Яркие цифры из отчёта Stanford HAI
Недавний доклад Stanford HAI AI Index 2026 изобилует впечатляющими данными. Многие из них подтверждают интуитивные ощущения, например, что США форсируют развитие ИИ активнее остальных: в стране насчитывается 5427 дата-центров, и их число продолжает расти. Это превышает показатели любой другой страны более чем в десять раз.
Отчёт также подчёркивает узкие места в цепочке поставок аппаратного обеспечения, от которого зависит ИИ-индустрия. Самый удивительный факт: почти все передовые чипы для ИИ производит одна компания TSMC на единственной фабрике в Тайване. Глобальная инфраструктура полностью зависит от этого производства.
Противоречия определяют текущее состояние ИИ
Основной вывод доклада заключается в том, что современный ИИ пронизан несоответствиями. Следя за новостями, легко получить эмоциональное сотрясение: ИИ — это золотая лихорадка, ИИ — мыльный пузырь, ИИ крадёт рабочие места, ИИ не в силах даже разобрать часы. Отчёт приводит пример: топовая модель рассуждений от Google DeepMind Gemini Deep Think получила золотую медаль на Международной математической олимпиаде, но правильно читает аналоговые часы лишь в половине случаев.
Глубокий разрыв между специалистами и публикой
Самое заметное расхождение наблюдается между экспертами и обычными людьми. Авторы доклада пишут: эксперты в ИИ и широкая публика по-разному видят будущее технологии. О влиянии на рабочие места позитивно настроены 73% американских специалистов против 23% населения — разница в 50 процентных пунктов. Похожие расхождения есть по экономике и здравоохранению.
Это колоссальный разрыв. В чём секрет? Что знают эксперты, чего лишена публика? Под экспертами понимают исследователей из США, принимавших участие в ИИ-конференциях 2023 и 2024 годов.
Разный опыт формирует разные взгляды
Одна из причин кроется в отличиях опыта. Софтверный разработчик недавно отметил в X: уровень восторга от ИИ прямо пропорционален тому, как часто вы применяете его для написания кода. Звучит как шутка, но близко к истине.
Текущие модели ведущих лабораторий достигли пика в генерации кода. Такие технические задания имеют чёткие верные или неверные исходы, поэтому их проще осваивать моделям по сравнению с более свободными задачами. Кроме того, кодогенерирующие модели окупаются, вот производители и вкладывают в них огромные ресурсы.
Те, кто задействует эти инструменты в программировании или других техпроцессах, сталкиваются с ИИ на пике его возможностей. За пределами таких сценариев картина неоднозначная. Большие языковые модели по-прежнему ошибаются в простых вещах. Это явление получило название «рваная граница»: модели мастерски решают одни задачи и спотыкаются на других.
Наблюдения Андрея Карпати
Влиятельный специалист по ИИ Andrej Karpathy тоже высказался по теме. В ответ на тот пост в X он указал на растущий разрыв в оценке способностей ИИ. Продвинутые пользователи — те, кто работает с большими языковыми моделями в кодинге, математике или исследованиях — всегда в курсе свежих релизов и готовы платить 200 долларов в месяц за топовые варианты. «Прогресс в этих сферах за минувший год просто поразительный», — подчеркнул он.
Модели эволюционируют так стремительно, что платный Claude Code — это уже иная технология по сравнению с бесплатной Claude, которую кто-то тестировал полгода назад для организации свадьбы. Эти группы просто не пересекаются в восприятии.
Две реальности ИИ
К чему это приводит? Сосуществуют две картины. ИИ действительно превосходит ожидания многих людей. При этом он остаётся слабым в куче повседневных дел, важных для большинства, и так может продолжаться. Любые прогнозы будущего стоит строить с учётом обеих сторон.