СТОИТ ЛИ НАМ ЖДАТЬ ПРОРЫВА В ТЕХНОЛОГИЯХ ?

Посмотрите на вещи, которые мы привыкли воспринимать как неотъемлемую часть повседневной жизни: компьютер, интернет, самолет, антибиотики, атомная энергетика, космические аппараты и так далее. Почти все они родом из первой половины XX века или чуть позже. Даже смартфон — это по сути удачная упаковка транзистора, жидких кристаллов, аккумулятора и радиосвязи, изобретенных десятилетиями раньше. За последние 40–50 лет человечество не столько открывало новое, сколько доводило до ума то, что уже появилось в середине прошлого века.

Научный и технический прорывы в первой половине и середине XX века оказались столь масштабными, что во многом мы до сих пор совершенствуем технологии, изобретенные еще тогда. IT-индустрия в этом плане, кстати, не стала исключением. Даже искусственный интеллект и нейросети появились задолго до OpenAI, Google, Anthropic и идеи «а давайте внедрим сюда ИИ».

Открытия становятся дорогими и рискованными

Идея, что прогресс уперся в потолок, не нова. Журналист Майкла Хэнлон еще в 2014 году в эссе « The golden quarter» утверждал: что почти все, определяющее современный мир, зародилось в узком окне между 1945 и 1971 годами, и с тех пор скорость прогресса заметно упала. Нельзя сказать, что он перегибает. Действительно, скажем, самолеты сегодня — это модернизированные версии машин 1960-х, а перелет из Лондона в Нью-Йорк как занимал восемь часов в 1971, так и занимает сейчас. Хэнлон связывает замедление с ростом неприятия риска: многие масштабные и опасные проекты полувековой давности сегодня вряд ли были бы одобрены. Просто потому что они сложны и дороги, а экономический эффект от них либо мал, либо проявится через несколько лет/десятилетий.

Схожий тезис выдвигали экономисты Тайлер Коуэн, Питер Тиль и Роберт Гордон. Их « гипотеза великой стагнации» гласит, что научный и технологический прогресс заметно замедлились примерно с 1970 года.

У этой теории есть и количественное подтверждение. Физик Дидье Сорнетт построил индекс «потока идей» по историческим энциклопедиям научных достижений и обнаружил устойчивое снижение продуктивности исследований с 1950–1970-х, несмотря на кратный рост числа ученых. Исследование в Nature, основанное на анализе 45 млн статей и 4 млн патентов за 60 лет, показало падение индекса «прорывности» работ более чем на 90% для статей и почти на 80% для патентов. Нет, это не значит, что человечество стало меньше изобретать или что мы идем куда-то не туда в части науки и технологий. Просто вспомните тезис из начала этой статьи: ученые и инженеры все чаще уточняют уже известное, а не открывают что-то совершенно новое.

Безусловно, уже сейчас часть читателей может возразить и не согласиться. Как не соглашается, например, Адам Хант. В работе « There was no great stagnation» он указывает, что классические экономические метрики плохо измеряют результат именно тех технологий, которые двигают нас вперед сегодня. То есть стагнация может быть иллюзией измерения. Спор в итоге сводится к тому, что потолок — это следствие того, что общество разучилось рисковать и щедро финансировать смелые исследования. Ну а еще имеется объективное исчерпание легкодоступных научных идей, которое не решить никаким увеличением бюджетов.

Сделаем то же самое, только побольше

С точки зрения физики современный компьютер — это по-прежнему фон-неймановская архитектура и полупроводниковый транзистор, т. е. идеи 1940-х. Все, что произошло с тех пор (конвейеризация, кэш-память, многоядерность, широкие шины) — лишь инженерная доводка одной концепции: заставить электроны быстрее переключать состояния и упаковать таких переключателей побольше на единицу площади.

Закон Мура, согласно которому количество транзисторов в микросхемах каждые два года становились вдвое больше, долго маскировал этот факт. Казалось, что прогресс качественный, а на деле он был количественным. Сейчас, когда техпроцесс приблизился к размеру в несколько атомов кремния и уперся в квантовое туннелирование и проблемы теплоотвода, индустрия честно перешла на экстенсивные пути.

Сложно создать более быстрые ядра CPU, но есть спрос производительность — ок, мы просто дадим больше ядер. Всем нужен ИИ и массовые параллельные вычисления — проще и быстрее увеличить количество CUDA-ядер и объем VRAM, а заодно подключить к серверу сразу несколько GPU, чем создавать принципиально новую прорывную архитектуру.

Мы, конечно, стремимся все же выйти за рамки, но зачастую все упирается в уже озвученные ограничения: это дорого, а гарантию успеха никто не дает. Термоядерный синтез, квантовые вычисления, фотонные процессоры, нейроморфные чипы, ДНК-хранилища — ни одна из этих идей не нова. Концепция квантового компьютера, например, вообще сформулирована Фейнманом и Маниным еще в начале 1980-х.

Впрочем, к середине 2026 года индустрия перешла-таки от наращивания числа кубитов к исправлению ошибок ( Google Willow, QuEra), вложения в квантовые стартапы выросли за год в шесть раз, но даже оптимистичные прогнозы обещают практически полезные машины не раньше 2028 года, а массовый переход к тысячам стабильных кубитов — уже в 2030-х. Причем и в случае успеха это не универсальный ускоритель, а специализированный сопроцессор для узкого класса задач: моделирования молекул, оптимизации, взлома криптографии.

Фотоника — тоже не что-то принципиально новое. Если упростить, то это попытка заменить носитель информации внутри чипа. Вместо греющегося электрона использовать фотон, который движется быстрее и почти не выделяет тепла. В этом плане 2026 год стал переломным: компании вроде Q.ANT начали продавать реальные фотонные ускорители, которые ставятся в обычный сервер по PCIe, а аналитики ждут, что к 2028–2030 годам такие чипы возьмут на себя до 80–90% «тяжелой» матричной нагрузки. Но это апгрейд физического носителя вычисления в рамках все той же архитектуры, а не пересмотр модели вычисления как таковой.

Похожая история с нейроморфными чипами. Идея «кремниевого нейрона», реагирующего импульсами как биологический, обсуждалась еще в 1980-х Карвером Мидом. Сейчас интерес к ней вырос в основном потому, что энергозатраты на обучение нейросетей стали слишком велики. И с ДНК-хранилищами то же самое: кодирование данных в нуклеотидах экспериментально показали еще в 2012 году, плотность записи впечатляющая (грамм ДНК теоретически вмещает сотни эксабайт), но запись и чтение все еще на порядки дороже и медленнее любого магнитного носителя. Так что сегодня есть лишь несколько пилотных проектов, но готового коммерческого продукта пока никто не предлагает.

А что с программированием

С языками кажется, что раз каждые несколько лет появляется новый, то прогресс продолжается. Но если смотреть не на синтаксис, а на концепции, весь набор фундаментальных идей (объектная модель, функциональный подход, статическая типизация, сборка мусора, модель акторов) сформулирован еще в 1960–1980-х.

Simula, Smalltalk, Lisp, ML, Erlang. Go, Swift, Kotlin, Rust — не новые парадигмы, а результат тщательной работы над старыми. Взяли объектную модель C++/Java/Objective-C, убрали ручное управление памятью и ввели null-безопасность, добавили строгую типизацию и удобную сборку. И вуаля, новый язык! Безусловно, это полезная работа, реально снижающая число багов. Но тут важно не обмануть самих себя — мы все еще не получили нового способа задавать компьютеру инструкции.

Дифференцируемое и вероятностное программирование, а также языки для квантовых вычислений (Q#, Silq) — интересные штуки, но на деле они лишь подтверждают тот же тезис.

Дифференцируемое программирование переносит идею градиентного обучения нейросетей (метод обратного распространения ошибки, известен с 1960-х) на произвольный код — физические симуляции, рендеринг, — чтобы не писать логику руками, а «обучать» программу нужному поведению.

Вероятностное программирование встраивает в язык байесовский вывод, идею Томаса Байеса XVIII века, оформленную в самостоятельную область в 1980-х. Да, прогресс есть, но он тут сводится к более хитрым способам приближенно считать эту в общем случае вычислительно неподъемную задачу на существующем железе.

Q# и экспериментальный Silq решают инженерную проблему — сделать написание квантовых алгоритмов удобнее, чем на ассемблере кубитов и гейтов. Но полезны они ровно настолько, насколько полезно само квантовое железо. Пока оно не перешло от сотен кубитов к тысячам стабильных, эти языки остаются нишевыми, при том что сами их языковые концепции целиком заимствованы из классического программирования 1970–1990-х.

Ни одно из трех описанных направлений не предлагает нового способа мышления о вычислении. Все они переносят старые математические идеи в контекст, где раньше не хватало вычислительной мощности или подходящего физического носителя.

Полвека одной и той же модели ИИ

Ну и как тут обойти стороной тему ИИ? Модель перцептрона предложена в 1957 году, метод обратного распространения ошибки — в конце 1980-х. Трансформеры 2017 года, на которых построены современные языковые модели, — архитектурная модификация градиентной оптимизации весов, отличающаяся эффективным механизмом внимания и хорошей распараллеливаемостью.

Весь впечатляющий рывок последних лет (GPT, диффузионные модели, AlphaFold) продукт трех факторов:

1. больше вычислительных мощностей,

2. больше данных,

3. инженерные усовершенствования одной и той же базовой идеи «настраивать веса сети через градиентный спуск».

Мы не изобрели новый способ, которым машина могла бы обучаться. Мы дали старому способу в миллионы раз больше ресурсов, чем было доступно в 1980-х.

Поэтому в исследовательском сообществе идут споры о « стене масштабирования». Рост качества моделей от увеличения размера и данных выходит на плато, а принципиально нового пути к обучению — того, что дало бы системе понимание причинности или способность учиться на единичных примерах так же эффективно, как это делает мозг, — пока никто не предложил.

Показательно, куда индустрия направила усилия, упершись в это плато:

• вычисления на этапе инференса или test-time compute (дать модели больше времени «подумать» над запросом вместо укрупнения самой модели);

• модели мира (предсказание физических последствий действий вместо следующего слова в тексте);

• нейросимвольные гибриды (возвращение символьной логики 1980-х ради объяснимости);

• мультимодальность и агенты;

• компактные специализированные модели.

Ни одно из этих направлений не меняет базовую идею градиентного обучения. Все они лишь эффективнее используют ее или комбинируют с соседними идеями.

Система,которая обучалась бы заметно эффективнее по данным и энергии, потребует не более крупного трансформера, а нового математического описания того, что вообще такое обучение и рассуждение. А это уже вопрос не инженерии дата-центров, а фундаментальной науки — когнитивистики, нейробиологии, теории информации.

Что из этого следует

Во всех случаях (железо, перспективные направления вроде квантовых вычислений и фотоники, языки, ИИ) узнается один и тот же паттерн. Фундаментальная идея сформулирована в узком окне между серединой и концом XX века, а все, что происходит дальше, включая самые футуристичные анонсы 2026 года, — это масштабирование и допиливание старой концепции.

Это не значит, что работа последних десятилетий бессмысленна — именно она превратила лабораторные диковинки в смартфон в кармане у каждого. Но это объясняет, почему ощущение застоя на фоне бесконечных анонсов небезосновательно.

С железом ситуация такова. Физика транзистора — измеримый барьер, но как только бум ИИ сделал вычислительную мощность узким местом, деньги и инженерное внимание к квантовым чипам и фотонике выросли на порядок. Застой в конкретном узком направлении может закончиться довольно быстро, просто это будет виртуозная инженерия вокруг уже известной физики, которая пока что себя не исчерпала.

С языками программирования сложнее. Аппаратная часть — самая дешевая и быстро воспроизводимая часть технологического стека. Математическая часть же требует нового взгляда, чтобы изменить все концепцию. Для этого нужен фундаментальный сдвиг в науке.

В каком направлении пойдет развитие ИИ, предсказать сложно. Одни считают, что для прорыва нужны независимые исследовательские команды и годы работы. Другие указывают, что пятипроцентный прирост точности требует кратного, а не линейного роста вычислений, и это встроено в саму статистическую природу градиентного обучения, а не в жадность корпораций.

Отсюда можно сделать несколько выводов. Пожалуй, главный — говорить о застое все же некорректно. Прогресс продолжается, просто он неодинаков в разных сферах, не всегда очевиден и упирается порой в очень разные ограничения. Например, в железе и языках это в основном вопрос воли, денег и готовности рисковать, т. е. системная проблема, которую можно решить финансированием смелых исследований.

В ИИ не хватает новой фундаментальной математической идеи, а не смелости корпораций. И никакое финансирование независимых исследовательских лабораторий эту идею не родит, пока для нее не созреет физика и другие соседние области науки.

Источник: Хабр

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: