Сэм Олтман: поколение исследователей тормозило ИИ, недооценивая масштабирование
CEO OpenAI на выступлении в Стэнфорде резко критиковал научное сообщество за скептицизм в отношении потенциала масштабирования больших языковых моделей.
Сэм Олтман, CEO OpenAI, в Стэнфорде раскритиковал часть научного сообщества ИИ. Он заявил, что целое поколение исследователей тормозило прогресс, недооценивая потенциал масштабирования больших языковых моделей (LLM). Олтман защищал стратегию масштабирования — основной драйвер развития моделей вроде GPT — и критиковал скептиков. Они долгое время считали, что простое увеличение размера моделей и данных не даст качественного скачка в способностях.
В качестве доказательства Олтман привел недавнюю работу OpenAI. Исследователи использовали возможности крупной модели, чтобы опровергнуть одну из математических гипотез. Этот пример показывает: масштабирование не просто улучшает известные метрики, но может порождать совершенно новые, неожиданные способности ИИ. По данным The Decoder, Олтман отметил, что многие эксперты были уверены в жестких пределах роста эффективности при увеличении параметров. Эта уверенность, по его мнению, создавала атмосферу консерватизма и замедляла инвестиции.
В академической среде исторически доминировал подход, фокусирующийся на поиске изящных, компактных и эффективных архитектур. Путь простого увеличения масштаба считали тупиковым и ресурсоемким. Олтман утверждает, что именно этот «неинтеллектуальный» путь оказался самым продуктивным. Его выступление отражает разрыв между подходом лидеров вроде OpenAI, ставящих масштабирование в центр стратегии, и традиционным академическим подходом. Этот конфликт напрямую влияет на распределение ресурсов, направление научных работ и восприятие потенциала ИИ.
Для отрасли заявление Олтмана — сигнал: траектория развития (увеличение размеров моделей, данных и мощностей) останется ключевой на ближайшие годы. Фундаментальные прорывы будут приходить из этой области, даже если подход кажется простым. Для пользователей это означает, что возможности ИИ-ассистентов и генеративных моделей продолжат расти нелинейно, предлагая решения для задач, которые сегодня считаются исключительно человеческими — например, участие в сложных математических исследованиях.
Это ведет к дальнейшей концентрации ресурсов и внимания на масштабировании как основной парадигме. Также может усилиться поляризация в сообществе: одна группа будет искать альтернативные, более эффективные пути, а крупные игроки с ресурсами — наращивать параметры. Такая стратегия ставит вопросы о доступности и демократизации технологий ИИ, поскольку создание гигантских моделей требует колоссальных инвестиций и остается в руках ограниченного числа организаций.
