Эпоха LLM трещит по швам: что будет дальше с искусственным интеллектом

Эпоха больших языковых моделей (LLM) подошла к точке, где прежняя траектория развития начинает давать сбои. Об этом говорят сразу два ключевых игрока индустрии: со‑основатель OpenAI и руководитель направления ИИ в Meta (запрещённая в РФ организация). Их позиция сходится в одном: текущая модель роста, основанная на простом масштабировании LLM, больше не работает так, как раньше, и индустрии предстоит переход к новому этапу развития.

В центре внимания — не отказ от LLM, а понимание их пределов и поиск следующего шага. Речь идёт о том, что существующий подход к созданию и улучшению моделей начинает «трещать по швам»: растут затраты, упираемся в ограничения данных и инфраструктуры, а качество уже не растёт так быстро, как при предыдущих поколениях систем.

Со‑основатель OpenAI и глава ИИ в Meta (запрещённая в РФ организация) указывают на несколько ключевых проблем, которые делают продолжение прежнего курса всё менее эффективным.

Во‑первых, масштабирование моделей достигает практических пределов. Каждое новое поколение LLM требует всё больше вычислительных ресурсов, энергии и инфраструктуры. Если раньше увеличение числа параметров и объёма обучающих данных давало заметный прирост качества, то теперь отдача от такого роста снижается. Индустрия сталкивается с ситуацией, когда вложения растут быстрее, чем улучшения в реальных сценариях использования.

Во‑вторых, становится очевидным ограничение по данным. Для обучения LLM уже использованы колоссальные массивы текстов, и собрать новые сопоставимые по объёму и качеству наборы данных всё сложнее. Это не только технический, но и юридический, и этический вопрос: источники данных, авторские права, приватность — всё это накладывает дополнительные ограничения на дальнейшее масштабирование.

В‑третьих, растёт разрыв между возможностями моделей и реальными потребностями пользователей. LLM хорошо справляются с генерацией текста и решением широкого круга задач, но в сложных, специализированных и критичных областях их поведение остаётся непредсказуемым. Это подталкивает к мысли, что одного лишь «раздувания» моделей недостаточно — нужны новые архитектурные и концептуальные решения.

Они сходятся в оценке: эпоха простого масштабирования LLM подходит к концу. Однако акценты у них различаются.

Один из них делает упор на том, что текущие модели уже продемонстрировали огромный потенциал, но для следующего качественного скачка нужны новые идеи. Он подчёркивает, что дальнейшее развитие ИИ потребует не только больших вычислительных мощностей, но и более глубокого понимания того, как устроено обучение, обобщение и «мышление» моделей. В центре внимания — переход от просто «больших» моделей к более «умным» и структурированным системам.

Другой акцентирует внимание на практической стороне: индустрия не может бесконечно наращивать размеры моделей и объёмы инфраструктуры. По его мнению, будущее — за более эффективными, специализированными и интегрированными системами, которые будут теснее связаны с конкретными задачами и продуктами. Он указывает, что LLM останутся важной частью экосистемы, но перестанут быть единственным и главным драйвером прогресса.

При этом оба сходятся в ключевом: текущая эпоха LLM — это важный, но переходный этап. Она показала, насколько мощным может быть подход на основе масштабирования, но одновременно выявила его пределы.

Из высказываний представителей вырисовывается несколько направлений, в которых может двигаться индустрия после «эпохи LLM».

Ожидается, что вместо одной огромной универсальной модели всё большую роль будут играть составные системы: связки из нескольких моделей, специализированных модулей и инструментов. LLM в таком сценарии становятся не конечным продуктом, а «ядром» или интерфейсом, который координирует работу других компонентов.

Это может включать:

Такой подход позволяет компенсировать ограничения LLM, делая системы более надёжными и управляемыми.

Следующий этап развития ИИ, по их мнению, будет связан не столько с ростом числа параметров, сколько с повышением эффективности. Это включает:

Цель — добиться лучшего качества без экспоненциального роста затрат. Это важно как для крупных компаний, так и для более широкого круга разработчиков и пользователей, которым нужны доступные и устойчивые решения.

Если ранние LLM были в первую очередь технологической демонстрацией, то теперь акцент смещается на практическую ценность. Лидеры индустрии ожидают, что ИИ будет всё теснее встраиваться в реальные рабочие процессы, сервисы и приложения.

Это означает:

В таком мире LLM становятся частью более широкой экосистемы, а не самостоятельным «чудо‑инструментом».

Оба спикера подчёркивают, что для следующего шага нужны не только инженерные, но и научные прорывы. Речь идёт о:

Это направление особенно важно для применения ИИ в чувствительных областях, где ошибки недопустимы.

Для рынка ИИ переход от «эпохи LLM» к следующему этапу означает смену приоритетов. Если раньше главным показателем прогресса было количество параметров и впечатляющие демо, то теперь на первый план выходят:

Для пользователей это может означать меньше «магии» и больше практичности. Вместо абстрактных обещаний универсального интеллекта — более понятные, встроенные в повседневные инструменты функции, которые решают конкретные задачи.

При этом сами LLM никуда не исчезают. Они остаются важной основой многих систем, но перестают быть единственным центром притяжения. Вокруг них формируется более сложная и зрелая экосистема.

Они сходятся в главном: нынешняя эпоха LLM — это не конец истории, а лишь один из этапов. Масштабирование больших языковых моделей позволило сделать огромный рывок, но одновременно показало, что у этого подхода есть пределы.

Дальше индустрии предстоит:

Эпоха LLM «трещит по швам» не потому, что технология исчерпала себя, а потому, что она подводит индустрию к необходимости следующего шага. И именно сейчас формируется понимание того, каким будет этот следующий этап — более сложным, более прагматичным и более ориентированным на реальную ценность.