Технологические компании проявляют интерес к экономично эффективным моделям искусственного интеллекта

Бум искусственного интеллекта основывался на одном основополагающем предположении: чем больше модель, тем способнее она, и именно самые мощные модели побеждают. Теперь индустрия стоит перед проблемой: что произойдет, когда это предположение начнет подвергаться сомнению?

Растущие затраты уже заставили пользователей пересмотреть вопрос о выборе более маленьких и дешевых моделей. Такой подход к выбору моделей, основанный на учете затрат, является новым, и пока неясно, как он повлияет на развитие индустрии — но его последствия, вероятно, будут значительными.

Один из прогнозов, наиболее четко сформулированный со-основателем Coinbase Брайаном Армстронгом, заключается в том, что подавляющее большинство задач будет выполняться с помощью более дешевых моделей.

“Спрос на искусственный интеллект практически безграничен, но уже в течение 12–18 месяцев 80% рабочих нагрузок будут выполняться с помощью моделей, которые на 99% дешевле”, — написал Армстронг в социальной сети X. “20% рабочих нагрузок по-прежнему будут выполняться с помощью самых современных моделей, для которых крайне важно максимизация их производительности”.

Трудно переоценить, насколько значительными будут последствия такого изменения для индустрии искусственного интеллекта, если прогноз Армстронга сбудется.

До сих пор большинство компаний в этой области конкурировали на основе качества своих продуктов, что означало использование самых передовых моделей. Если те же задачи можно будет выполнять с помощью более дешевых моделей без ущерба для качества, это приведет к значительным изменениям в экономике развития искусственного интеллекта. Кроме того, большая часть сэкономленных средств будет поступать непосредственно в карманы крупнейших компаний, что окажет серьезное финансовое воздействие на OpenAI и Anthropic на этапе подготовки их к публичному размещению акций.

Это потенциально революционное изменение для индустрии, которое зависит от одного важного вопроса: готовы ли компании перейти на использование более маленьких моделей?

Предварительные тесты показывают, что при правильной настройке более дешевые модели могут быть использованы без ущерба для качества. Недавний тест, проведенный компанией Harvey, специализирующейся на юридических приложениях искусственного интеллекта, показал, что затраты на обработку данных можно снизить в три раза без ухудшения качества. Тест был проведен в сотрудничестве с платформой Fireworks AI; для самых сложных задач использовалась модель Claude Opus в сочетании с GLM 5.1 от Fireworks. Результатом стало значительное снижение нагрузки на серверы и общих затрат.

“Качество всегда на первом месте, особенно в юридической сфере”, — сказал со-основатель Harvey Гейб Перейра в интервью TechCrunch. “Однако определение качества меняется: раньше главным критерием было использование самых мощных моделей, а теперь важно находить наиболее эффективные способы получения правильных результатов с помощью наилучших моделей”.

Часто эту тенденцию рассматривают как конфликт между крупнейшими исследовательскими центрами и китайскими или открытыми моделями, но это упускает из виду более важные аспекты. Реальное разделение происходит не между закрытыми и открытыми моделями, а между большими и маленькими моделями. Вы можете сэкономить деньги, перейдя с GPT-5.5 на V4Flash от DeepSeek, но такой же эффект можно достичь и с использованием GPT-5.4-mini.

Между внутренними решениями крупных компаний и независимыми открытыми моделями идет активная ценовая война. Что касается вопроса о преимуществах маленьких моделей по сравнению с большими, то на самом деле не так важно, какая именно маленькая модель окажется более эффективной.

Все это может показаться очевидным — конечно же, нет смысла использовать больше ресурсов, чем необходимо — но это противоречит подходу, основанному на первоочередном развитии масштабируемости, который доминировал в индустрии до сих пор. Под влиянием этого подхода исследовательские центры сосредоточили усилия на разработке самых ресурсоемких моделей, расширяя границы возможностей искусственного интеллекта. Поскольку затраты на разработку таких моделей в значительной степени финансировались инвесторами, клиентам не было причин выбирать что-то другое, кроме самых передовых решений.

С ростом цен на токены и сокращением государственных субсидий пользователи впервые сталкиваются с давлением затрат. Пока неизвестно, приведет ли это новое давление к переходу корпоративных пользователей на более маленькие модели. Вполне возможно, что они смогут сэкономить ресурсы, уменьшив количество запросов, использовать более короткие окна контекста или просто отказаться от наименее эффективных решений.

Но если окажется, что большинство задач можно выполнить с помощью маленьких моделей так же хорошо, как и с использованием более мощных, это может серьезно повлиять на рост спроса на услуги искусственного интеллекта и вызвать новые вопросы о целесообразности затрат на разработку передовых моделей.