Краткое содержание
Вчера в Кремниевой долине произошло три значимых события в области искусственного интеллекта: Google выпустил Gemini 3.8 Flash, Meta обновил свой продукт Muse Spark1.3, а стартап Mostik получил признание на конференции WIRED. На первый взгляд, эти нововведения связаны с улучшением производительности моделей, но на самом деле они означают начало «многомерной революции» в снижении затрат на обработку данных с помощью ИИ. Это происходит на нескольких уровнях: от снижения стоимости высококлассных функций до устранения ненужных процессов и перехода от оплаты за использование моделей к расчету затрат в зависимости от реальных задач. В результате ИИ становится все более доступным, что может привести к появлению множества ранее нерентабельных приложений.
1. Google: высококлассные ИИ-модели в доступных пакетах
Gemini 3.8 Flash ранее относился к категории быстрых и недорогих моделей с ограниченными возможностями, но теперь в его состав вошли функции, характерные для самых совершенных моделей (например, способность выполнять сложные программные задачи в тестах DeepSWE).
- Результаты: модель достигла 74% результатов по тесту DeepSWE, что сопоставимо с лучшими результатами модели Claude Opus5.
- Затраты: средние затраты на выполнение одной задачи составляют 2,36 доллара против 11,84 доллара для Claude и 6,46 доллара для GPT.
Почему это важно? В эпоху агентов (AI-систем, выполняющих серийные действия) разница в затратах может оказывать значительное влияние на их использование. Благодаря низкой стоимости токенов модели могут выполнять более сложные задачи, не теряя эффективности.
2. Meta: меньше ошибок = больше экономии
Модель Muse Spark1.3 улучшила свои показатели с 55% до 75,4%, но более важными являются снижение количества вызовов инструментов на 20% и потребления токенов на 25%.
- Экономия: основная проблема агентов — это ошибки в выполнении задач (например, неправильное понимание пользовательских запросов, что приводит к многократному переписыванию кода и трате ресурсов). Теперь Muse лучше распознает неясности, просит помощи и соблюдает начальные условия, что снижает затраты на ненужные действия.
В эпоху чатботов повышение показателей на несколько процентов важно, но в эпоху агентов более важно сокращение количества ошибок.
3. Mostik: обмен данными между моделями без использования естественного языка
Mostik позволяет моделям обмениваться данными напрямую, без использования естественного языка (например, математических форматов).
- Пример: вместо традиционного обмена текстовыми сообщениями модели передают друг другу специализированные данные.
- Результаты: модель Mostik, объединяющая большую модель GLM-5.2 (753 миллиардов параметров) и маленькую модель Qwen3.5 (4 миллиарда параметров), демонстрирует лучшие результаты при значительно меньших затратах (в 20 раз).
- Проблемы: разные модели используют разные алгоритмы и структуры для обработки данных, но такой подход позволяет существенно снизить затраты на их взаимодействие.
4. Будущее: ИИ-модели размером с токены в смартфонах, сложные задачи — в облаке
Раньше пытались разместить большие модели в смартфонах (например, с размером 7 миллиардов–4 миллиарда–1 миллиард параметров), но если подход Mostik окажется эффективным, в будущем для смартфонов могут хватить моделей размером с токены.
- Распределение задач: локальные модели будут выполнять простые задачи, а сложные задачи будут обрабатываться в облаке.
- Влияние: такая архитектура позволит снизить затраты на обработку данных в несколько порядков. Сейчас выполнение одной задачи может стоить десятков долларов, в будущем — всего нескольких центов.
Заключение
Ключевой момент: речь идет не о линейном снижении затрат, а о коренном изменении структуры их расчета. Когда ИИ станет настолько доступным (например, за несколько центов), многие сегодня нереальные приложения станут повседневной реальностью. Важнее не то, кто займет первое место в рейтингах, а то, насколько сильно снизятся затраты на использование ИИ.