Как быстро масштабируется ИИ?
Главный двигатель прогресса ИИ — это чистый масштаб, объём вычислений, затрачиваемых на обучение каждой новой модели. На логарифмической шкале этот рост выглядит ошеломляюще и неумолимо. Изучите модели, отмечающие кривую, и увидите, насколько быстро движется фронтир.
Вычислительные мощности — не вся история (алгоритмы и данные тоже важны), но именно они оставались самым надёжным предсказателем новых возможностей. Когда входные данные системы вырастают в сто миллионов раз за чуть больше десятилетия и никто до конца не понимает, что откроет следующий стократный рост, фраза «разберёмся с безопасностью по ходу» превращается в очень крупную ставку.
Эта тенденция также переосмысливает гонку: эффективные модели вроде китайской DeepSeek-V3 достигли производительности, близкой к передовой, с долей заявленных вычислений — напоминание, что способность становится дешевле, а не просто больше.
Показатели вычислительных затрат на обучение — это оценки, в основном из Epoch AIБаза данных известных моделей, выраженных в операциях с плавающей запятой (FLOP). Лаборатории редко раскрывают точные цифры, поэтому последние пограничные значения являются приблизительными и показаны для иллюстрации. Закрытые лабораторные системы, выпущенные после середины 2025 года, в том числе .GPT-5..6, GPT-6 Astra и .Claude. Fable, опускаются, когда Epoch не опубликовала оценку обучения. Находка, которая держится, является тенденцией, а не какой-то одной точкой.
Показанное время удвоения вычислено на основе построенных моделей, поэтому оно отражает эту отобранную выборку, а не всю область.