🖥 State of AI Report 2025: неочевидные вопросы и выводы

На прошлой неделе британская венчурная компания Air Street Capital опубликовала обзор тенденций в сфере ИИ «State of AI Report 2025». Отчет выпускается ежегодно с 2018 года и представляет собой один из самых комплексных обзоров, объединяющий анализ исследований, опыта индустрии, политики и безопасности ИИ.

Мы подготовили для вас 10 неочевидных инсайтов, которые нас удивили:

1️⃣ Какое направление исследований в области ИИ демонстрирует самый быстрый рост числа публикаций за 2025 год?
Наибольший прирост публикаций отмечен в области диффузионных LLM — число статей выросло на 85% за год . Это отражает быстрое развитие новых архитектур генерации текста и их конкурентоспособность с автогрессивными моделями. Diffusion LLM станут одним из ключевых направлений исследований и коммерческих разработок в ближайшие годы.

2️⃣ Насколько устойчивы успехи в области рассуждающих моделей?
Улучшения в моделях рассуждения остаются в пределах статистической дисперсии базовых моделей: многие «прорывные» методы показывают прирост ≤ 2% после многократного переобучения. Это указывает на то, что заявленные успехи могут быть следствием методических артефактов и небольшой выборки.

3️⃣ Насколько надежны бенчмарки для оценки прогресса развития ИИ?
Существующие бенчмарки показывают колебания до 15% при изменении "семян генерации" и параметров декодирования. Малые датасеты и вариативность реализации приводят к «псевдопрогрессу», не отражающему реальных улучшений.

4️⃣ Насколько эффективны текущие меры безопасности ИИ? Как быстро ИИ-модели обучаются взламывать системы?
Прогрессивные «протоколы безопасности» снижают число успешных атак лишь на 25%, несмотря на усилия по жесткой фильтрации данных. При этом способности ИИ к кибератакам удваиваются каждые 5 месяцев. Защитные механизмы часто отстают от темпов развития атакующих возможностей моделей.

5️⃣ Сколько стоит полностью отключить системы безопасности ИИ?
Отключение защитных «галстуков» (safety hooks) в 70 B-модели обходится менее чем в $5 с использованием простых матричных преобразований. Доступность таких уязвимостей делает системы крайне хрупкими даже при минимальных затратах.

6️⃣ Какой процент участников опроса ожидает достижение искусственного общего интеллекта (AGI) к 2030 году?
42% респондентов прогнозируют достижение AGI к 2030 г. при медиане прогноза – середина 2028 г.

7️⃣ Насколько выросла потребность в вычислительных ресурсах в академических и коммерческих лабораториях ИИ за последний год?
Спрос на вычислительные ресурсы вырос в 2025 г. в среднем на 65% в академии и 80% в индустрии. Основную нагрузку создают крупные LLM и симуляции сред для RL-агентов.

8️⃣ Какова текущая доля открытых ИИ-моделей в сравнении с проприетарными платформами по числу развертываний и пользовательскому трафику?
Открытые модели составляют 38% всех развертываний и генерируют 25% пользовательского трафика.

9️⃣ Каковы долгосрочные последствия концентрации ИИ-мощностей?
Частные компании контролируют теперь 80% глобальных ИИ-суперкомпьютеров (против 40% в 2019 г.). Уменьшение академического доступа может замедлить фундаментальные исследования и снизить их прозрачность.

🔟 Готовы ли энергетические системы к требованиям ИИ?
На тренировки топ-1 ИИ-суперкомпьютера к 2030 г. потребуется до 9 ГВт — эквивалент нескольких АЭС. Энергетическая инфраструктура пока не масштабируется в таком темпе, что создаёт серьёзные ограничения.

💬 Тест Тьюринга. События в сфере ИИ. Подписаться