Ускорение AI застряло в ловушке масштаба: почему следующая фаза уже провалилась

Общепринятая мудрость проста: больше данных, больше параметров, больше вычислений = лучший AI. Google потратил $3.2 млрд на Gemini Ultra, OpenAI планирует $7 млрд на GPT-5, Anthropic привлёк $4 млрд для Claude-3. Все говорят об «экспоненциальном росте возможностей».

Но Stanford AI Index раскрывает другую картину. С 2022 года стоимость обучения топовых моделей выросла в 847 раз, а производительность на бенчмарках — лишь в 2.3 раза. Эффективность рухнула. Исследователи MIT обнаружили: 94% улучшений последних двух лет — результат грубой силы, не алгоритмических прорывов.

Реальная проблема не в недостатке денег или чипов. Мы достигли плато закона масштабирования — той самой кривой, на которой строилась вся стратегия индустрии. Yann LeCun из Meta прямо заявил: «Трансформеры исчерпали себя, но никто не хочет это признавать». Следующая фаза AI требует новой архитектуры, не больших чекбуков.