Відкриті моделі штучного інтелекту скорочують розрив із моделями закритого кордону вражаючими темпами: згідно з новим аналізом, проведеним дослідницькою компанією SemiAnalysis, з кожною наступною епохою великих мовних моделей відкритим моделям потрібно вдвічі менше часу, щоб наздогнати першу закриту модель тієї епохи.
Дослідження під назвою «Чи відкриті моделі наздоганяють?» і опублікований 21 серпня Еваном Клутьє, Максом Каном, Джорданом Наносом і Діланом Пателем, є однією з найбільш систематичних спроб кількісно визначити питання, що нависає над усією індустрією штучного інтелекту: якщо відкриті моделі залишаються майже такими ж потужними, як і закриті моделі за невелику частку вартості, чи мають прикордонні лабораторії довготривалий бізнес? Для детального висвітлення випусків моделей, що сприяють цій зміні, слідкуйте за AI Buzz Wire.
Три епохи Frontier AI
Автори стверджують, що історія LLM розпадається на три різні епохи — раннє масштабування, аргументація та агентна — кожна з яких представляє ступінчасте збільшення того, що моделі можуть робити корисно.
Їхня основна методологічна думка полягає в тому, що порівнювати моделі різних епох за допомогою одного еталонного показника є помилкою. Кожен еталонний тест є продуктом своєї епохи: він створений для виявлення відмінностей у можливостях, які існують на той час, потім піднімається виробниками моделей, доки він не насититься, після чого індустрія перестає піклуватися та рухається далі. Натомість команда SemiAnalysis провела підібрані набори тестів для моделей кожної епохи, щоб отримати зведену оцінку можливостей.
Якщо дивитися таким чином, то відкритий проти закритий розрив рухається циклами. На початку кожної ери передова лабораторія завершує багатообіцяючі дослідження, навчає вражаючу модель і стрибає вперед. Потім інші лабораторії визначають ключові досягнення, реконструюють їх і усувають прогалину. «Ніщо не залишається таємницею назавжди — особливо якщо взяти до уваги дистиляцію», — пишуть автори. «Питання лише в тому, скільки часу це займе».
Їхній аналіз цього питання призвів до головного висновку дослідження: з кожним поколінням моделям із відкритим вихідним кодом потрібно вдвічі менше часу, щоб наздогнати першу модель із закритим вихідним кодом ери.
Чому цей цикл виглядає інакше
У звіті прямо сказано про різницю між минулими моментами відкритої моделі та поточними. «Момент DeepSeek» у січні 2025 року потрапив у заголовки газет, але «ніхто насправді не використовував R1 для виконання будь-якої економічно цінної роботи», зазначають автори.
Навпаки, вони вказують на такі моделі, як GLM 5.3 і Kimi K3, як на те, що вони «справді здатні виконувати багато тих самих завдань програмування та агентування, які підняли Anthropic до 65 мільярдів доларів США + ARR» — це посилання на траєкторію доходу, яку виробник Claude забезпечив програмуванням та агентськими навантаженнями. Це твердження має особливу вагу, оскільки ці відкриті моделі — це не просто демонстраційне програмне забезпечення; вони розгортаються у виробництві для тих самих завдань, які генерують реальний дохід для закритих лабораторій.
Цифри використання посилюють зміну. За даними SemiAnalysis, Fireworks, постачальник висновків, який обслуговує багато відкритих моделей, зараз обробляє понад 40 трильйонів токенів на день — це вдвічі більше, ніж API OpenAI на кінець березня. Як стверджується у звіті, зараз «захоплюючий час бути споживачем токенів», і боротьба за токени виходить далеко за межі дуополії OpenAI–Anthropic.
Питання комерціалізації
Дослідження безпосередньо спрямоване на побоювання, які в деяких куточках називають FUD, що потужні, дешеві відкриті моделі повністю перетворять на товар модельний рівень, результат, який буде катастрофічним для прибутку передових лабораторій.
Публічна частина аналізу не дає повної відповіді, вказуючи читачам на платну модель фірми Tokenomics для детальної обробки фінансових показників OpenAI і Anthropic. Але напрямок руху зрозумілий: якщо відкриті моделі кожної ери надходять вдвічі швидше, ніж у попередню еру, вікно, коли закриті лабораторії можуть стягувати преміальні ціни за передові можливості, продовжує звужуватися.
Автори також застерігають від сприйняття цієї тенденції як смертного вироку для прикордонних досліджень. Вони пишуть, що контрольні показники «не дають повної інформації», а висновки звіту описуються як «менш ведмежі» щодо граничних моделей, ніж читачі можуть спочатку подумати — частково тому, що паритет базових тестів — це не те саме, що паритет у надійності, інтеграції продукту, розповсюдженні на підприємстві або капіталі, необхідному для обслуговування моделей у масштабі.
Чому це важливо
Для покупців результати підтверджують стратегію, яку вже прийняли багато підприємств: за замовчуванням використовувати відкриті або дешевші моделі для основної частини обсягу токенів, водночас залишаючи преміальні закриті моделі для найважчих завдань. Для лабораторій це кількісно оцінює тиск, з яким вони стикаються з двох сторін — відкриті моделі нижче та величезні витрати на обчислення вище.
А для екосистеми з відкритим кодом дані SemiAnalysis пропонують те, чого часто бракувало: докази, а не ідеологію того, що розрив скорочується за передбачуваним графіком. Якщо модель половини робочого часу збережеться в наступній ері передового ШІ, найціннішим питанням для галузі стане не те, чи наздоженуть відкриті моделі, а те, що залишиться обґрунтованим після того, як вони це зроблять.
Стежте за AI Race Open-Weight Читати більше новин AI →
