Я — главный стратегический директор Cloudera, и вот почему ваш бюджет на ИИ в $1 миллиардов стал устаревшим

Искусственный интеллект входит в новую фазу: эпоху 2.0. ИИ 1.0 строился на неструктурированных данных, применяя общие методы машинного обучения к широкому спектру бизнес-задач. Он ознаменовал переход от экспериментального ИИ к ранним операционным и агентным системам, основанным на вере в то, что более крупные модели естественным образом дадут самые мощные результаты. Эта концепция подтверждалась гонкой гиперскейлеров за создание всё более крупных фронтирных моделей, что привело к гонке вооружений, стимулировавшей прорывы, но также вызвало непомерные требования к вычислительным ресурсам и рост инфраструктурных затрат.

Рекомендуемое видео

ИИ 2.0 отличается и оспаривает эту веру, поскольку в практике более крупные модели оказываются гораздо менее ценными. Вместо моделирования языка или статистических вероятностей, ИИ 2.0 сосредоточен на моделировании реальных динамик мира. Он опирается на физически-информированное машинное обучение — строгие, основанные на моделировании с помощью симуляций модели, основанные на дифференциальных уравнениях, ускоряемых ИИ. Эти модели не галлюцинируют; они вычисляют и предсказывают в рамках реальных условий, что делает их гораздо более подходящими для производственных сред. Этот сдвиг также подтверждает, что предприятия больше не могут полагаться только на экономику гиперскейлеров. Обучение фронтирных моделей требует вычислительных ресурсов, которые могут поддерживать только несколько провайдеров, что заставляет организации переосмыслить, доступен ли вообще «больший» масштаб, не говоря уже о его оптимальности для их задач.

В конечном итоге, ключевая характеристика ИИ 2.0 — это не масштаб, а сдержанность. Мы движемся к системам ИИ, которые знают, когда прекратить размышлять. Это модели, разработанные для точности, экономии затрат и здравого рассуждения, а не для бесконечных вычислений.

Переход от ИИ 1.0 к ИИ 2.0

ИИ 1.0 в основном основывался на выводах и доминировал экспериментами и демонстрациями, где организации оптимизировали под презентации и бенчмарки, а не под операционные результаты. Основной вопрос заключался не в том, может ли ИИ масштабироваться экономически или надежно, а в том, сможет ли он вообще работать.

В рамках этой фазы многие лидеры попали в так называемую «ловушку точности», когда они оптимизировали только под точность, игнорируя вычислительные ресурсы или контекстуальное понимание. Модели, которые казались сильными в контролируемых условиях, в конечном итоге терпели неудачу при реальном внедрении, потому что они были либо слишком медленными для требований реального мира, либо слишком дорогими для масштабирования с хорошей экономикой единицы. Инстинкт заключался в начале с максимально большой моделью, предполагая, что адаптация естественным образом улучшит производительность.

ИИ 2.0 переосмысливает это мышление. Лидеры теперь отвечают за измеримый ROI, а не за демонстрации или бенчмарки. В 2.0 нам нужно перестать обучать модели, чтобы они знали всё, и вместо этого обучать ИИ моделям симуляции важного. Это более специализированная парадигма, где цель — научиться и совершенствовать одну или несколько способностей, а не гоняться за универсальностью ради самой универсальности.

В ИИ 2.0 каждая отрасль — от здравоохранения до производства и финансовых услуг — сможет создавать меньшие, доменно-специфические модели, моделирующие их уникальную физику, ограничения и окружение. Это похоже на переход от массового автомобильного производства к индивидуальной сборке: люди смогут «строить свои собственные автомобили», потому что производство больше не определяется только экономией масштаба. Например, в здравоохранении меньшие физически-информированные модели могут моделировать прогрессирование заболеваний или реакции на лечение без необходимости использования огромных универсальных систем. Это исключает риски галлюцинаций и повышает надежность в критически важных рабочих процессах.

Более того, динамика гиперскейлеров также меняется. Вместо того чтобы запускать всё через огромные централизованные модели, предприятия распределяют интеллект, сочетая базовые модели с малыми языковыми моделями, уменьшая зависимость от гиперскейлеров и оптимизируя производительность для конкретных локальных условий.

Этот сдвиг — не только технический, но и экономический, и операционный.

Ключ к успеху: знать, когда «прекратить размышлять»

В корпоративной среде «мышление» имеет реальную стоимость. Больше параметров редко приводит к лучшим результатам для большинства задач. Для многих приложений модели уровня GPT-5 избыточны, дороги и медленны, что тормозит внедрение и ограничивает использование.

Основой ИИ 2.0 является интеллект, осведомленный о сдерживающих ограничениях. Модели мира позволяют системам создавать конкретное представление реальности, что позволяет им рассуждать о важном, а не пересчитывать понимание с нуля на каждом шаге. Аналогичная дискуссия разгорелась на Давосе в этом году, когда пионер ИИ Ян Лекун заявил, что мы «никогда не достигнем человеческого уровня интеллекта, обучая большие языковые модели или только на текстах. Нам нужен реальный мир». Его позиция в том, что генерация кода — это одно, а достижение когнитивной сложности, например, у автомобилей с уровнем автономности пять, — это далеко за пределами возможностей современных больших моделей.

Все это приводит к тому, что модели уровня GPT-5 не обучаются на сценариях реального мира. В то время как меньшие, специализированные и эффективно настроенные модели могут достигать достаточной точности быстрее, обеспечивать значительно меньшую задержку, работать за меньшие деньги и масштабироваться предсказуемо в соответствии с реальным спросом. На практике ИИ не должен думать бесконечно и точно так же не может функционировать по архитектуре «одна модель для всех». Он должен работать в рамках определенного пространства решений. В emerging-паттернах используются архитектуры, которые направляют задачи к наиболее простым эффективным моделям, эскалируют только при необходимости и постоянно балансируют точность, скорость и стоимость.

Иными словами, размер модели — самый опасный показатель на панели мониторинга. Это пережиток эпохи 1.0, который путает емкость с возможностями. Настоящее значение имеет стоимость решения одной задачи: насколько эффективно система может обеспечить точный, надежный результат в рамках реальных условий.

Предприятия не выиграют, запуская самые большие модели; они выиграют, используя наиболее экономичные, которые решают задачи в масштабах.

Талант и арбитраж в ИИ 2.0

Талант — еще один важный фактор ИИ 2.0, который кардинально изменит динамику индустрии, поскольку успех требует рабочей силы, способной создавать модели для очень разнообразных приложений. Сегодня только небольшой процент глобальных специалистов способен разрабатывать базовые модели, и большинство из них сосредоточено в нескольких глобальных технологических центрах.

Сейчас исследователи — звезды и получают за это соответствующую оплату, потому что их спрос высок. Но переход к ИИ 2.0 требует смены ролей: от магов к механикам — профессионалам, которые умеют настраивать, обслуживать и оптимизировать модели для решения конкретных реальных задач. Этот переход талантов станет одним из крупнейших арбитражных преимуществ следующей фазы ИИ. Если ИИ должен стать по-настоящему демократичным, предприятия нуждаются в специалистах везде, понимающих физику отраслей — будь то медицина, производство, логистика — и умеющих превращать этот опыт в специализированные, практичные системы ИИ.

Как это повлияет на дорожные карты ИИ 2026 года? Это означает, что нужно работать умнее, а не усерднее. Бюджеты и стратегии должны сместиться в сторону эффективности и удобства использования, отдавая предпочтение меньшим, оптимизированным моделям, гибридным и мульти-модельным архитектурам, системам, рассчитанным на долговечность и масштабируемость. Метрики успеха будут смещаться с размера модели на стоимость за результат, время принятия решения и реальное влияние на мир.

ИИ 2.0 — это не отказ от больших моделей. Это их осознанное и экономное использование. Организации, принявшие эти подходы, будут двигаться быстрее, тратить меньше и достигать большего, чем те, кто все еще гонится за масштабом силой.

Мнения, выраженные в комментариях Fortune.com, принадлежат только их авторам и не обязательно отражают мнение и убеждения Fortune.

Присоединяйтесь к нам на Саммите по инновациям в рабочем пространстве Fortune 19–20 мая 2026 года в Атланте. Эпоха новых инноваций в рабочем пространстве уже наступила — и старые правила переписываются. На этом эксклюзивном, насыщенном событиями мероприятии соберутся самые инновационные лидеры мира, чтобы обсудить, как ИИ, человечество и стратегия вновь меняют будущее труда. Регистрируйтесь сейчас.