Ждать ли технологического прорыва

Взгляните на привычные атрибуты повседневности: персональные компьютеры, всемирную паутину, авиацию, антибактериальные препараты, атомную энергетику и космические аппараты. Практически все они берут начало в первой половине двадцатого столетия или чуть позже. Даже современный смартфон представляет собой удачную интеграцию транзисторов, жидких кристаллов, автономных источников питания и беспроводной связи, придуманных десятилетия назад. На протяжении последних сорока-пятидесяти лет человечество занимается не столько принципиальными открытиями, сколько шлифовкой и адаптацией того технологического базиса, что сформировался в середине прошлого века.

Индустрия высоких технологий здесь не исключение. Масштаб научных и инженерных прорывов середины XX века оказался настолько грандиозным, что мы до сих пор эксплуатируем те самые наработки. Искусственный интеллект и нейронные сети возникли задолго до появления OpenAI, Google, Anthropic и всеобщего стремления внедрить ИИ в каждый продукт.

Открытия становятся дорогими и рискованными

Мысль о том, что технологический прогресс уперся в невидимый барьер, далеко не нова. Еще в 2014 году журналист Майкл Хэнлон в программном эссе «The golden quarter» утверждал, что фундамент современного мира сформировался в узком временном промежутке между 1945 и 1971 годами, после чего темпы инноваций ощутимо снизились. И в этом есть доля правки: современные пассажирские авиалайнеры во многом копируют машины шестидесятых, а время перелета из Лондона в Нью-Йорк осталось ровно таким же, каким было в 1971 году. Хэнлон связывает этот тормозящий эффект с ростом неприятия рисков в обществе: амбициозные и потенциально опасные проекты полувековой давности сегодня вряд ли прошли бы согласование из-за их астрономической стоимости и туманной экономической отдачи.

Аналогичные суждения высказывали видные экономисты Тайлер Коуэн, Питер Тиль и Роберт Гордон. Их концепция, известная как «гипотеза великой стагнации», утверждает, что научно-техническое развитие существенно замедлилось примерно с 1970 года.

Эту теорию подкрепляют и количественные метрики. Физик Дидье Сорнетт, проанализировав исторические энциклопедии научных достижений через индекс «потока идей», зафиксировал устойчивое падение продуктивности исследований, несмотря на многократное увеличение числа ученых. Масштабное исследование в журнале Nature, охватившее 45 миллионов научных статей и 4 миллиона патентов за шестьдесят лет, продемонстрировало обвал индекса «прорывности» более чем на 90% для публикаций и почти на 80% для патентов. Разумеется, это не означает, что человечество разучилось изобретать. Просто ученые и инженеры все глубже детализируют уже известные направления, вместо того чтобы открывать абсолютно новые горизонты.

Конечно, часть аудитории закономерно возразит — подобно тому, как это делает Адам Хант в статье «There was no great stagnation». Он аргументирует свою позицию тем, что классические экономические показатели не способны адекватно оценить эффект от новейших технологических драйверов, а сама стагнация может быть лишь следствием несовершенства измерительных инструментов. Дискуссия в конечном счете сводится к извечному вопросу: уперлись ли мы в потолок из-за нехватки смелости и финансирования рискованных инициатив, или же мы столкнулись с объективным исчерпанием легкодоступных научных плодов, которые не удастся компенсировать никакими бюджетами.

Сделаем то же самое, только побольше

С точки зрения физики современный вычислитель базируется на архитектуре фон Неймана и полупроводниковых транзисторах — то есть на концепциях сороковых годов прошлого века. Все последующие архитектурные находки (конвейерная обработка, многоуровневое кеширование, многоядерность, расширенные шины) являются лишь инженерной оптимизацией единой идеи: заставить электроны двигаться быстрее и плотнее упаковать миниатюрные ключи на кремниевой подложке.

Закон Мура долгое время вуалировал эту тенденцию, создавая иллюзию качественного рывка за счет экстенсивного масштабирования. Сегодня же, когда технологический процесс вплотную приблизился к атомным масштабам кремния и столкнулся с эффектом квантового туннелирования и колоссальным тепловыделением, индустрия перешла к чисто экстенсивным методам.

Разгонять одиночные процессорные ядра становится невыгодно, поэтому производительность наращивают за счет увеличения их количества. Возникла потребность в массовых параллельных вычислениях для ИИ? Инженерам проще масштабировать число CUDA-ядер и объем видеопамяти, объединяя несколько GPU в кластеры, нежели изобретать принципиально новую вычислительную парадигму.

Безусловно, попытки вырваться за рамки предпринимаются регулярно, но они упираются в те же барьеры: высокую стоимость и отсутствие гарантий успеха. Термоядерная энергетика, квантовые компьютеры, фотонные процессоры, нейроморфные чипы и ДНК-хранилища — все эти направления имеют давнюю историю. К примеру, концепция квантовых вычислений была математически описана Ричардом Фейнманом и Юрием Маниным еще на заре 1980-х.

Правда, к середине 2026 года индустрия сместила фокус с простого наращивания кубитов на задачи коррекции ошибок (Google Willow, QuEra). Инвестиции в квантовые стартапы кратно увеличились, однако даже самые оптимистичные прогнозы отодвигают появление практически применимых квантовых систем к 2028 году, а массовое внедрение стабильных платформ ожидается лишь в следующем десятилетии. Причем даже в случае успеха такие машины останутся узкоспециализированными сопроцессорами для моделирования молекулярных структур, оптимизационных задач и криптоанализа, а не универсальными суперкомпьютерами.

Фотоника также не является принципиальным нововведением. Если говорить просто, это попытка заменить движущийся электрон на фотон света внутри микросхемы, что обеспечивает высокую скорость передачи данных при минимальном тепловыделении. Для этого направления 2026 год стал переломным: такие компании, как Q.ANT, начали коммерческие поставки фотонных ускорителей в форм-факторе PCIe для стандартных серверов. Аналитики прогнозируют, что к 2028–2030 годам эти чипы возьмут на себя до 90% ресурсоемких матричных вычислений. Тем не менее, это лишь апгрейд физического носителя сигнала в рамках привычной архитектуры, а не переосмысление самой модели вычислений.

Схожая судьба у нейроморфных процессоров. Идея искусственного кремниегого нейрона, имитирующего биологические импульсы, обсуждалась еще Карвером Мидом в 1980-х годах. Всплеск интереса к ним сегодня обусловлен исключительно катастрофическим ростом энергопотребления классических нейросетей. Аналогичная ситуация наблюдается с ДНК-накопителями: экспериментальное кодирование информации в цепочках нуклеотидов было продемонстрировано еще в 2012 году. И хотя теоретическая плотность записи поражает воображение (один грамм ДНК способен вместить сотни эксабайт), процессы чтения и записи остаются непомерно дорогими и медленными по сравнению с магнитными носителями, оставляя технологию на стадии пилотных проектов.

Снижаем цены на выделенные серверы в реальном времени

Успейте арендовать со скидкой до 35%, пока лот не ушел другому.

Подробнее →

А что с программированием

На первый взгляд, регулярное появление новых языков программирования свидетельствует о непрерывном прогрессе. Однако если отбросить синтаксический сахар и обратиться к концептуальной базе, выяснится, что весь арсенал фундаментальных подходов (объектно-ориентированное моделирование, функциональная парадигма, статические типы, автоматическое управление памятью, модель акторов) был заложен в период с 1960 по 1980 годы.

Simula, Smalltalk, Lisp, ML и Erlang послужили основой для Go, Swift, Kotlin и Rust. Современные языки не предлагают новых парадигм — они лишь аккуратно переосмысляют наследие прошлого: заимствуют объектную модель C++/Java, избавляют разработчика от ручного распределения памяти, внедряют строгую типизацию и обеспечивают безопасность на уровне ссылок. Безусловно, это колоссальный труд, минимизирующий количество программных ошибок, но принципиально новый способ общения с вычислительным устройством так и не был найден.

Дифференцируемое и вероятностное программирование, равно как и специализированные языки для квантовых систем (Q#, Silq), лишь подтверждают эту закономерность.

Дифференцируемое программирование переносит принципы градиентной оптимизации из нейросетей (метод обратного распространения ошибки, известный с шестидесятых годов) на произвольные программные блоки — физические симуляторы или графические движки, позволяя «обучать» софт вместо ручного написания бизнес-логики.

Вероятностное программирование интегрирует байесовский вывод (разработанный еще в XVIII веке и ставший самостоятельной дисциплиной в восьмидесятых) непосредственно в синтаксис языка. Идет ли здесь развитие? Безусловно, но оно сводится к изобретению изощренных эвристик для приближенного решения вычислительно неразрешимых задач на имеющемся «железе».

Языки Q# и экспериментальный Silq призваны решить сугубо инженерную задачу — упростить написание квантовых алгоритмов, избавляя от необходимости оперировать низкоуровневыми кубитами и вентилями. Их ценность напрямую зависит от прогресса квантового аппаратного обеспечения. Пока квантовые системы не перешагнут порог в тысячи стабильных кубитов, такие языки останутся нишевым инструментом, использующим классические концепции проектирования из 1970–1990-х годов.

Ни одно из упомянутых направлений не формирует принципиально нового мышления о вычислениях. Все они адаптируют проверенные математические абстракции под новые физические носители и возросшие мощности.

Полвека одной и той же модели ИИ

Говоря о сфере искусственного интеллекта, трудно обойти стороной тот факт, что базовая модель перцептрона была предложена еще в 1957 году, а алгоритм обратного распространения ошибки оформился в конце восьмидесятых. Архитектура трансформеров 2017 года, лежащая в основе современных языковых моделей, представляет собой лишь удачную модификацию градиентной оптимизации весов, дополненную эффективным механизмом внимания и высокой степенью распараллеливания.

Впечатляющие успехи последних лет (GPT-модели, диффузионные генераторы контента, AlphaFold) стали результатом синергии трех факторов:

1. колоссального роста доступных вычислительных ресурсов,

2. экспоненциального увеличения объемов обучающих данных,

3. инженерной доводки все того же базового принципа настройки весов посредством градиентного спуска.

Мы не изобрели принципиально иной способ машинного обучения. Мы просто масштабировали старый подход, предоставив ему в миллионы раз больше ресурсов, чем было доступно исследователям в 1980-х.

Именно поэтому в научной среде активно обсуждается так называемая «стена масштабирования». Прирост качества за счет простого увеличения параметров и массива текстов стремительно выполаживается, а подлинно инновационного механизма обучения, способного обеспечить причинно-следственное мышление или способность к обучению на единичных примерах подобно человеческому мозгу, до сих пор не найдено.

Показательно, куда именно IT-гиганты направили усилия после того, как уперлись в этот концептуальный тупик:

• вычисления на этапе инференса или test-time compute (предоставление модели времени на внутренние «размышления» вместо экстенсивного наращивания числа параметров);

• мировые модели (предиктивное моделирование физической реальности вместо банального прогнозирования следующего токена);

• нейросимвольные гибриды (интеграция символьной логики из восьмидесятых ради прозрачности и объяснимости решений);

• мультимодальность и автономные программные агенты;

• компактные вертикально интегрированные модели.

Ни одна из этих инициатив не отменяет концепцию градиентного обучения — они лишь более эффективно ее эксплуатируют или комбинируют с сопредельными методами.

Создание системы, способной обучаться с высокой энергетической и информационной эффективностью, потребует не гигантских трансформеров, а качественно нового математического аппарата, описывающего природу мышления и познания. А это задача уже не столько для дата-центров, сколько для фундаментальной науки на стыке когнитивистики, нейробиологии и теории информации.

Что из этого следует

Анализируя любую из технологических областей (аппаратное обеспечение, квантовые и фотонные инициативы, языки программирования или искусственный интеллект), мы обнаруживаем один и тот же шаблон. Фундаментальная идея формулируется в узком историческом интервале второй половины XX века, а все последующие десятилетия, вплоть до футуристических релизов 2026 года, проходят под знаком масштабирования и доработки найденной концепции.

Это ни в коем случае не умаляет заслуг исследователей — именно этот упорный труд превратил лабораторные макеты в привычные смартфоны в наших карманах. Но это объясняет, почему ощущение стагнации на фоне бесконечного потока маркетинговых релизов имеет под собой вполне реальные основания.

В сфере «железа» физические ограничения транзисторов преодолеваются за счет колоссальных вливаний в квантовые и фотонные вычисления, как только ИИ сделал производительность критическим узким местом. Застой в конкретной нише преодолим за счет виртуозной инженерии на базе пока еще не исчерпавшей себя физики.

С языками и архитектурой софта ситуация сложнее. Вычислительная база — самая податливая часть технологического стека, в то время как математическая основа требует качественного скачка мышления, обеспечить который под силу лишь глубоким научным прорывам.

Траекторию дальнейшей эволюции ИИ прогнозировать трудно. Одни эксперты убеждены, что для прорыва требуются независимые академические исследования и годы поисков, другие указывают на фундаментальные ограничения статистической природы градиентного метода, где каждый процент точности требует экспоненциального роста ресурсов.

Главный вывод заключается в том, что говорить о тотальной стагнации некорректно. Прогресс продолжается, но он неравномерен и упирается в различные типы барьеров. В аппаратном обеспечении и языках проектирования это вопросы инвестиций, инженерной воли и готовности рисковать. В искусственном интеллекте — дефицит фундаментальных математических идей, который невозможно преодолеть простым увеличением корпоративных бюджетов до тех пор, пока не созреет теоретическая база смежных дисциплин.

 

Источник