Мощность вычислений становится дороже, приложения ИИ должны быть переработаны

1. Аппаратная капитализация: путь вычислительной мощности сужается

Структура затрат на применение ИИ изменилась. Логика конкуренции последних двух лет основывалась на безусловной вере в Закон масштабирования: модели становятся больше, параметров больше, GPU больше, контекст длиннее. Общие большие модели, такие как GPT и Claude, доказали эффективность этого пути при установлении интеллектуальной базы.

Но эта логика столкнулась с проблемами на уровне приложений из-за поставок аппаратного обеспечения, затрат на вывод и задержек в бизнесе.

Наиболее очевидное давление исходит от капитализации аппаратного обеспечения. Высококачественные GPU больше не являются обычными вычислительными ресурсами, а стали дефицитными активами. Основные аппаратные средства, такие как H100, H200 и новейшая серия B300, значительно подорожали по сравнению с началом года. В настоящее время рыночные цены выросли почти на 50%, некоторые модели даже имеют цену, но отсутствуют на рынке. За этим стоят сложные проблемы в цепочке поставок: нехватка производственных мощностей HBM, ограничения в передовых упаковках и экстремальные требования к мощности одного шкафа для электричества и теплоотведения в дата-центрах. Проблема вычислительной мощности больше не заключается в том, можем ли мы позволить себе GPU, это стало проблемой цепочки поставок, связанной с распределением энергии и сроками поставки.

Затраты на вывод также приближаются к красной линии прибыльности на уровне приложений. Чем мощнее модель, тем дороже одноразовый вывод; чем длиннее контекст, тем больше потребление токенов. В сценариях низкой частоты вопросов такие расходы еще приемлемы, но в высокочастотном бизнесе они быстро поглощают прибыль. Роботы выполняют десятки тысяч действий каждый день, системы обслуживания клиентов обрабатывают огромные объемы запросов, корпоративные агенты многократно вызывают инструменты — если каждое решение основывается на выводе мощной модели с длинным контекстом, бизнес-модель быстро перестанет работать.

Задержка — это еще одно жесткое ограничение. Складские роботы должны следовать за ритмом сборки, производственные линии должны соответствовать темпу, финансовые системы должны обрабатывать риски в реальном времени. Мощные модели могут проводить глубокий вывод в облаке, но физический мир не ждет. Продолжение наращивания вычислительной мощности может повысить пределы возможностей модели, но многим отраслям нужно не "всеобъемлющее усиление". Складские роботы должны захватывать более надежно, финансовый ИИ должен более точно оценивать риски, корпоративный ИИ должен выполнять процессы более надежно. Эти конкретные проблемы редко можно решить, просто вызвав еще большую модель.

Когда путь вычислительной мощности сужается, проблемы на уровне приложений уже не в том, "достаточно ли сильна модель", а в том, "где разместить сильную модель". Применение ИИ должно быть перестроено.

2. Логический разрыв: универсальные модели не могут напрямую заменить отраслевые системы

Способности нового поколения универсальных больших моделей очень сильны, но они по своей природе не знают о стоимости действий, границах процессов и последствиях неудач в какой-либо отрасли. Модели обладают статическими знаниями, тогда как отраслевым системам нужны динамические исполнения.

На складе, когда робот сталкивается с кучей объектов разной формы и беспорядочно расположенных, настоящая проблема не в распознавании названий объектов. Логика задачи заключается в следующем: застрял ли коробка с обувью в упаковочной бумаге? Следует ли захватывать сверху или сбоку? Легко ли она упадет после закрытия захвата? Нужно ли менять путь после первой неудачи? Универсальная модель знает определение "захвата", но не может напрямую обрабатывать физическую обратную связь в процессе захвата.

Финансовая система также сталкивается с аналогичными проблемами. Столкнувшись с колебаниями, пересказ новостей не имеет смысла. Система должна оценить: отразила ли цена эту новость? Нужно ли в реальном времени корректировать риск? Какие колебания являются просто шумом от алгоритма? Когда следует принудительно остановить торговый интерфейс?

Внутренние системы предприятий также сталкиваются с этой проблемой. Модель может генерировать идеальные бизнес-письма, но она не понимает внутреннего контроля доступа и связей процессов в компании. Если инструмент ИИ не знает, кто имеет право утверждать бюджет, какое действие вызовет последующие финансовые процессы, он не сможет войти в основную бизнес-деятельность. В области промышленного производства, если действия модели нестабильны, ритм нарушен, оборудование повреждено, система выходит из строя.

Узкое место отраслевого ИИ заключается в отсутствии "структуры исполнения", а не просто в нехватке интеллекта. Многие неудачные проекты ИИ рассматривают большие модели как универсальный интерфейс, надеясь решить все с помощью подсказок. Этот подход быстро выявляет свою уязвимость при обработке длинных задач и высокорисковых сценариев: удлинение цепочки задач может привести к неконтролируемым затратам, увеличение шагов может привести к увеличению задержек, и из-за отсутствия механизма обратной связи система не может восстановиться после неудачи в исполнении.

3. Пример Sereact: сокращение цепочки от восприятия до действия

В апреле 2026 года эта немецкая компания по разработке ИИ для роботов завершила финансирование серии B на сумму 110 миллионов долларов, возглавляемое Headline, с участием Bullhound Capital, Felix Capital и других. Sereact раскрыла, что эти средства будут использованы для разработки нового поколения "мозга" робота Cortex 2.0 и расширения на рынок Северной Америки. В настоящее время Sereact уже имеет более 200 систем, работающих в Европе, и выполнила более 1 миллиарда реальных захватов, при этом каждые 53 000 захватов требуется только одно удаленное вмешательство.

Это не просто соревнование по сумме. Sereact избежала пути чат-ботов и напрямую вошла в физическое исполнение: позволила механическим рукам выполнять стабильные захваты в условиях низкой освещенности, деформированной упаковки и серьезных препятствий.

Ее ключевая технология VLA (Vision-Language-Action) объединяет визуальный ввод, языковые команды и состояние робота в одну структуру исполнения, значительно сокращая цепочку от восприятия до действия.

Традиционные роботизированные системы обычно работают по модульному принципу: сначала распознается объект, затем понимается задача, и, наконец, планируется путь. В такой цепной структуре даже небольшое отклонение в визуальном распознавании — например, если глубина оценки отклоняется на 1 сантиметр — может привести к неудаче последующего планирования. На сложном складе каждый шаг зависит от независимых модулей, что делает их уязвимыми к разрывам.

Подход Sereact заключается в том, чтобы помещать изображения с места, команды и состояние робота в одну и ту же обучающую рамку. Выход модели больше не является текстовым объяснением, а напрямую передается в решения для управления:

• Координаты перемещения механической руки;
• Угол поворота захвата и момент закрытия;
• Как оперативно исправить неудачу действия.

Когда робот сталкивается с коробкой для обуви, он не помечает "это коробка для обуви", а принимает решение по задаче: закрывает ли упаковочная бумага путь? Является ли боковой захват более надежным, чем захват сверху? Эта короткая структура пути снижает потери в процессе передачи информации.

Но действия имеют физические последствия, поэтому также требуется World Model (модель мира). Но это не означает, что каждое действие должно проходить полное физическое моделирование, а представляет собой слой низкозатратного предварительного прогноза (Look-ahead Layer) для ключевых действий. Система будет предсказывать: не упадет ли захват? Не столкнется ли боковой захват? Устранение упаковочной бумаги заранее повысит ли вероятность успеха?

Эта структура заботится только о переменных, связанных с задачей, чтобы определить, "когда стоит потратить вычислительные ресурсы на размышления":

• Нижний уровень контроллера: обрабатывает высокочастотные, стабильные микронастройки;
• Средний уровень модели: обрабатывает стратегии захвата;
• Высший уровень планирования: активирует предсказательную модель для дополнительных расчетов только на узловых точках с высоким риском и большими затратами на действия.

Когда универсальный ИИ входит в отрасль, его необходимо реорганизовать в такую иерархическую структуру исполнения.

4. Пятиуровневая структура применимого ИИ

Реальный бизнес включает ввод, понимание, принятие решений, исполнение и обратную связь. Если все шаги передать одной большой модели, система быстро станет громоздкой. Применимый ИИ в конечном итоге будет разбит на пять уровней:

1. Уровень ввода: отвечает за получение внешней информации. Роботы анализируют изображения и позиции, финансовый ИИ следит за книгами заказов и данными на блокчейне, корпоративный ИИ смотрит на права документов. Этот уровень не отвечает за глубокое мышление, а только за стандартизированный сбор информации.
2. Уровень понимания: отвечает за интерпретацию намерений и согласование задач. Если пользователь говорит "обработать заказ", система должна перевести это в конкретные бизнес-цели: проверить запасы, сверить счета или обновить статус утверждения. Этот уровень должен подчиняться жестким отраслевым правилам.
3. Уровень принятия решений: обрабатывает неопределенности и планирование путей. Это место, где наиболее необходимо участие мощных моделей. Что делать в условиях неполной информации? Какой инструмент вызвать? Уровень принятия решений должен обрабатывать конфликтующие цели и риски исполнения.
4. Уровень исполнения: превращает решения в определенные действия. Перемещение механической руки, вызов API, подача на утверждение, выполнение переноса. На уровне исполнения важна стабильность. Многие действия лучше доверить правилам, контроллерам или фиксированным рабочим процессам, чтобы избежать "иллюзий".
5. Уровень обратной связи: фиксирует результаты исполнения и возвращает их в систему. Успешно ли выполнено действие? Сработал ли прогноз? Было ли вмешательство человека? Роль уровня обратной связи заключается в том, чтобы вернуть данные в систему. Без обратной связи ИИ просто инструмент; с обратной связью система понимает, какие сценарии требуют улучшения вывода, а какие процессы можно закрепить.

Дорогой мощный вывод используется только на действительно критических узлах принятия решений. Обычные действия выполняются напрямую, высокорисковые задачи требуют проверки, а повторяющиеся успешные процессы закрепляются в правилах.

5. Отраслевые примеры: границы реконструкции задач

Все отрасли стремятся использовать структурированный дизайн для снижения затрат на вычислительную мощность.

• Склад и логистика: от "распознавания" к "успеху действий" В логистике конкуренция больше не заключается в том, кто сможет распознать больше видов товаров. Цель этой структуры — позволить той же вычислительной мощности охватывать больше эффективных действий, а не передавать каждое захватывающее действие мощной модели. Система интегрирует ИИ на уровень управления, и большая модель вмешивается только в случае появления новых упаковок или сложных препятствий.
• Финансовая торговля: от "прогнозирования рынка" к "слоистой оценке рисков" Финансовый ИИ больше не предсказывает тенденции каждую секунду с помощью большой модели. Перестроенная система делится на три уровня: маленькая модель обрабатывает фильтрацию сигналов, движок правил выполняет остановку убытков, и только в случае сложных колебаний, таких как межрыночные взаимодействия, активируется большая параметрическая модель для глобальной оценки рисков.
• Корпоративный агент: от "генерации текста" к "передаче прав" Основное внимание корпоративного ИИ сосредоточено на решении целостности задач. Большая модель отвечает за анализ потребностей и разбиение задач, но каждое действие записи (например, изменение базы данных или отправка команды на перевод) должно проходить жесткую проверку состояния. Это обеспечивает возможность аудита, отката и отслеживания действий ИИ.
• Разработка программного обеспечения: от "генерации кода" к "автоматизированной инженерии" Хотя GPT может писать сложные фрагменты кода, настоящая узкая точка в эффективности заключается в отладке и развертывании. Новое поколение инструментов разработки интегрирует ИИ в процессы CI/CD, где модель не только генерирует код, но и анализирует журналы выполнения и автоматически переписывает их, уменьшая частоту ручной отладки.

6. Следующий этап: эффективность архитектуры определяет победителя

ИИ продолжит становиться сильнее, вычислительная мощность будет продолжать инвестироваться. Но акценты в конкуренции на уровне приложений изменились: раньше компании стремились подключить самые мощные модели, теперь же акцент делается на достижение стабильных бизнес-результатов с ограниченной вычислительной мощностью.

Подключение мощных моделей — это лишь получение возможностей, а превращение этих возможностей в бизнес-результаты — это реализация. Из примера Sereact мы можем извлечь уроки: дорогие выводы оставляем для ключевых решений, высокочастотные действия передаем быстрым модулям, а задачи с низкой ценностью — дешевым системам, реальные результаты продолжают накапливаться в обратной связи.

После дальнейшего роста цен на вычислительные мощности пространство для грубого вызова моделей станет меньше. Конкуренция на уровне приложений вернется к эффективности архитектуры:

• Меньше вызовов мощной модели — меньше затрат.
• Запись неудачных результатов обратно в систему — больше возможностей для улучшения.
• Чем лучше интегрированы правила и модели, тем стабильнее система.

Узкое место в индустрии ИИ не в недостатке интеллекта, а в отсутствии структуры исполнения. Большие модели задают верхний предел возможностей, в то время как многоуровневый дизайн приложений, обратные связи и контроль рисков определяют, сколько реальных бизнес-результатов может быть получено на единицу вычислительной мощности. В будущем модели нужно организовывать более умно.