Сегодня разрыв сильнее всего виден в доступе к вычислительным мощностям: ограничения на поставки передовых чипов напрямую влияют на масштаб обучения самых больших моделей. Американские лаборатории имеют гораздо более свободный доступ к передовым чипам NVIDIA, а Китай сталкивается с экспортными ограничениями.
Второй фактор - экосистема, связка из аппаратного обеспечения, фреймворков и устоявшихся стандартов разработки, где у США исторически более глубокая база. При этом по части прикладных решений и инженерной оптимизации китайские команды нередко выступают на сопоставимом уровне.
В АНО "Цифровая экономика" рассказали, что важнейшим фактором также является регуляторная политика: страны, которые находят баланс между поддержкой инноваций, безопасностью и доступностью данных, получают дополнительные преимущества в глобальной конкуренции. Страны-лидеры формируют вокруг ИИ полноценную экосистему, объединяющую науку, бизнес, образование, инвестиции и государственную поддержку.
"Говорить о тотальном отставании Китая я бы не стал, корректнее описывать ситуацию как сохраняющийся, но не критический разрыв на уровне фронтира. США пока удерживают лидерство в самых передовых моделях и инфраструктуре, однако китайские команды демонстрируют способность быстро сокращать дистанцию, в том числе за счет открытых разработок", - объясняет директор Института ИИ МФТИ Азамат Жилоков.
При этом Россия располагает сильной фундаментальной научной школой в математике и машинном обучении, и по качеству исследовательских кадров страна конкурентоспособна. По словам эксперта, основной вызов лежит не в науке, а в ресурсной плоскости - доступе к вычислительным мощностям и масштабе индустриальных инвестиций, что определяет возможности обучения крупных моделей.
"Поэтому стратегически разумно делать ставку на эффективные архитектуры, отраслевые и агентные решения, где научная экспертиза конвертируется в результат при более рациональном расходовании ресурсов", - говорит Жилоков.
Преподаватель кафедры технологий искусственного интеллекта Института искусственного интеллекта РТУ МИРЭА Вадим Кириллов рассказал, что для бизнеса академические бенчмарки часто оказываются "почти бесполезными", так как не прогнозируют поведение модели в реальных задачах. Прежде всего компании оценивают, как модель справляется именно с их данными, а не с абстрактными тестами. Кроме того, подсчитываются эксплуатационные расходы - стоимость одного вызова API, а также сложность интеграции - насколько легко встроить модель в существующую инфраструктуру.
Дополнительно важны качество генерируемого контента и устойчивость к галлюцинациям. Погоня за высшими баллами в рейтингах часто ведет к переплате за ненужные возможности. Оценка должна быть максимально приближена к реальному бизнес-сценарию.
При этом для обеспечения дальнейшего развития технологий искусственного интеллекта в России необходим комплексный подход, сочетающий меры по поддержке разработчиков и стимулированию спроса на отечественные ИИ-решения. Важную роль будут играть финансовые инструменты, позволяющие компенсировать часть затрат компаний на приобретение и внедрение таких технологий, а также развитие вычислительной инфраструктуры и создание благоприятных условий для разработки новых продуктов.
"Значимым направлением является совершенствование регуляторной среды. Речь идет о расширении доступа разработчиков к данным при соблюдении требований безопасности, формировании прозрачных правил использования технологий искусственного интеллекта и создании механизмов для тестирования инновационных решений", - добавляют в пресс-службе АНО "Цифровая экономика".