Шесть революций ИИ в 2025 году: руководство Андрея Карпаты по крупнейшим изменениям в индустрии

Ландшафт искусственного интеллекта претерпел сейсмические изменения в течение 2025 года, с трансформациями настолько фундаментальными, что они изменили наше представление о машинном обучении, разработке программного обеспечения и взаимодействии человека с компьютером. Анджей Карпаты, известный исследователь и технолог в области ИИ, выделил шесть основных эволюционных сдвигов, которые кардинально изменили эту область. Это не постепенные улучшения — это прорывные моменты, которые бросили вызов существующим предположениям и открыли совершенно новые возможности.

Возникновение проверяемого обучения с вознаграждением: за пределами человеческой обратной связи

Много лет стек обучения для крупных языковых моделей строился по предсказуемой трехэтапной схеме: предварительное обучение (как GPT-2 и GPT-3 с 2020 года), контролируемая донастройка (InstructGPT в 2022 году) и обучение с подкреплением на основе человеческой обратной связи (RLHF, также 2022). Такой подход оказался стабильным и зрелым, доминируя в индустрии при создании моделей промышленного уровня.

К 2025 году произошел фундаментальный сдвиг. Обучение с подкреплением на основе проверяемых вознаграждений (RLVR) стало основной технологией, которую используют ведущие лаборатории ИИ. Важное отличие: вместо того чтобы полагаться на человеческое суждение для оценки результатов модели, RLVR использует автоматически проверяемые среды — математические задачи, программные вызовы и подобные области, где правильность можно объективно определить.

Обученные таким образом модели спонтанно развивают то, что люди распознают как «стратегии рассуждения». Они учатся разбивать сложные задачи на промежуточные вычислительные шаги и находить несколько путей решения через итеративное уточнение. Модель o1 от OpenAI (выпущенная в конце 2024 года) впервые продемонстрировала эту способность, а последующий запуск o3 (начало 2025 года) показал драматический потенциал этого подхода. Документ DeepSeek-R1 предоставил дополнительные доказательства того, как эти проверяемые среды позволяют моделям строить явные цепочки рассуждений.

Что отличает RLVR от предыдущих подходов — это требуемая вычислительная интенсивность. В отличие от контролируемой донастройки и RLHF, которые включают относительно короткие и менее ресурсоемкие этапы, обучение с проверяемым вознаграждением требует длительных циклов оптимизации по объективным, детерминированным функциям вознаграждения. Это означает, что вычислительные ресурсы, изначально выделенные под предварительное обучение, перенаправляются на этот новый парадигм обучения. Ключевое нововведение: возможности модели теперь можно регулировать в зависимости от затрат вычислений на этапе тестирования, генерируя более длинные цепочки вывода и предоставляя больше «времени на размышление». Это открывает совершенно новое измерение масштабируемости.

Понимание интеллекта ИИ: призрачные сущности, а не цифровые создания

В 2025 году индустрия получила свежий взгляд на то, как на самом деле работает искусственный интеллект. Анджей Карпаты сформулировал инсайт, который нашел отклик во всей области: мы не «выращиваем цифровых животных», а скорее «призываем призраков» — принципиально иные сущности, чья интеллектуальность возникает из совершенно иных целей оптимизации, чем у биологических систем.

Это различие имеет глубокое значение. Человеческие нейронные сети эволюционировали через естественный отбор в условиях племенного выживания. Большие языковые модели оптимизированы для воспроизведения человеческого текста, достижения высоких результатов в математических задачах и получения одобрения в человеческих оценках. Учитывая эти совершенно разные эволюционные давления, неудивительно, что проявление интеллекта происходит радикально по-разному.

Это приводит к поразительному наблюдению: искусственный интеллект демонстрирует зубчатый, зубчатый, а не плавный график возможностей. Модели могут проявлять энциклопедические знания в один момент, а в следующий — испытывать трудности с элементарным рассуждением. Они могут показывать как блестящие решения, так и глубокое непонимание, способные генерировать выдающиеся решения или утекать чувствительные данные под давлением противника.

Этот инсайт имеет глубокие последствия для оценки прогресса ИИ. Бенчмарки, которые представляют собой проверяемые среды, стали уязвимы для оптимизации RLVR. Команды ИИ все чаще создают тренировочные среды, максимально приближенные к бенчмаркам, эффективно покрывая эти конкретные зоны возможностей. «Обучение на тестовом наборе» стало стандартной практикой индустрии. В результате модели могут проходить все доступные бенчмарки, оставаясь далеко от достижения общего искусственного интеллекта.

Феномен Cursor: появляется новый уровень приложений

Быстрый рост Cursor в течение 2025 года выявил нечто неожиданное в архитектуре приложений ИИ. То, что начиналось как специализированный редактор кода, превратилось в более широкую парадигму, вызвав обсуждения о «Cursor для X-области» в различных отраслях.

Истинный прорыв Cursor заключается в демонстрации того, как строить новый слой приложений на базе больших языковых моделей. Основной принцип: специализированные приложения управляют множеством вызовов LLM, формируя все более сложные ориентированные ацикличные графы, балансируя производительность и вычислительные затраты. Эти системы занимаются «инженерией контекста» — выявлением, извлечением и приоритизацией наиболее релевантной информации для каждого запроса. Они предоставляют доменно-специфические графические интерфейсы, удерживая человека в цикле принятия решений, и предлагают механизмы настройки, позволяющие пользователям регулировать автономию модели в зависимости от требований задачи.

Мнение Анджея Карпаты о таком слоистом подходе предполагает будущее, в котором платформы на базе больших языковых моделей превратятся в «универсальные возможности уровня выпускника», а специализированные приложения превратят этих универсалов в «команды экспертов», предоставляя частные данные, сенсоры окружающей среды, исполнительные механизмы и постоянные обратные связи для конкретных вертикальных рынков.

Claude Code: интеллектуальные агенты, работающие на вашем компьютере

Claude Code от Anthropic стал переломным моментом в том, как ИИ-агенты функционируют в человеческих средах. Он убедительно продемонстрировал, как использование инструментов и выводы могут циклически взаимодействовать, позволяя решать сложные, устойчивые задачи в рамках длительных взаимодействий.

Что отличало Claude Code от конкурентов — это его радикальная стратегия локализации. Вместо развертывания агентов в облачных контейнерных средах (подход OpenAI), Claude Code работает прямо на личном компьютере пользователя. Эта локальная модель исполнения глубоко интегрирует ИИ с личными файлами, приложениями, средой разработки и контекстной информацией — информацией, которую было бы чрезвычайно трудно передать удаленным серверам.

В переходный период, характеризующийся неравномерным развитием возможностей, этот дизайн показывает истинное стратегическое мышление. Развертывание агентов прямо рядом с разработчиками в их рабочей среде — более логичный путь развития, чем создание распределенных облачных кластеров. Claude Code воплотил эту идею в элегантном, командном интерфейсе — превращая ИИ из сайта, требующего сознательных посещений, в крошечное, умное присутствие, встроенное в цифровое рабочее пространство пользователя.

Vibe Coding: программирование без кода

К середине 2025 года ИИ преодолел критический порог возможностей: способность создавать сложные приложения с помощью описаний на естественном языке, при этом программисты никогда не нуждаются в понимании внутренней реализации. Эта концепция быстро захватила воображение, и неформальное использование Анджеем Карпаты термина «Vibe Coding» в соцсетях превратилось в индустриальное движение.

Vibe Coding радикально демократизирует программирование. Профессиональные барьеры исчезают, когда любой может описать, что он хочет, на естественном языке и получить рабочий код. Анджей Карпаты задокументировал свой опыт быстрого создания пользовательского токенизатора BPE на Rust, обходя необходимость глубоких знаний языка — код, который «никогда бы не был написан иначе», если бы сохранялись традиционные требования к программированию.

Последствия выходят за рамки доступности. Профессиональные разработчики получают новую свободу для создания экспериментальных прототипов, тестирования архитектурных идей с минимальными затратами и написания одноразовых приложений для конкретных исследований. Код становится эфемерным и временным. Границы между пользователями и создателями стираются. Разработка программного обеспечения превращается в область, где обычные люди и профессионалы могут вносить значимый вклад, переопределяя профессиональные роли и ожидания в области технических навыков.

Nano Banana и дальше: почему ИИ нуждается в визуальных интерфейсах

Разработки Google Gemini Nano и подобные им, по оценке Анджея Карпаты, представляют собой одну из самых трансформирующих перемен 2025 года. Более широкий инсайт: большие языковые модели — это следующий этап вычислительной парадигмы после эпох десктопов и микрокомпьютеров 1970–1980-х годов.

Если эта параллель верна, то можно ожидать появления аналогичных инноваций, основанных на схожих технологических основах. Графический интерфейс персональных компьютеров не появился потому, что текстовые команды были невозможны — они отлично работали для экспертов, — а потому что визуальные представления лучше соответствовали когнитивным предпочтениям человека.

Текст, хоть и является примитивным с точки зрения вычислений, плохо сочетается с предпочтениями человека в вводе и потреблении информации. Люди визуально обрабатывают пространственную и графическую информацию гораздо эффективнее, чем разбираются в текстах. Они естественно предпочитают получать информацию через изображения, диаграммы, слайды, доски и мультимедиа, а не через парсинг предложений.

Современные интерфейсы LLM работают через диалог — по сути, командную строку с текстом, аналогичную вычислениям в 1980-х. Вопрос о том, кто создаст графический слой для искусственного интеллекта, остается частично открытым, но продукты вроде Nano Banana указывают на ответ. Отличие Nano Banana не только в возможности генерации изображений, а в интегрированном синтезе генерации текста, визуального создания и мировых знаний, пронизывающих структуру модели.

Эти шесть сдвигов — от оптимизации на основе проверяемых вознаграждений до визуальных интерфейсов, от человеческой обратной связи к локальным агентам ИИ, от специализированной экспертизы к доступному программированию — показывают индустрию в состоянии радикальной трансформации. Каркасы, руководствовавшие развитием ИИ в начале 2020-х, уступили место принципиально новым подходам, каждый из которых открывает возможности, казавшиеся невозможными всего несколько месяцев назад. Как подчеркивают наблюдения Анджея Карпаты, 2025 год запомнится не постепенным прогрессом, а моментом, когда искусственный интеллект кардинально переосмыслил сам себя.