Почему американские AI-компании уверены, что больше — значит лучше?

Американские компании в сфере искусственного интеллекта одержимы идеей масштабирования: чем больше модель, тем лучше. Однако эта стратегия вызывает все больше вопросов как у регуляторов, так и у инвесторов. В leaked-документе Министерства финансов США, полученном некоммерческой редакцией NOTUS, содержится предупреждение о рисках «горячей» экономики ИИ, которую сравнивают с пузырем доткомов начала 2000-х. В документе отмечается циклический финансовый характер отрасли, где ключевые игроки инвестируют друг в друга, создавая иллюзию устойчивого роста. Эти опасения особенно показательны на фоне администрации Трампа, которая заручилась поддержкой техноэлиты, пообещав смягчить регулирование ИИ.

Гигантомания в ИИ: почему крупные модели требуют огромных затрат

Современные лидеры ИИ — OpenAI, Anthropic и другие — вкладывают сотни миллиардов долларов в создание огромных, непрозрачных моделей общего назначения. Эти модели работают на основе архитектуры трансформеров, и их масштабирование действительно привело к впечатляющим результатам: появлению цепочки рассуждений, использованию инструментов и долгосрочному планированию. Эти «эмерджентные» способности часто возникают неожиданно и до конца не объяснены. Однако цена такого подхода колоссальна. Многие лаборатории работают в долг, субсидируя стоимость аренды моделей для предприятий и потребителей, чтобы поддерживать низкие цены за токен.

Предыстория и контекст: от доткомов до ИИ-пузыря

Параллели с доткомовым пузырем напрашиваются сами собой. В начале 2000-х интернет-компании тратили огромные средства на инфраструктуру и маркетинг, надеясь на будущую монетизацию, но многие из них обанкротились, когда инвесторы осознали отсутствие реальной прибыли. Сегодня ИИ-сектор демонстрирует схожие признаки: акции производителей чипов, таких как Nvidia, падают из-за сомнений в реальных темпах роста отрасли. Инвесторы начинают пересматривать бизнес-предложения ИИ-компаний, задаваясь вопросом: действительно ли гигантские модели оправдывают свои затраты?

Чем отличаются маленькие модели от больших?

Главный вопрос, который волнует бизнес: насколько большие модели превосходят маленькие? Оказывается, для большинства задач специализированные модели меньшего размера работают не хуже, а иногда и эффективнее. Они дешевле, быстрее и требуют меньше вычислительных ресурсов. Предприятия все чаще выбирают открытые или open-weight модели, которые можно дообучить под конкретные нужды, вместо того чтобы арендовать дорогие универсальные решения. Это подрывает основную бизнес-модель крупных лабораторий, которые делают ставку на монополию на «интеллект».

Технические подробности: как устроены гигантские модели

Современные большие языковые модели (LLM) содержат от десятков до сотен миллиардов параметров. Их обучение требует огромных кластеров GPU, работающих неделями, и стоит десятки миллионов долларов за один цикл. Однако после обучения модель необходимо постоянно дообучать и поддерживать, что добавляет операционные расходы. При этом значительная часть возможностей таких моделей — так называемые эмерджентные свойства — возникает только при достижении определенного порога масштаба, что делает гонку за размером еще более привлекательной для разработчиков.

Кого затронет и как: бизнес, инвесторы и потребители

Для бизнеса переход на маленькие модели означает снижение затрат на ИИ-инфраструктуру и большую гибкость. Однако это также может привести к замедлению внедрения инноваций, если крупные лаборатории потеряют стимул разрабатывать передовые решения. Инвесторы, вложившиеся в акции производителей чипов и самих лабораторий, рискуют потерять капитал, если пузырь лопнет. Потребители, с другой стороны, могут выиграть от более дешевых и доступных ИИ-сервисов, но столкнутся с ограничениями в функциональности. В России и странах СНГ тренд на маленькие модели особенно актуален из-за санкционных ограничений на поставки чипов: местные разработчики активно используют открытые модели, адаптируя их под свои задачи.

Что будет дальше: прогнозы и сценарии

Ожидается, что в ближайшие годы давление на крупные лаборатории усилится. Если инвесторы продолжат терять уверенность, финансирование может сократиться, что заставит компании искать новые бизнес-модели. Возможен сценарий, при котором лидеры рынка, такие как OpenAI и Anthropic, будут вынуждены пересмотреть свою стратегию в пользу более компактных моделей или перейти на подписочную модель с фиксированной ценой. В то же время рост популярности open-source моделей, таких как Llama от Meta, может демократизировать доступ к ИИ, снизив барьеры для входа.

Итог

Гигантомания в ИИ сталкивается с первыми серьезными вызовами: регуляторы бьют тревогу, инвесторы сомневаются, а бизнес голосует кошельком за маленькие модели. Будущее отрасли, вероятно, за балансом между мощными универсальными решениями и специализированными компактными моделями. Следить за развитием событий стоит всем, кто работает с ИИ или инвестирует в технологии, — следующие несколько лет определят, какой путь выберет индустрия.