У 2026 році ШІ перейде від хайпу до прагматизму | Ребекка Беллан і Рам Айєр, TechCrunch Якщо 2025 рік був роком, коли ШІ отримав перевірку атмосфери, то 2026 рік стане роком, коли технологія стане практичною. Увага вже зміщується від створення дедалі більших мовних моделей до більш складної роботи з забезпечення використання ШІ. На практиці це передбачає розгортання менших моделей там, де вони поміщаються, впровадження інтелекту у фізичні пристрої та розробку систем, які чітко інтегруються у людські робочі процеси. Експерти, з якими спілкувався TechCrunch, бачать 2026 рік як рік переходів, який еволюціонує від масштабування силою до дослідження нових архітектур, від яскравих демонстрацій до цільових розгортань, а також від агентів, що обіцяють автономію, до тих, що реально доповнюють роботу людей. Свято ще не закінчилося, але індустрія починає тверезіти. Закони про масштабування не допоможуть У 2012 році стаття Алекса Крижевського, Іллі Суцкевера та Джеффрі Хінтона на ImageNet показала, як системи ШІ можуть «вчитися» розпізнавати об'єкти на зображеннях, розглядаючи мільйони прикладів. Цей підхід був обчислювально дорогим, але став можливим за допомогою GPU. Результат? Десятиліття хардкорних досліджень у сфері ШІ, поки вчені винаходили нові архітектури для різних завдань. Це досягло апогею близько 2020 року, коли OpenAI запустила GPT-3, який показав, що просте збільшення моделі у 100 разів відкриває такі можливості, як програмування та логічне мислення, без необхідності спеціального навчання. Це ознаменувало перехід до того, що Кіан Катанфоруш, генеральний директор і засновник платформи агентів ШІ Workera, називає «епохою масштабування»: період, визначений вірою, що більше обчислень, більше даних і більші моделі трансформерів неминуче стануть основою наступних великих проривів у ШІ. Сьогодні багато дослідників вважають, що індустрія ШІ починає вичерпувати межі законів масштабування і знову перейде в епоху досліджень. Ян Лекун, колишній головний науковець Meta з ШІ, давно виступає проти надмірної залежності від масштабування та наголошує на необхідності розробки кращих архітектур. А Сутскевер у нещодавньому інтерв'ю сказав, що поточні моделі застрягли, а результати попереднього навчання знизилися, що свідчить про потребу в нових ідеях. «Я думаю, що найімовірніше за наступні п'ять років ми знайдемо кращу архітектуру, яка значно покращить трансформатори», — сказав Катанфоруш. «А якщо ні, не варто очікувати значного покращення моделей.» Іноді менше — це більше Великі мовні моделі чудово узагальнюють знання, але багато експертів вважають, що наступна хвиля впровадження корпоративного ШІ буде зумовлена меншими, більш гнучкими мовними моделями, які можна налаштувати для специфічних для галузевих рішень. «Тонко налаштовані SLM стануть головним трендом і стануть основою для зрілих AI-підприємств у 2026 році, оскільки переваги у вартості та продуктивності стимулюватимуть використання порівняно з готовими LLM», — сказав TechCrunch Енді Маркус, головний директор з даних AT&T. «Ми вже бачили, як бізнеси дедалі більше покладаються на SLM, бо при правильному налаштуванні вони відповідають більшим, узагальненим моделям за точністю корпоративних бізнес-додатків і є відмінними за вартістю та швидкістю.» Ми вже бачили цей аргумент у французькому стартапі Mistral з відкритою вагою: він стверджує, що його малі моделі насправді працюють краще за більші моделі на кількох бенчмарках після тонкого налаштування. «Ефективність, економічність і адаптивність SLM роблять їх ідеальними для індивідуальних застосувань, де точність є першочерговою», — сказав Джон Кніслі, стратег з ШІ в ABBYY, компанії з Остіна, що займається корпоративним ШІ. ...