В условиях стремительного развития технологий искусственного интеллекта вопрос о том, смогут ли открытые модели (Open Source / Open Weights) конкурировать с «закрытыми» гигантами вроде OpenAI и Anthropic, становится ключевым для всей индустрии. Лиша Ли из фонда a16z обсудила с исследователем ИИ и основателем Trillium Натаном Ламбертом структурные преимущества флагманских лабораторий и стратегии догоняющего развития, которые используют компании в Китае и сообщество разработчиков открытых моделей.
🚀 Три кита успеха: Вычислительные мощности, Данные и Таланты 0:00
Натан Ламберт считает, что прогресс ИИ-моделей сегодня напрямую зависит от концентрации трех видов капитала: вычислительных мощностей (compute), данных и человеческих талантов . В то время как таланты распределены по миру относительно равномерно, разрыв в доступе к «железу» становится критическим фактором.
По словам Ламберта, топовые лаборатории вроде Anthropic и OpenAI обладают огромным преимуществом в организации этих ресурсов . В частности, OpenAI продемонстрировала выдающиеся способности в создании новых парадигм, таких как модели рассуждения (reasoning models), изменив представление индустрии о законах масштабирования . Anthropic, в свою очередь, сосредоточилась на конкретных прикладных навыках, что привело к резкому скачку качества написания кода в модели Claude .
🇨🇳 Китайский феномен: Стратегия «быстрого последователя» 3:49
Китайские лаборатории, такие как Moonshot AI и Zhipu, выбрали путь выпуска открытых моделей не из альтруизма, а из практических бизнес-соображений . Ламберт утверждает:
- Дистрибуция как маркетинг: Публикация весов моделей позволяет китайским стартапам мгновенно войти в глобальную повестку и получить доступ к рынку США, где есть высокий платежеспособный спрос .
- Дефицит чипов: Главная проблема Китая — нехватка вычислительных ресурсов. Ламберт описывает реакцию ведущих китайских исследователей, когда они узнают, что рядовой сотрудник OpenAI может иметь доступ к 5000 GPU H100: «Их челюсти буквально падают на пол» .
- Государственное влияние: Натан опровергает мнение, что за каждым открытым релизом стоит правительство КНР; чаще всего это частная инициатива стартапов, пытающихся выжить в условиях жесткой конкуренции .
🧪 Дистилляция или кража: Как открытые модели догоняют лидеров 8:48
Существует мнение, что открытые модели сократили разрыв до 2–3 месяцев исключительно благодаря дистилляции — обучению на ответах более мощных закрытых моделей . Однако Ламберт считает этот процесс более сложным:
- Дистилляция как конкуренция: Ламберт цитирует главу NVIDIA Дженсена Хуанга, который на вопрос о «краже» данных через дистилляцию ответил: «Это называется конкуренцией» .
- Технологические сложности: Простого копирования ответов недостаточно. Ламберт отмечает, что многие разработчики открытых моделей до сих пор не могут превзойти старые версии Qwen, потому что не понимают тонкостей настройки гиперпараметров и состава обучающих данных .
- Утечка через API: Появление моделей, которые выдают «цепочки рассуждений» (tokens of thought), упрощает дистилляцию, так как конкуренты видят не только результат, но и логику модели .
📉 Экономика и будущее: Почему открытый ИИ победит в долгосрочной перспективе 19:24
Натан Ламберт описывает два разных цикла развития:
- Закрытые лаборатории: Интегрированы вертикально, захватывают высокомаржинальные рынки первыми, но требуют астрономических инвестиций .
- Экосистема открытых моделей: Развивается медленнее, так как информация между разработчиками, провайдерами инфраструктуры и клиентами течет дольше .
Однако в финале компании предпочитают владеть собственными весами моделей без кабальных условий API, чтобы работать со своими приватными данными на собственном «железе» . Это создает устойчивый спрос на открытые системы. Ламберт также прогнозирует резкое падение стоимости вычислений (на 50% каждые 8 месяцев в ближайшие три года), что через 4 года может снизить стоимость нынешнего уровня ИИ до 1% от текущей цены .
🌸 Лаборатория Trillium: Демистификация «самоулучшения» ИИ 31:29
Натан представил свою новую некоммерческую организацию Trillium, названную в честь лесного цветка, который цветет ранней весной до появления густой листвы на деревьях . Миссия лаборатории:
- Создание открытых сред: Разработка RL-окружений (для обучения с подкреплением), которые сейчас монополизированы корпорациями .
- Прозрачность RSI: Демистификация рекурсивного самоулучшения (Recursive Self-Improvement). Ламберт хочет показать, как именно ИИ автоматизирует работу самих исследователей .
- Борьба с «галлюцинациями» агентов: Документирование ошибок, которые совершают ИИ-агенты при выполнении рабочих задач, чтобы помочь регуляторам и ученым лучше понимать реальные риски .
🛡️ Безопасность и «Взрывной рост» (Takeoff) 55:03
В завершение дискуссии Ламберт выразил скепсис относительно сценариев «мгновенного взлета» ИИ, когда модель начинает бесконтрольно улучшать сама себя . Он подчеркивает, что все законы масштабирования показывают: для линейного роста способностей требуется экспоненциальный рост вычислений .
Главный риск, по мнению Натана, заключается не в самом появлении сильного ИИ (AGI), а в отсутствии подготовки общества к сопутствующим угрозам, таким как кибератаки . Он призывает к большей прозрачности и научному подходу в изучении возможностей моделей, чтобы общество могло подготовиться к изменениям, которые уже на пороге .
