Плато возможностей, или Куда катится машинное обучение в 2026 году

2025 год стал для ИИ временем отрезвления. Эпоха масштабирования подходит к концу. Эксперты сходятся во мнении, что простым увеличением данных и вычислительной мощности следующий качественный скачок не совершить. На первый план выходят новые архитектуры, компактные модели и принципиально иные подходы к обучению.

В 2026 году индустрия, похоже, даст ответ на вопрос, что ИИ может дать нам здесь и сейчас. Мы вступаем в эпоху прагматичного ИИ.

Попробуем разобраться, какие именно тенденции определят лицо ИИ в наступающем 2026-м году.

Если 2025-й стал годом, когда ИИ прошёл свой своеобразный vibe check ^[1] — проверку на адекватность ожиданий, — то 2026-й обещает стать годом практики. Фокус уже заметно смещается: вместо бесконечной гонки за всё более крупными языковыми моделями индустрия берётся за куда более сложную задачу — сделать ИИ по‑настоящему полезным.

На деле это означает использование компактных моделей там, где они уместны, встраивание интеллекта в физические устройства и проектирование систем, которые без трения вписываются в человеческие рабочие процессы.

Опрошенные эксперты сходятся во мнении: 2026 год станет переходным. Это будет движение от грубой силовой масштабируемости к поиску новых архитектур, от эффектных демонстраций — к точечным внедрениям, от агентов, которые лишь обещают автономность, — к тем, кто действительно усиливает человеческую работу, а не подменяет её на словах.

Вечеринка ещё не закончилась, но индустрия уже начинает трезветь.

Законы масштабирования больше не спасут

В 2012 году Алекс Крижевский, Илья Суцкевер и Джеффри Хинтон в своей работе по ImageNet ^[2] показали, как ИИ‑системы могут научиться распознавать объекты на изображениях, просто анализируя миллионы примеров. Подход был вычислительно крайне затратным, но стал возможен благодаря GPU. Итог? Целое десятилетие интенсивных исследований, в ходе которых учёные изобретали новые архитектуры под самые разные задачи.

Кульминацией этого пути стал примерно 2020 год, когда OpenAI выпустила GPT-3. Модель наглядно продемонстрировала: достаточно увеличить масштаб в сто раз — и без специального обучения внезапно открываются способности к программированию и рассуждению. Так началась эпоха, которую Киан Каттанфуруш, CEO и основатель платформы ИИ‑агентов Workera, называет «веком масштабирования» — временем веры в то, что больше вычислений, больше данных и более крупные трансформеры неизбежно приведут к следующим прорывам в ИИ.

Сегодня же всё больше исследователей считают, что индустрия ИИ подходит к пределам этих законов масштабирования и вновь вступает в эпоху исследований, где простое наращивание мощности перестаёт работать.

Янн ЛеКун, бывший главный научный сотрудник Meta✶ по ИИ ^[3], давно выступает против чрезмерной зависимости от масштабирования и подчёркивает необходимость принципиально лучших архитектур. А Суцкевер в недавнем интервью ^[4] прямо заявил, что нынешние модели вышли на плато, а результаты предобучения выровнялись — что недвусмысленно указывает на потребность в новых идеях.

«Я думаю, что с высокой вероятностью в ближайшие пять лет мы найдём архитектуру, которая станет серьёзным шагом вперёд по сравнению с трансформерами, — говорит Каттанфуруш. — А если этого не произойдёт, существенного прогресса от моделей ждать не стоит„.“»

Иногда меньше — значит больше

Большие языковые модели великолепно справляются с обобщением знаний, однако многие эксперты считают, что следующую волну корпоративного внедрения ИИ запустят более компактные и подвижные модели, которые можно тонко настраивать под конкретные предметные области.

«Тонко настроенные SLM станут главным трендом и к 2026 году превратятся в стандартный инструмент зрелых ИИ‑компаний — просто потому, что преимущества по стоимости и производительности перевесят использование LLM „из коробки“, — рассказал TechCrunch Энди Маркус, директор по данным AT&T. — Мы уже видим, как бизнес всё чаще опирается на SLM: при правильной настройке они не уступают большим обобщённым моделям».

Этот аргумент мы слышали и раньше — в частности, от французского стартапа Mistral, работающего с открытыми весами. Компания утверждает, что её небольшие модели после файнтюнинга превосходят крупные ^[5] по ряду бенчмарков.

«Эффективность, экономичность и гибкость SLM делают их идеальным выбором для прикладных решений, где точность критична», — отмечает Джон Книсели, ИИ‑стратег компании ABBYY из Остина.

Если Маркус уверен, что именно SLM станут краеугольным камнем агентной эпохи, то Книсели подчёркивает другую сторону медали: сама природа малых моделей делает их особенно подходящими для развёртывания на локальных устройствах — тенденции, которую ускоряет развитие edge‑вычислений.

Обучение через опыт

Люди учатся не только через язык — мы постигаем мир, проживая его и наблюдая, как он устроен. LLM же по‑настоящему мир не понимают: они всего лишь предсказывают следующее слово или идею. Именно поэтому многие исследователи считают, что следующий большой скачок принесут модели мира — ИИ‑системы, которые учатся тому, как объекты движутся и взаимодействуют в трёхмерном пространстве, чтобы затем делать прогнозы и принимать решения.

Признаков того, что 2026 год станет переломным для world models, становится всё больше.

• ЛеКун покинул Meta✶ и запустил собственную лабораторию моделей мира, которая, по сообщениям, нацеливается на оценку в 5 млрд ^[6] $.

• DeepMind в Google давно и упорно работает над Genie, а в августе представила свежую модель, создающую интерактивные универсальные миры в реальном времени.

• Параллельно стартапы вроде Decart ^[7] и Odyssey ^[8] показывают впечатляющие демо.

• World Labs Фэй‑Фэй Ли ^[9] выпустила свой первый коммерческий продукт — Marble.

• Новички тоже не отстают: General Intuition в октябре привлёк 134 млн $ посевных инвестиций ^[10] на обучение агентов пространственному мышлению ^[11].

• Видеостартап Runway в декабре представил свою первую модель мира — GWM-1 ^[12].

Хотя в долгосрочной перспективе исследователи видят огромный потенциал в робототехнике и автономных системах, первый ощутимый эффект в ближайшее время, скорее всего, проявится в видеоиграх. По прогнозу PitchBook, рынок моделей мира в игровой индустрии может вырасти с 1,2 млрд $ за период 2022–2025 годов до 276 млрд $ к 2030-му — за счёт способности технологии создавать интерактивные миры и правдоподобных неигровых персонажей.

Пим де Витте, основатель General Intuition, отметил, что виртуальные среды способны не только радикально изменить игры, но и стать ключевыми полигонами для обкатки следующего поколения базовых моделей.

Мир агентов

В 2025 году агенты так и не оправдали возложенный на них хайп — во многом потому, что их оказалось крайне сложно подключить к тем системам, где на самом деле происходит работа. Без доступа к инструментам и контексту большинство агентов застряло на уровне пилотных сценариев, не выходя за пределы аккуратных демо.

Model Context Protocol (MCP) от Anthropic — своего рода «USB‑C для ИИ», позволяющий агентам напрямую взаимодействовать с внешними инструментами вроде баз данных, поисковых систем и API, — как раз и оказался тем недостающим связующим звеном. Он стремительно превращается в де‑факто‑стандарт: OpenAI и Microsoft публично поддержали MCP, а Anthropic недавно передала его в Agentic AI Foundation при Linux Foundation ^[13], задача которого — стандартизация опенсорс‑инструментов для агентных систем. Google тоже не осталась в стороне и начала разворачивать собственные управляемые MCP‑серверы ^[14], чтобы связать ИИ‑агентов со своими продуктами и сервисами.

Поскольку MCP снижает трение между агентами и реальными рабочими системами, именно 2026 год с большой вероятностью станет моментом, когда агентные рабочие процессы наконец выйдут за рамки демонстраций и войдут в повседневную практику.

Усиление, а не автоматизация

Рост агентных процессов может вызывать опасения по поводу грядущих сокращений, но Каттанфуруш из Workera не уверен, что именно к этому всё идёт. «2026 год станет годом людей», — утверждает он.

В 2024-м почти каждая ИИ‑компания обещала автоматизировать рабочие места до такой степени, что люди станут не нужны. Но технологии до этого уровня пока не дотягивают, да и в условиях нестабильной экономики такая риторика звучит всё менее убедительно. По словам Каттанфуруша, в следующем году фокус сместится с замещения человека на то, как ИИ усиливает человеческие рабочие процессы.

«И я думаю, что многие компании снова начнут нанимать людей, — добавляет он, — появятся новые роли в области управления ИИ, прозрачности, безопасности и работы с данными. Я довольно оптимистично смотрю на то, что средний уровень безработицы в следующем году будет ниже 4%. Люди хотят быть над API, а не под ним, и, на мой взгляд, 2026 год здесь играет ключевую роль».

Выход в физический мир

По мнению экспертов, прогресс в таких областях, как малые модели, модели мира и edge‑вычисления, открывает дорогу куда более широкому применению машинного обучения в физическом мире — там, где алгоритмы не просто считают, а действуют.

«Физический ИИ выйдет в мейнстрим уже в 2026 году: на рынок начнут массово выходить новые категории устройств с ИИ на борту — от робототехники и автономного транспорта до дронов и носимой электроники», — рассказал Викрам Танеджа, глава AT&T Ventures.

Хотя автономные автомобили и роботы выглядят очевидными сценариями для физического ИИ и, без сомнений, продолжат развиваться в 2026-м, их обучение и внедрение по‑прежнему обходятся дорого. Носимые устройства, напротив, предлагают более доступную точку входа — и уже получили одобрение со стороны потребителей. Умные очки вроде Ray‑Ban Meta ^[15]✶ начинают поставляться с ассистентами, которые отвечают на вопросы о том, на что вы смотрите, а новые форм‑факторы — такие, как умные кольца для здоровья с ИИ ^[16] и смарт‑часы ^[17], — постепенно приучают пользователей к постоянному ИИ на теле, работающему без перерывов.

«Провайдеры связи будут оптимизировать сетевую инфраструктуру под эту новую волну устройств, и наилучшие позиции займут те, кто способен гибко предлагать варианты подключения», — подытоживает Танеджа.

_{✶ Meta — деятельность организации запрещена на территории Российской Федерации.
✶ Ray‑Ban Meta — продукт компании Meta Platforms Inc., деятельность которой запрещена на территории Российской Федерации.}

Делегируйте рутинные задачи с BotHub! ^[18] Сервис доступен даже без ВПН и принимает российские карты. Вы можете получить 100 000 бесплатных токенов по ссылке ^[19], чтобы приступить к работе с нейросетями прямо сейчас!