение долгосрочных фундаментальных исследований противоречило давлению, связанному с необходимостью достижения краткосрочного успеха продукта. Тот факт, что он фактически подчинялся значительно более молодому Вану, вероятно, повлиял на его решение. В своей прощальной записке Лекун подчёркивает, что Мета останется партнёром в его новой компании, но посыл ясен: независимые исследования, которые он считает необходимыми, больше невозможны в рамках корпоративных структур.

Новое измерение цифровой трансформации с «Управляемым ИИ» (искусственным интеллектом) – платформа и решение B2B | Xpert Consulting - Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрять индивидуальные решения на основе ИИ.

Управляемая платформа ИИ — это ваш комплексный и простой в использовании пакет решений для искусственного интеллекта. Вместо того, чтобы разбираться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — часто в течение нескольких дней.

Краткий обзор основных преимуществ:

⚡ Быстрое внедрение: от идеи до внедрения в эксплуатацию — всего за несколько дней, а не месяцев. Мы предлагаем практичные решения, которые приносят мгновенную пользу.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются у вас. Мы гарантируем безопасную и соответствующую требованиям обработку данных без передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Высокие первоначальные вложения в оборудование, программное обеспечение или персонал полностью исключены.

🎯 Сосредоточьтесь на своей основной деятельности: сосредоточьтесь на том, что у вас получается лучше всего. Мы возьмём на себя всю техническую реализацию, эксплуатацию и обслуживание вашего ИИ-решения.

📈 Перспективность и масштабируемость: ваш ИИ растёт вместе с вами. Мы обеспечиваем постоянную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Подробнее об этом здесь:

• Управляемое решение на основе ИИ — промышленные услуги ИИ: ключ к конкурентоспособности в секторах услуг, промышленности и машиностроения

Экономическая анатомия образования пузырей

Развитие событий в Meta является симптомом более широкой экономической динамики в индустрии ИИ. После прорыва ChatGPT в конце 2022 года начался беспрецедентный инвестиционный бум. Только в первом квартале 2025 года в стартапы в сфере ИИ было вложено 73,1 млрд долларов, что составило 58% всех венчурных инвестиций. OpenAI достигла оценки в 500 млрд долларов, став первой частной компанией, преодолевшей этот рубеж, не получив при этом прибыли.

Оценки стоимости компании совершенно несоразмерны фактической выручке. В 2025 году OpenAI принесла 10 миллиардов долларов годового дохода при оценке компании в 500 миллиардов долларов, что соответствует коэффициенту цена/продажи 50. Для сравнения, даже на пике доткомовского пузыря мало кто из компаний достигал таких показателей. Anthropic оценивается в 170 миллиардов долларов при выручке в 2,2 миллиарда долларов и коэффициенте P/E около 77. Эти цифры указывают на серьёзную переоценку.

Особую проблему представляет сложившаяся круговая структура финансирования. Nvidia инвестирует 100 миллиардов долларов в OpenAI, что, в свою очередь, обязывает её закупить чипы Nvidia на десятки миллиардов долларов. OpenAI заключила аналогичные сделки с AMD на десятки миллиардов долларов. Microsoft инвестировала более 13 миллиардов долларов в OpenAI и разместила свою инфраструктуру в Azure. Amazon инвестировала 8 миллиардов долларов в Anthropic, которая, в свою очередь, использует AWS в качестве основной облачной платформы и использует собственные чипы Amazon для искусственного интеллекта.

Эти схемы пугающе напоминают циклическое финансирование конца 1990-х годов, когда технологические компании продавали друг другу оборудование и учитывали эти сделки как доход, не создавая никакой реальной экономической ценности. Аналитики говорят о всё более сложной и непрозрачной сети деловых отношений, подпитывающей триллионный бум. Параллели с пузырём доткомов и финансовым кризисом 2008 года очевидны: непрозрачные и нетрадиционные механизмы финансирования, которые инвесторам сложно понять и оценить.

К этому добавляется концентрация капитала. «Великолепная семёрка», семь крупнейших технологических компаний США, увеличила потребление энергии на 19% в 2023 году, в то время как медианное потребление компаний из индекса S&P 500 осталось на прежнем уровне. Примерно 80% прироста фондового рынка США в 2025 году пришлось на компании, связанные с ИИ. Только акции Nvidia стали самой покупаемой акцией среди розничных инвесторов, которые вложили в производителя чипов почти 30 миллиардов долларов в 2024 году.

Такая крайняя концентрация несёт системные риски. Если ожидания доходности окажутся нереалистичными, крах рынка может иметь далеко идущие последствия. По оценкам JPMorgan, объём эмиссии облигаций инвестиционного уровня, связанных с ИИ, может достичь 1,5 триллиона долларов к 2030 году. Значительная часть этой задолженности основана на предположении, что системы ИИ обеспечат значительный рост производительности. Если эти ожидания не оправдаются, наступит кредитный кризис.

Подходит для:

• Meta делает ставку на суперинтеллект: миллиардные инвестиции, гигантские центры обработки данных и рискованная гонка за искусственный интеллект

Война талантов и социальные потрясения

Экономическая напряжённость также проявляется на рынке труда. Соотношение открытых вакансий в сфере ИИ к числу квалифицированных кандидатов составляет 3,2 к 1. Открыто 1,6 миллиона вакансий, но квалифицированных кандидатов всего 518 000. Этот острый дефицит приводит к астрономическому росту зарплат. Специалисты по ИИ могут увеличить свой годовой доход на десятки тысяч долларов, освоив навыки работы с Python, TensorFlow или специализированными фреймворками для ИИ.

Конкуренция жестокая. Крупные технологические компании, хорошо финансируемые стартапы и даже правительства борются за одну и ту же небольшую группу экспертов. В последние месяцы OpenAI столкнулась с оттоком руководителей, включая соучредителя Илью Суцкевера и технического директора Миру Мурати. Многие из этих талантливых специалистов запускают собственные стартапы или переходят к конкурентам. Meta активно привлекает специалистов из OpenAI, Anthropic и Google. Anthropic набирает специалистов из Meta и OpenAI.

Такая динамика имеет несколько последствий. Во-первых, она фрагментирует исследовательский ландшафт. Вместо того, чтобы работать над общими целями, небольшие команды в разных организациях конкурируют за одни и те же прорывы. Во-вторых, это приводит к росту затрат. Огромные зарплаты специалистов по ИИ доступны только компаниям с хорошей капитализацией, что исключает с рынка более мелких игроков. В-третьих, это приводит к задержкам в реализации проектов. Компании сообщают, что открытые вакансии остаются незаполненными месяцами, что нарушает сроки разработки.

Социальные последствия выходят далеко за рамки технологического сектора. Если ИИ действительно представляет собой следующую промышленную революцию, то масштабные потрясения на рынке труда неизбежны. В отличие от первой промышленной революции, которая затронула преимущественно физический труд, ИИ нацелен на когнитивные задачи. Под угрозой оказываются не только простые задачи ввода данных и обслуживания клиентов, но и потенциально высококвалифицированные профессии, такие как программисты, дизайнеры, юристы и журналисты.

Исследование отрасли управления инвестициями прогнозирует снижение доли труда в доходах на 5% из-за развития искусственного интеллекта и больших данных. Это сопоставимо со сдвигами во время промышленной революции, которые привели к снижению на 5–15%. Ключевое отличие: текущая трансформация происходит годами, а не десятилетиями. У обществ мало времени на адаптацию.

Тестовые вычисления и смена парадигмы

В то время как законы масштабирования для предварительного обучения достигают своего предела, появилась новая парадигма: масштабирование вычислений во время тестирования. Модели OpenAI o1 продемонстрировали, что значительного повышения производительности можно добиться, инвестируя больше вычислительной мощности в процесс вывода. Вместо простого увеличения размера модели эти системы позволяют модели дольше обдумывать запрос, использовать несколько подходов к его решению и самостоятельно проверять свои ответы.

Однако исследования показывают, что эта парадигма также имеет ограничения. Последовательное масштабирование, при котором модель многократно итерирует одну и ту же задачу, не приводит к непрерывным улучшениям. Исследования таких моделей, как Deepseeks R1 и QwQ, показывают, что более длительные мыслительные процессы не приводят автоматически к лучшим результатам. Зачастую модель исправляет правильные ответы на неправильные, а не наоборот. Способность к самообновлению, необходимая для эффективного последовательного масштабирования, недостаточно развита.

Параллельное масштабирование, при котором одновременно генерируются несколько решений и выбирается лучшее, даёт лучшие результаты. Однако и здесь предельная выгода уменьшается с каждым удвоением вложенных вычислительных мощностей. Экономическая эффективность быстро падает. Для коммерческих приложений, которым необходимо отвечать на миллионы запросов в день, затраты становятся непомерно высокими.

Настоящий прорыв может заключаться в объединении различных подходов. Гибридные архитектуры, сочетающие Transformers с моделями пространства состояний, обещают объединить сильные стороны обоих подходов. Модели пространства состояний, такие как Mamba, обеспечивают линейное масштабирование при выводе, в то время как Transformers превосходно справляются с фиксацией долгосрочных зависимостей. Такие гибридные системы могут изменить соотношение стоимости и качества.

Альтернативная архитектура и будущее после «Трансформеров»

Наряду с моделями мира появляется ряд альтернативных архитектур, которые могут бросить вызов доминированию трансформеров. Модели пространства состояний достигли значительного прогресса в последние годы. S4, Mamba и Hyena демонстрируют возможность эффективного рассуждения в длинном контексте с линейной сложностью. В то время как трансформеры масштабируются квадратично с длиной последовательности, SSM достигают линейного масштабирования как при обучении, так и при выводе.

Такое повышение эффективности может иметь решающее значение при развертывании систем ИИ в производственных средах. Стоимость вывода часто недооценивается. Обучение — это единовременная инвестиция, но вывод выполняется непрерывно. ChatGPT никогда не отключается. При миллиардах ежедневных запросов даже небольшое повышение эффективности приводит к значительной экономии средств. Модель, требующая вдвое меньше вычислительной мощности для достижения того же качества, имеет огромное конкурентное преимущество.

Проблема заключается в зрелости этих технологий. Transformers имеет почти восьмилетнее преимущество и обширную экосистему инструментов, библиотек и опыта. Альтернативные архитектуры должны быть не только технически совершенными, но и практичными. История технологий полна технически превосходных решений, которые провалились на рынке из-за отсутствия экосистемы.

Интересно, что китайские конкуренты также полагаются на альтернативные подходы. DeepSeek V3, модель с открытым исходным кодом с 671 миллиардом параметров, использует архитектуру со смешанным набором экспертов, в которой на каждый токен активируется всего 37 миллиардов параметров. Модель демонстрирует сопоставимую с западными конкурентами производительность в бенчмарках, но её обучение обошлось в разы дешевле. Время обучения составило всего 2,788 миллиона часов работы графического процессора H800, что значительно меньше, чем у сопоставимых моделей.

Это развитие событий показывает, что технологическое лидерство не обязательно принадлежит наиболее финансово влиятельным игрокам. Грамотные архитектурные решения и оптимизация могут компенсировать ресурсное преимущество. Для глобального ландшафта ИИ это означает усиление многополярности. Китай, Европа и другие регионы разрабатывают собственные подходы, которые не являются простым копированием западных моделей.

Переоценка и неизбежное похмелье

Совокупность всех этих факторов свидетельствует о надвигающейся переоценке индустрии ИИ. Текущие оценки основаны на предположении о непрерывном экспоненциальном росте как эффективности моделей, так и коммерческого внедрения. Оба предположения становятся всё более сомнительными. Эффективность моделей стагнирует, а затраты продолжают стремительно расти. Несмотря на рост коммерческого внедрения, монетизация остаётся сложной задачей.

Компании OpenAI, оценённой в полтриллиона долларов, необходимо достичь годовой выручки не менее 100 миллиардов долларов и выйти на прибыльность в ближайшие годы, чтобы оправдать свою оценку. Это означало бы десятикратный рост всего за несколько лет. Для сравнения, Google потребовалось более десяти лет, чтобы увеличить выручку с 10 до 100 миллиардов долларов. Ожидания от компаний, занимающихся ИИ, нереалистично завышены.

Аналитики предупреждают о возможном крахе пузыря искусственного интеллекта. Параллели с пузырём доткомов очевидны. Тогда, как и сейчас, появляются революционные технологии с огромным потенциалом. Тогда, как и сейчас, существуют нерационально завышенные оценки и циклические структуры финансирования. Тогда, как и сейчас, инвесторы оправдывают абсурдные оценки, утверждая, что технологии изменят всё, а традиционные метрики оценки больше не применимы.

Ключевое отличие: в отличие от многих дотком-компаний, современные компании, занимающиеся ИИ, действительно предлагают работающие продукты с реальной ценностью. ChatGPT — это не пустая болтовня, а технология, которой ежедневно пользуются миллионы людей. Вопрос не в том, ценен ли ИИ, а в том, достаточно ли он ценен, чтобы оправдать текущие оценки. Скорее всего, ответ — нет.

Переоценка будет болезненной. Венчурные фонды вложили 70% своего капитала в ИИ. Пенсионные фонды и институциональные инвесторы серьёзно уязвимы. Значительное падение стоимости ИИ будет иметь далеко идущие финансовые последствия. Компании, полагающиеся на дешёвое финансирование, внезапно столкнутся с трудностями при привлечении капитала. Проекты будут остановлены, а персонал уволен.

Долгосрочная перспектива и путь вперед

Несмотря на эти мрачные краткосрочные перспективы, долгосрочный потенциал искусственного интеллекта остаётся огромным. Нынешняя шумиха не умаляет фундаментальной важности этой технологии. Вопрос не в том, оправдает ли ИИ свои ожидания, а в том, как и когда. Переход Лекуна от краткосрочной разработки продукта к долгосрочным фундаментальным исследованиям указывает путь.

Следующее поколение систем ИИ, вероятно, будет отличаться от сегодняшних LLM. Оно будет сочетать в себе элементы моделей мира, альтернативных архитектур и новых парадигм обучения. Оно будет меньше полагаться на масштабирование методом грубой силы и больше на эффективные, структурированные представления. Оно будет учиться на основе физического мира, а не только текста. И оно будет понимать причинно-следственные связи, а не только корреляции.

Однако это видение требует времени, терпения и свободы для проведения фундаментальных исследований. Именно эти условия трудно найти в нынешних рыночных условиях. Необходимость быстрого коммерческого успеха огромна. В повестке дня доминируют ежеквартальные отчёты и оценочные раунды. Долгосрочные исследовательские программы, результаты которых могут занять годы, сложно обосновать.

Решение Лекуна основать стартап в 65 лет — знаменательное заявление. Он мог бы уйти на пенсию со всеми почестями и гарантированным местом в истории. Вместо этого он выбрал тернистый путь реализации идеи, отвергнутой мейнстримом отрасли. Meta останется партнёром, а значит, у его компании будут ресурсы, по крайней мере, на начальном этапе. Но её реальный успех будет зависеть от того, сможет ли он в ближайшие годы доказать превосходство передового машинного интеллекта.

Трансформация займёт годы. Даже если Лекун прав и модели мира в своей основе превосходят ожидания, их всё равно необходимо разработать, оптимизировать и внедрить в промышленность. Экосистему необходимо построить. Разработчикам нужно научиться использовать новые инструменты. Компаниям необходимо перейти от программ магистратуры права (LLM) к новым системам. Эти переходные этапы исторически всегда были болезненными.

От шумихи к реальности: долгосрочный курс развития ИИ

Уход Яна Лекуна из Meta знаменует собой нечто большее, чем просто кадровые изменения. Он символизирует фундаментальное противоречие между научным видением и коммерческим прагматизмом, между долгосрочными инновациями и краткосрочными требованиями рынка. Текущая революция искусственного интеллекта переживает переломный момент. Легкие успехи масштабирования исчерпаны. Следующие шаги будут более сложными, дорогостоящими и неопределенными.

Для инвесторов это означает, что заоблачные оценки нынешних лидеров в области ИИ требуют критического анализа. Для компаний это означает, что надежды на быстрый рост производительности с помощью ИИ могут не оправдаться. Для общества это означает, что трансформация будет протекать медленнее и неравномернее, чем предполагает шумиха вокруг неё.

В то же время фундамент остаётся прочным. ИИ — это не мимолетное увлечение, а фундаментальная технология, которая в долгосрочной перспективе преобразует практически все секторы экономики. Параллели с промышленной революцией вполне уместны. Как и тогда, будут победители и проигравшие, эксцессы и исправления, потрясения и корректировки. Вопрос не в том, достигла ли архитектура преобразователя предела своих возможностей, а в том, как будет выглядеть следующий этап и кто будет его формировать.

Ставка Лекуна на передовой машинный интеллект и модели мира смелая, но может оказаться дальновидной. Через пять лет мы узнаем, было ли отход от мейнстрима правильным решением или же отрасль осталась верна выбранному курсу. Ближайшие годы будут иметь решающее значение для долгосрочного развития искусственного интеллекта и, следовательно, для будущего экономики и общества.

Наш опыт в развитии бизнеса, продажах и маркетинге в США — Изображение: Xpert.Digital

Отраслевые направления: B2B, цифровизация (от искусственного интеллекта до расширенной реальности), машиностроение, логистика, возобновляемые источники энергии и промышленность

Подробнее об этом здесь:

• Xpert Business Hub

Тематический центр с идеями и опытом:

• Платформа знаний о мировой и региональной экономике, инновациях и отраслевых тенденциях
• Сбор анализов, импульсов и справочной информации из наших приоритетных направлений
• Место для получения экспертных знаний и информации о текущих событиях в бизнесе и технологиях
• Тематический центр для компаний, желающих узнать больше о рынках, цифровизации и отраслевых инновациях

☑️ Наш деловой язык — английский или немецкий.

☑️ НОВИНКА: Переписка на вашем национальном языке!

Konrad Wolfenstein

Я был бы рад служить вам и моей команде в качестве личного консультанта.

Вы можете связаться со мной, заполнив контактную форму или просто позвоните мне по телефону +49 89 89 674 804 (Мюнхен) . Мой адрес электронной почты: wolfenstein ∂ xpert.digital

Я с нетерпением жду нашего совместного проекта.

☑️ Поддержка МСП в разработке стратегии, консультировании, планировании и реализации.

☑️ Создание или корректировка цифровой стратегии и цифровизации.

☑️ Расширение и оптимизация процессов международных продаж.

☑️ Глобальные и цифровые торговые платформы B2B

☑️ Пионерское развитие бизнеса/маркетинг/PR/выставки.

Воспользуйтесь преимуществами обширного пятистороннего опыта Xpert.Digital в комплексном пакете услуг | НИОКР, XR, PR и оптимизация цифровой видимости — Изображение: Xpert.Digital

Xpert.Digital обладает глубокими знаниями различных отраслей. Это позволяет нам разрабатывать индивидуальные стратегии, которые точно соответствуют требованиям и задачам вашего конкретного сегмента рынка. Постоянно анализируя тенденции рынка и следя за развитием отрасли, мы можем действовать дальновидно и предлагать инновационные решения. Благодаря сочетанию опыта и знаний мы создаем добавленную стоимость и даем нашим клиентам решающее конкурентное преимущество.

Подробнее об этом здесь:

• Используйте 5-кратный опыт Xpert.Digital в одном пакете — всего от 500 евро в месяц