Искусственный интеллект дорожает не потому, что становится умнее

Общепринятая версия проста: чем больше модель и чем дольше она обучается, тем лучше она рассуждает, пишет код и работает с изображениями. Именно поэтому технологические компании строят новые дата-центры, закупают ускорители и обещают пользователям следующий скачок качества. По данным отчёта «Индекс искусственного интеллекта Стэнфорда — 2024», обучение модели уровня «Джи-пи-ти-4» оценивалось примерно в 78 миллионов долларов, а обучение «Джемини Ультра» — уже в 191 миллион. В логике отрасли это не тревожный сигнал, а цена лидерства.

Но что, если масштаб — не двигатель инноваций, а способ замаскировать замедление алгоритмического прогресса? Тот же отчёт показывает, что передовые модели быстро сближаются на популярных тестах, а разрыв между лидерами сокращается. При этом стоимость вычислений растёт быстрее, чем способность систем решать новые задачи. Модель может набрать больше баллов на экзамене, но это не означает, что она надёжнее работает в реальном бизнес-процессе, где ошибка стоит денег, времени или репутации.

Переворот особенно заметен в экономике использования. Исследование Стэнфордского университета фиксировало резкое снижение стоимости генерации текста сопоставимого качества: с ноября 2022 года по октябрь 2023-го цена обработки миллиона токенов для модели уровня «Джи-пи-ти-3.5» упала более чем в 280 раз. Значит, ключевой прогресс происходит не только внутри гигантских моделей. Он приходит через оптимизацию, малые специализированные системы и более дешёвое применение уже известных методов. Пока корпорации спорят, кто построит самый дорогой кластер, рынок учится обходиться меньшим количеством вычислений.

Это меняет смысл гонки. Если качество можно получать за счёт компактных моделей, кэширования, дообучения и специализированных наборов данных, то многомиллиардные проекты становятся не доказательством технологической необходимости, а ставкой на инфраструктурное превосходство. Победит не тот, кто соберёт самый большой искусственный мозг, а тот, кто заставит систему приносить пользу при меньшей цене ошибки и меньшем потреблении ресурсов.