Продолжая животрепещущую тему эффективного использования ИИ, решила поделиться мыслями по поводу книги «Сверхдержавы искусственного интеллекта» Кай-Фу Ли, которая вышла в 2018м году. Автор прогнозировал, что будущий мир ИИ-разработок будет биполярным: США продолжат совершать технологические прорывы, а Китай будет их масштабировать.
Прошло 8 лет. Прогноз сбылся, но только отчасти: ИИ превратился из набора специализированных алгоритмов в полноценную промышленную систему. И да, США действительно находятся в авангарде обучения моделей, но на уровне всего производственного стека технологическим суверенитетом они не обладают. Как, впрочем, и Китай. Потому что “под капотом” эффективной технологии находятся чипы, данные, энергоемкие дата-центры и внедрение в реальный бизнес.
🌍 Конкуренция бизнес-систем
Через пару лет GPT, Claude и DeepSeek не будут отличаться по качеству генерации, и основная ценность сместится к системе, выстроенной вокруг модели. В принципе, мы уже видим это в крупном бизнесе: одна компания одновременно использует несколько моделей под разные потребности, не пытаясь натянуть сову на глобус, создав единый инструмент.
Главным активом становится не модель, а система вокруг неё. Именно поэтому следующая ИИ-волна будет похожа на соревнование бизнес-систем, а не чат-ботов, к которым мы привыкли.
🧠 Дефицит уникальных данных
Первые этапы развития LLM были простыми: чем больше данных (параметров) - тем лучше результат. Но число качественных текстов, созданных человеком, конечно. Возникает новый дефицит: не данные, а уникальные данные.
Банковские транзакции, медицинские истории, данные с производства, лабораторные эксперименты, логистика - все идет в использование, чтобы получить конкурентное преимущество. А на рынок выходят узкоспециализированные модели, дообученные под конкретную область.
💰 Количество параметров не создает бизнес-ценности
Модель на 1 трлн параметров не обязательно лучше модели на 100 млрд, особенно если сужать ее применение до предметной области. Модели с большим числом параметров сильно галлюцинируют, если задавать им узкоспециализированные вопросы, а операционная нагрузка и SLA у них выше.
Именно поэтому новой метрикой оценки эффективности модели становится “экономика решения”. Компании хотят покупать не 1 трлн параметров, а решенную задачу.
♾️ Петля обратной связи
Бизнес, который просто использует GPT, находится в гораздо более слабой позиции, чем тот, который постепенно создает собственный цикл обучения на реальных данных. Модель можно использовать по API, GPU арендовать, веса скачать, а вот найти в открытом доступе реальные данные взаимодействия с моделью, историю её ошибок, исправлений и результатов - нет.
Поэтому очень важно создать цикл самообучения: бизнес-функция на базе LLM → взаимодействие с пользователем → данные → обучение модели → улучшение бизнес-функции.
🐘 Мы можем не замечать слона
Возвращаемся в 2018 год: трансформеры уже существуют, но мало кто делает на них ставку из-за специфики применения. Как и Кай-Фу Ли, который не понял, что через несколько лет именно они станут фундаментом новой ИИ-экономики. Сегодня мы точно также строим прогнозы вокруг объёма параметров, взаимодействия с агентами, оптимизации энергозатрат. Но, возможно, уже существует «мелочь», которая через те же несколько лет перевернёт всё. Как уже упомянутые трансформеры или CRISPR, который изначально обнаружили в йогуртовых бактериях.
Поэтому мой посыл довольно простой: не пытайтесь угадать, какая модель победит. Главное, кто сейчас создает и контролирует полный бизнес-цикл с петлей обратной связи. Именно это может стать главным конкурентным преимуществом ИИ-эпохи.
Занятно, что такая логика легко переносится с отдельных ИИ-продуктов на геополитику. И вот там, на мой взгляд, начинается самая интересная игра 😉