MWC 2018
2018
Computex
IFA 2018
За последние годы стоимость работы с искусственным интеллектом снизилась в тысячи раз — быстрее, чем дешевела любая другая революционная технология прошлого столетия. Каждый квартал ИИ дешевеет почти на 50 %, а за год — в 13 раз, подсчитали аналитики Epoch AI. Литиевые аккумуляторы, технологии секвенирования ДНК и даже вычислительные мощности, которые стремительно развивались в соответствии с законом Мура, дешевели не так быстро.
Источник изображения: Roman Budnikov / unsplash.com
Снижение затрат способствует внедрению технологий, но порождает и непростые вопросы о том, нужно ли привязываться к передовым разработкам в области ИИ; а поставщикам услуг становится все труднее формировать преданность клиентов и обеспечивать себе стабильный доход. Если человек знает, что всего через несколько недель или месяцев интересующий его сервис станет более функциональным и дешёвым, то какой смысл внедрять его немедленно? А если конкурент предлагает более качественное и доступное решение, то зачем оставаться с нынешним поставщиком? В непростом положении оказываются лидеры отрасли в лице OpenAI и Anthropic: едва ли можно рассчитывать на получение значительной прибыли от передовых моделей, которые превосходят конкурентов, если такое преимущество оказывается лишь кратковременным.
Всего за пять лет стоимость ИИ упала в несколько сотен тысяч раз. Для сравнения, с 1991 по 2024 год литиевые аккумуляторы подешевели лишь в сто раз. Вычислительное оборудование за 60 лет, начиная с 1940 года стало дешевле в сотни миллиардов раз. На протяжении почти всего этого времени закон Мура оставался актуальным: производительность и эффективность вычислений значительно росли каждый год — современные компьютеры не только работают быстрее своих предшественников, но и обходятся дешевле в эксплуатации. Наиболее схожую динамику снижения цен демонстрирует секвенирование ДНК — относительная стоимость этой процедуры снизилась даже сильнее, чем стоимость ИИ, но на это ушли чуть более 20 лет. ИИ дешевеет почти на 50 % каждый квартал и в 13 раз в год — темпы удешевления в четыре раза выше, чем у секвенирования ДНК и в 18 раз выше, чем у литиевых аккумуляторов.
У приведённой статистики есть ряд оговорок. Данные по вычислительному оборудованию охватывают период лишь до 2001 года, а статистика по электроэнергии приводится только до 1973 года, и не учитывается бурный рост солнечной энергетики в последние годы. Отслеживание стоимости ИИ началось лишь в 2023 году, а более ранние данные получены на основе актуального краткосрочного тренда и сторонних исследований. Основу анализа для ИИ у Epoch AI составила не какая-то одна конкретная модель, а совокупность моделей, показавших не менее 81,25 % в бенчмарке Graduate-Level Google-Proof Q&A (GPQA) уровня Diamond — учитывались затраты на получение от модели ответа на вопрос с тремя возможными вариантами. Это помогает оценить возможности ИИ в разных областях знаний, но не факт, что охватывается весь спектр способностей ИИ. Наглядно показано, что новым моделям эти задачи даются просто — они набирают в тестах высокие баллы и делают это с меньшими затратами.
К примеру, выпущенная в январе 2025 года модель OpenAI o3 набрала в тесте GPQA Diamond 75 % при стоимости $0,30 за вопрос. Всего полтора года спустя вышла OpenAI GPT-5.6 Luna, которая в том же тесте показала такие же результаты при цене $0,0004 за вопрос. Затраты на ИИ снижаются неравномерно. В бенчмарке GPQA Diamond наблюдались периоды резкого снижения затрат, за которыми наступали этапы стагнации и выхода на плато — более стабильная динамика оказалась в математическом тесте AIME OTIS и в шахматных задачах. В период с 2025 по 2026 год прогресс в области передовой математики был незначительным, и лишь в середине года затраты резко упали.
Источник изображения: Igor Omilaev / unsplash.com
По большинству дисциплин темпы снижения затрат сокращаются: первоначально цены по пяти эталонным бенчмаркам падали на 66 % за квартал, а спустя два года этот показатель уменьшился до 32 % за квартал. Это значит, что или прогресс в сфере ИИ замедляется, или снижать расходы на его работу становится труднее — особенно в 2026 году, в условиях роста цен на электроэнергию и вычислительное оборудование. Трудно снижать цены на услуги, если необходимые для работы ИИ ресурсы стоят дороже, чем раньше.
Главной проблемой для анализа статистики является «бенчмаксинг» — разработчики целенаправленно обучают свои модели показывать высокие результаты в тестах, предназначенных для проверки общих способностей. При проведении тестирования специалисты Epoch AI использовали элементы случайности, чтобы модели не «понимали», что их проверяют, и разработчики не могли целенаправленно обучать их для успешного прохождения сторонних тестов. Такой подход применялся не ко всем тестам — и там, где его не было, наблюдались более высокие темпы снижения затрат, что косвенно подтверждает присутствие некоторой оптимизации под конкретные бенчмарки. Это не обесценивает результаты, но даёт основания относиться к ним с некоторой долей скептицизма.
Разработчики ИИ, и в особенности передовых моделей, готовые тратить сотни миллиардов долларов на инфраструктуру, опасаются, что возникнут сомнения в целесообразности высоких тарифов. Эксплуатация моделей класса Anthropic Mythos и Fable, а также последних моделей OpenAI обходится дороже аналогов, но стоимость обработки токенов неуклонно снижается. Теперь ведущие разработчики соревнуются на границе Парето — так называется точка оптимального баланса между эффективностью затрат и уровнем «интеллекта» модели. И если другие модели способны обеспечить 90 % от уровня лидеров за малую долю цены, то стоит ли переплачивать за передовые возможности? Особенно если речь идёт о моделях с открытыми весами, позволяющие сторонним поставщикам услуг конкурировать друг с другом, предлагая наиболее эффективные и доступные версии этих систем.
Важную роль для клиентов играет привычка: интерфейс, устоявшиеся рабочие процессы и общая экосистема ПО в организации; огромное значение играет и фактор доверия, особенно когда речь идёт о долгосрочных обязательствах, подразумевающих финансовые затраты. Переход на новую модель требует проверки достоверности заявленных показателей производительности и уверенности в том, что в будущем цены радикально не изменятся, сведя на нет всю экономию. Важна уверенность, что привычная система не догонит конкурента по характеристикам уже через неделю, а новая не содержит ошибок или уязвимостей, которые поставят под угрозу конфиденциальность данных. Таким образом, выбор не ограничивается только ценой или интеллектуальной мощью модели. ИИ дешевеет, но это не значит, что модель подписки теряет право на существования — просто обосновать её целесообразность становится труднее.
Источник:
