В течение последних двух лет результаты гонки в сфере искусственного интеллекта было легко оценить: чем крупнее модели, тем лучше результаты тестов, и лидером считалась та компания, которая могла заявить о своём превосходстве — по крайней мере, до следующего релиза.
Теперь такая система оценки начинает казаться неполной.
По мере того как компании переходят от тестирования ИИ к его использованию в реальных продуктах и рабочих процессах, речь уже идет не о том, чтобы использовать лучшую модель, а о том, чтобы получить доступ к той, которая лучше всего подходит для конкретной задачи, по разумной цене, с необходимыми данными и в выбранной среде.
Этот сдвиг открывает путь для нового вида конкуренции в сфере ИИ, в котором основное внимание уделяется не столько размеру модели, сколько маршрутизации, стоимости, управлению и вычислительным ресурсам.
«Сама по себе модель больше не является продуктом», — заявил CNBC, генеральный директор Perplexity, Аравинд Шринивас. «Продуктом является инфраструктура — система оркестрации, которая встраивает модель в очень мощную инфраструктуру и объединяет её со множеством инструментов».
Это означает, что продукты на базе ИИ превращаются в системы, способные решать, какую модель использовать, когда её использовать и какие внешние инструменты или корпоративные источники данных необходимы. Для задачи по обслуживанию клиентов, возможно, не потребуется самая дорогая модель. А для сложной задачи по программированию — может потребоваться. Рутинный внутренний рабочий процесс может выполняться на более дешёвой открытой модели. Более сложный этап может быть передан на более мощную модель.
«Ответ всегда заключается в том, чтобы использовать то, что лучше всего подходит для конкретной задачи», — сказал Шринивас.
На прошлой неделе компания Perplexity представила предварительную версию новой системы для своего продукта, предназначенного для использования на компьютерах, построенной на основе GLM 5.2 — открытой модели от китайской компании Z.ai. Система разработана таким образом, чтобы более дешёвая модель выполняла большую часть работы, а более мощная модель задействовалась только при необходимости.
Такой подход отражает более широкие изменения на рынке. Открытые модели, которые компании могут самостоятельно скачивать, настраивать и запускать, становятся всё более функциональными. Кроме того, их эксплуатация обходится дешевле, чем использование премиальных проприетарных моделей от крупнейших лабораторий в области ИИ.
Генеральный партнер Benchmark, Питер Фентон, заявил, что этот сдвиг может оказаться радикальным.
«Возможно, это противоположная точка зрения, которая становится общепринятой: мы считаем, что более 90% созданных токенов будут получены с помощью моделей с открытыми весами в течение следующих 18-24 месяцев, возможно, даже к концу года», — сказал Фентон в интервью CNBC.
Токены — это единицы данных, которые обрабатывают и генерируют модели ИИ.
«Я думаю, что маржа вывода, получаемая передовыми компаниями-разработчиками моделей, окажется под давлением, когда появится возможность использовать эти модели без наценки, которую они взимают, — при наличии достаточно хороших моделей с открытыми весами», — отметил Фентон.
Фентон отметил, что переход к открытым моделям связан не только с экономией средств. В некоторых случаях более компактные модели, настроенные под конкретную задачу, могут работать быстрее и демонстрировать более высокую производительность, чем более крупные модели общего назначения.
«Где и как они работают».
Именно по этой причине компания Benchmark инвестировала в Ollama — компанию, которая упрощает для разработчиков и предприятий процесс загрузки, запуска и управления открытыми моделями.
«Одно дело — откуда взята модель, где она была создана и обучена, — сказал генеральный директор Ollama, Джефф Морган. — Но для тех компаний, с которыми мы общаемся, гораздо важнее то, где она работает и как она работает».
Морган отметил, что решения Ollama используют более 85 % компаний из списка Fortune 500, в том числе компании из регулируемых отраслей, таких как авиация, страхование и здравоохранение. По его словам, многие компании начинают с небольших моделей, работающих в основном с собственными данными, а затем, по мере освоения технологии, переходят к более крупным открытым моделям.
Распространение открытых моделей также создает стратегический вызов для США. Многие из наиболее конкурентоспособных моделей с открытым весом разрабатываются в китайских лабораториях, включая Z.ai и DeepSeek. Это превратило ИИ с открытым исходным кодом в вопрос бизнеса, политики и национальной конкурентоспособности.
Шринивас заявил, что США должны поддерживать открытые модели, поскольку они делают ИИ более доступным и недорогим.
«Если вы хотите, чтобы преимущества ИИ стали широко доступны для малых предприятий в Америке и странах-союзниках США, то ИИ действительно должен стать гораздо более доступным по цене», — сказал Шринивас. «И открытый исходный код — единственный способ этого добиться».
Эта тенденция может также повлиять на масштабное строительство центров обработки данных, которое в настоящее время ведется во всей технологической отрасли. Нынешний бум в сфере ИИ основан на предположении, что спрос будет по-прежнему направляться в крупные облачные центры обработки данных, оснащенные высокопроизводительными чипами. Шринивас отмечает, что часть задач ИИ в конечном итоге может выполняться локально — на устройствах, принадлежащих потребителям или компаниям.
Это не устранит необходимость в дата-центрах, но может привести к появлению более гибридной системы ИИ, в которой рутинные задачи будут выполняться локально, а наиболее сложные задачи будут отправляться на более мощную модель в облаке.
Для инвесторов вопрос заключается в том, смогут ли крупнейшие лаборатории ИИ сохранить свою ценовую власть по мере совершенствования открытых моделей и того, как компании станут более избирательными в выборе используемых решений.
Добавить комментарий