Языковые модели научились строить миры — и всё ещё не видят, что построили

Обычная логика индустрии подсказывает, что проблема решается масштабом. Чем больше данных, вычислений и контекста получает модель, тем сложнее артефакты она создаёт. Снижение стоимости инференса только ускоряет этот процесс: согласно Stanford AI Index 2025, цена обработки уровня GPT-3.5 упала примерно с 20 долларов до 0,07 доллара за миллион токенов с ноября 2022-го по октябрь 2024 года — почти в 280 раз. Генерация становится дешёвой, а значит, персональные цифровые миры можно создавать практически по запросу.

А что если главным продуктом моделей теперь становится не артефакт, а среда? Именно на это указывает Андрей Карпати: LLM движутся от выпуска отдельных объектов к созданию гиперперсонализированных миров на лету. Такая модель не просто пишет сценарий или код уровня игры — она конструирует правила, персонажей, интерфейс и последовательность событий для конкретного человека. Мир меняется вместе с запросом, а не поставляется как заранее собранный файл.

Переворот в том, что рост созидательных возможностей не сопровождается ростом восприятия. Модель может сгенерировать приложение, симуляцию или виртуальный урок, но не обладает нативным каналом, чтобы войти в созданное пространство, увидеть ошибку и провести независимый аудит. Она проверяет результат через косвенные сигналы: тесты, обратную связь пользователя, отдельные инструменты зрения или другой вызов модели. Это не самонаблюдение, а инспекция через прокси. Поэтому следующий барьер — не ещё один слой генерации, а замкнутый цикл: создать, воспринять, сравнить с намерением и исправить. Пока такого цикла нет, персонализированный мир может быть убедительным снаружи и сломанным внутри.