Фрагмент самарі
Технічний стан ШІ у 2026 році: Повний розбір звіту Stanford HAI
Привіт, друже! Давай сьогодні копнемо глибше в те, як штучний інтелект прокачався за останній рік, а саме у 2025-му. Stanford HAI випустив свій свіжий AI Index Report, і там стільки всього цікавого, що просто гріх не поділитися. Особливо нас цікавить глава про технічні досягнення – це ж основа всього, правда? Це як дивитися на двигун машини, а не тільки на її зовнішній вигляд. Готуйся, буде багато цифр, порівнянь і, звісно, неочікуваних відкриттів. Ми з тобою розберемо, як ШІ навчився краще бачити, розуміти мову, генерувати відео, міркувати і навіть рухатися. Поговоримо про те, хто зараз на коні, чому старі тести вже не працюють, і де ШІ все ще почувається невпевнено. Загалом, повне занурення у світ передових AI-технологій, але простою мовою, як ми любимо.
Глава 1: Вступ – Куди ми прийшли?
Уяви собі, що ми будуємо будинок. Цей звіт – як інспекція будівництва. Ми дивимося не на фарбу на стінах (це, напевно, про громадську думку чи економіку), а на фундамент, каркас, проводку – на те, що робить будинок будинком. У нашому випадку, це технічна продуктивність ШІ. Без неї все інше – просто красиві слова. У 2025 році ШІ показав такі результати, що, здається, навіть самі розробники не очікували. Він не просто став трохи кращим, він почав пробивати стелі, які сам же й ставив. І це стосується майже всіх напрямків: від комп'ютерного зору до робототехніки і навіть агентів, які можуть діяти самостійно. Головне повідомлення: ШІ розвивається з шаленою швидкістю, обганяючи наші методи його вимірювання. Це одночасно і круто, і трохи тривожно, тому що ми втрачаємо контроль над тим, як оцінювати цей прогрес.
Глава 2: Основні тези – Що сталося?
Давай одразу до суті. Що там такого сталося у 2025 році, що змусило експертів Stanford HAI бити на сполох (ну, або захоплюватися)? Теза 1: ШІ перевершує тести, створені для нього. Це, напевно, найголовніший висновок. Пам'ятаєш, як раніше ШІ намагалися порівняти з людиною на якихось складних завданнях? Так от, тепер ШІ не просто наздогнав людину, він її обійшов. Наприклад, на тесті "Останній іспит людства" (Humanity's Last Exam), який спеціально робили складним для машин, найкращі моделі показали приріст у 30% за рік! Це якби учень за рік перейшов від трійки до олімпійської медалі. Проблема в тому, що тести, які мали служити нам роками, насичуються за місяці. Вони перестають бути корисними для відстеження реального прогресу. Це як намагатися виміряти зріст дитини старою лінійкою, яка вже вся стерлася. Теза 2: Топ-моделі вирівнялися, але конкуренція загострюється. Якщо раніше була одна домінуюча модель, то тепер ми бачимо цілу групу лідерів. За рейтингом Elo (так, як у шахах, тільки для ШІ, причому оцінюють люди в "Арені") п'ять компаній – Anthropic, xAI, Google, OpenAI, Alibaba та DeepSeek – йдуть дуже щільно. Різниця між ними – всього пара десятків очок. Це означає, що боротьба переміщується з чисто продуктивності на інші фронти: хто зробить модель дешевше, надійніше, або краще заточеною під конкретне завдання (наприклад, медицину чи фінанси). Тепер важливо не просто бути розумним, а бути розумним і доступним. Теза 3: Розрив між закритими та відкритими моделями знову зростає. У 2024 році здавалося, що відкриті (open-source) моделі майже наздогнали закриті. Але у 2025-му тренд розвернувся. Тепер найкращі закриті моделі випереджають найкращі відкриті вже на 3.3%. З топ-10 моделей в "Арені" шість – закриті. Це погана новина для тих, хто сподівався на демократизацію ШІ через відкриті розробки. Схоже, найпроривніші технології поки що залишаються під замком у великих корпорацій. Теза 4: Геополітичне суперництво США та Китаю досягло паритету. Раніше часто говорили про те, що США значно випереджають Китай у розвитку ШІ. Але у 2025 році ситуація змінилася. Американські та китайські моделі стали мінятися місцями в рейтингах. То китайська модель DeepSeek-R1 ненадовго зрівнялася з найкращою американською, то навпаки. Зараз топ-модель США випереджає китайську на 2.7%. Розрив невеликий і постійно коливається. Схоже, що гонка озброєнь у сфері ШІ йде на рівних. Теза 5: Бенчмарки втрачають надійність, їх "обманюють". Це прямий наслідок першої тези. Ми з'ясували, що помилки в популярних тестах можуть сягати 42%! Наприклад, на завданні GSM8K (це розв'язання математичних задач) некоректних питань було дуже багато. А ще є підозри, що деякі моделі просто навчилися "грати" на платформі "Арена", показуючи високі результати не за рахунок реальних здібностей, а за рахунок адаптації до конкретних умов. Це як студент, який вивчив відповіді на минулі іспити, але не зрозумів предмет. Центральні ідеї: ШІ розвивається стрімко, але наші методи оцінки цього розвитку відстають.
Глава 3: Ключові ідеї – Що стоїть за цифрами?
Давай розберемо ці тези глибше, щоб зрозуміти, що ж це означає для нас з тобою, для технологій і для майбутнього.
Ідея 1: "Пляшкове горлечко" бенчмарків
Уяви, що ти хочеш дізнатися, наскільки швидко бігає спортсмен. Ти ставиш йому мірну дистанцію. Але якщо спортсмен стає настільки швидким, що пробігає цю дистанцію за час, близький до нуля, то міряти далі просто немає сенсу. Ти не зможеш відрізнити його від іншого такого ж супершвидкого спортсмена. З ШІ відбувається те саме. Бенчмарки типу MMLU (Massive Multitask Language Understanding) або GSM8K (Grade School Math 8K) створювалися з розрахунком на те, що вони будуть актуальні роками. Але моделі навчилися вирішувати завдання з цих тестів настільки добре, що вони стали "насиченими". Тобто, майже всі найкращі моделі отримують там максимальні бали. Це означає, що ми не можемо використовувати ці тести, щоб зрозуміти, яка модель краща. Проблема: Стиснення вікна корисності бенчмарків. Тести, які мали бути актуальними довго, застарівають за місяці. Наслідки: Складно об'єктивно порівнювати моделі, складно відстежувати реальний прогрес. Це як намагатися судити про якість вина за етикеткою, яка вже вицвіла. Що робити? Потрібні нові, складніші та динамічніші тести. Можливо, тести, які адаптуються до рівня моделі, або тести, які перевіряють не просто знання, а здатність до міркування та адаптації в реальних умовах.
Ідея 2: "Зубчастий інтелект" – геній і профанація в одному флаконі
Це одна з найцікавіших концепцій, яку піднімає звіт. "Jagged intelligence" – "зубчастий інтелект". Це коли ШІ може бути неймовірно сильним в одній галузі і при цьому абсолютно безпорадним в іншій, здавалося б, простішій. Приклад зі звіту: модель Gemini Deep Think отримала золоту медаль на Міжнародній Олімпіаді з математики (IMO) у 2025 році. Це серйозне досягнення, що вимагає глибоких математичних знань та логіки. Модель розв'язала завдання за відведений час, працюючи повністю природною мовою. У 2024 році інша модель отримала срібло. Тобто, прогрес очевидний. Але! На тесті ClockBench, який перевіряє здатність моделі визначати час за аналоговим годинником, ця ж (або аналогічна топова) модель впоралася лише у 50.6% випадків. Для порівняння, людина робить це у 90.1% випадків. Це просто вражаюче. Як таке можливо? Причина: Моделі навчаються на величезних масивах даних, але ці дані можуть бути незбалансовані. Математичні завдання – це структуровані дані, де є чіткі правила та логіка. Визначення часу за аналоговим годинником – це завдання, яке вимагає не тільки розпізнавання образів (циферблат, стрілки), але й просторового мислення, розуміння відносності положення стрілок, і, можливо, навіть певної інтуїції, якої у ШІ поки немає. Висновок: ШІ поки не має універсального, людиноподібного інтелекту. Він радше набір дуже потужних, але вузькоспеціалізованих "інструментів". Це важливо розуміти, коли ми говоримо про "загальний штучний інтелект" (AGI).
