მიყევით ZDNET-ს: დაგვიმატეთ, როგორც სასურველი წყარო Google-ზე. ცნობილია, რომ ხელოვნური ინტელექტის მოდელები, როგორიცაა GPT-5.2, აუმჯობესებენ თავიანთ წარმადობას ეტალონურ ტესტებში, გამოთვლითი სიმძლავრის გაზრდის შესაბამისად. ეს არის ფენომენი, რომელიც ცნობილია როგორც „მასშტაბირების კანონები“ (scaling laws), ხელოვნური ინტელექტის ზოგადი წესი, რომელიც ამბობს, რომ სიზუსტე უმჯობესდება გამოთვლითი სიმძლავრის პროპორციულად. მაგრამ რა გავლენას ახდენს გამოთვლითი სიმძლავრე სხვა ფაქტორებთან შედარებით, რომლებსაც გვთავაზობენ OpenAI, Google და სხვა კომპანიები — მაგალითად, უკეთესი ალგორითმები ან განსხვავებული მონაცემები? ამ კითხვაზე პასუხის საპოვნელად, მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) მკვლევარებმა, მატიას მერტენსმა და მისმა კოლეგებმა, შეისწავლეს მონაცემები 809 დიდ ენობრივ მოდელზე (LLM). მათ შეაფასეს, თუ რამდენად იყო თითოეული ეტალონური ტესტის წარმადობა განპირობებული მოდელების წვრთნისთვის გამოყენებული გამოთვლითი სიმძლავრით. აგრეთვე: რატომ გადაიხდით უფრო მეტს ხელოვნურ ინტელექტში 2026 წელს და 3 ფულის დაზოგვის რჩევა. შემდეგ მათ შეადარეს ეს მაჩვენებელი იმ მოცულობას, რომელიც სავარაუდოდ მიეწერება კომპანიის უნიკალურ საინჟინრო ან ალგორითმულ ინოვაციას, რასაც ისინი „საიდუმლო სოუსს“ უწოდებენ და რომელიც ზოგჯერ — თუმცა არა ყოველთვის — გამჟღავნებულია. ასევე მათ შეადარეს ხელოვნური ინტელექტის ზოგადი გაუმჯობესებები დეველოპერთა მთელ საზოგადოებაში და გაზიარებული რჩევები და ხრიკები, რომლებიც მუდმივად აუმჯობესებენ მოდელის წარმადობას. მათი შედეგები მოცემულია სტატიაში „არსებობს თუ არა „საიდუმლო სოუსი“ დიდი ენობრივი მოდელების განვითარებაში?“, რომელიც გამოქვეყნდა arXiv-ის პრეპრინტ სერვერზე. როგორც მერტენსმა და მისმა გუნდმა დასვეს შეკითხვა: „ხელოვნური ინტელექტის განვითარების საზღვრები განპირობებულია მასშტაბით — სულ უფრო დიდი მოდელებით, რომლებიც უფრო მეტ გამოთვლით სიმძლავრეზე არიან გაწვრთნილი? თუ მას ტექნოლოგიური პროგრესი განაპირობებს ღიად გავრცელებული ალგორითმული ინოვაციების სახით, რომლებიც აუმჯობესებენ წარმადობას მთელ სფეროში? „ან, ფლობენ თუ არა წამყვანი ფირმები ნამდვილ „საიდუმლო სოუსს“ — საკუთრებით ტექნიკებს, რომლებიც მუდმივ უპირატესობებს იძლევა მასშტაბისა და საერთო ალგორითმული პროგრესის მიღმა?“ როგორ აჯობა OpenAI-ის GPT-მ Llama-ს: ავტორებმა აღმოაჩინეს, რომ Meta-ს ღია წყაროს მქონე Llama-სა და OpenAI-ის GPT-4.5-ს შორის ყველაზე დიდი განსხვავება წვრთნისთვის გამოყენებულ მეტ გამოთვლით სიმძლავრეში იყო. სპოილერი: „საიდუმლო სოუსი“ ნამდვილად არსებობს, მაგრამ ის გაცილებით ნაკლებად მნიშვნელოვანია, ვიდრე უბრალოდ უფრო დიდი კომპიუტერის ქონა. მერტენსმა და გუნდმა აღმოაჩინეს ოთხივე სასარგებლო მიღწევის მტკიცებულება: მეტი გამოთვლითი სიმძლავრე, „საიდუმლო სოუსი“, ზოგადი ინდუსტრიული მიღწევები და დიდი ენობრივი მოდელების (LLM) კონკრეტული ოჯახის გაუმჯობესებები. თუმცა, ყველაზე დიდი განსხვავება იყო ის, თუ რამდენი გამოთვლითი სიმძლავრე გამოიყენა OpenAI-მ და სხვებმა. აგრეთვე: ხელოვნურმა ინტელექტმა მოკლა ღრუბელზე დაფუძნებული სტრატეგია: რატომ არის ჰიბრიდული გამოთვლა ერთადერთი გზა წინ. „LLM-ების მოწინავე მიღწევები ძირითადად განპირობებულია წვრთნისთვის საჭირო გამოთვლითი სიმძლავრის ზრდით, საერთო ალგორითმული პროგრესის ან დეველოპერებისთვის სპეციფიკური ტექნოლოგიების მხოლოდ მოკრძალებული წვლილით“, — იუწყებიან მერტენსი და გუნდი. ეს ნიშნავს, რომ საუკეთესო მოდელები კვლავაც გამოთვლითი სიმძლავრის მასშტაბირების ეფექტებიდან გამომდინარეობს, ასკვნიან ისინი. „შედეგად, ხელოვნური ინტელექტის მოწინავე შესაძლებლობებში მდგრადი ლიდერობა ნაკლებად სავარაუდოა სწრაფად მზარდ გამოთვლით რესურსებზე მუდმივი წვდომის გარეშე. ეს ნიშნავს, რომ გამოთვლაზე წვდომა ცენტრალურია ხელოვნური ინტელექტის ლიდერობისთვის და ხელს უწყობს გამოთვლით ინფრასტრუქტურაში ინვესტიციების მიმდინარე რბოლის ახსნას.“ კერძოდ, მათ აღმოაჩინეს, რომ გამოთვლითი სიმძლავრის 10-ჯერ ზრდას საგრძნობი გავლენა აქვს მოდელის ეტალონური ტესტის სიზუსტეზე. „95-ე პროცენტულ დონეზე მყოფი მოდელები იყენებენ 1,321-ჯერ მეტ გამოთვლით სიმძლავრეს, ვიდრე მე-5 პროცენტულ დონეზე მყოფნი“, — აცხადებენ ისინი, რაც იმას ნიშნავს, რომ ათასჯერ მეტი გამოთვლითი სიმძლავრე გამოიყენება იმ მოდელებისთვის, რომლებიც 95%-ზე უკეთესად მუშაობენ ეტალონურ ტესტებში, ვიდრე ყველაზე დაბალი წარმადობის მქონე მოდელებისთვის. ეს არის კოლოსალური სხვაობა გამოთვლაში. აგრეთვე: ჩინეთის ღია ხელოვნური ინტელექტის მოდელები დასავლეთთან თანაბარ პირობებშია — აი, რა მოხდება შემდეგ. მნიშვნელოვანი გაფრთხილებაა, რომ მერტენსი და გუნდი ადარებდნენ ღია წყაროს მოდელებს, როგორიცაა DeepSeek AI-ის მოდელები, რომელთა დეტალური შესწავლა შესაძლებელია, საკუთრებით მოდელებს, როგორიცაა OpenAI-ის GPT-5.2, რომელიც დახურული წყაროა და მისი შეფასება გაცილებით რთულია. მათ დაეყრდნეს მესამე მხარის შეფასებებს, რათა შეევსოთ ხარვეზები საკუთრებით მოდელებისთვის, როგორიცაა GPT და Google-ის Gemini, რომელთაგან ყველა განხილული და ციტირებულია სტატიის ბოლოს, „მეთოდების“ განყოფილებაში. (გამჟღავნება: Ziff Davis-მა, ZDNET-ის მშობელმა კომპანიამ, 2025 წლის აპრილში სარჩელი შეიტანა OpenAI-ის წინააღმდეგ, იმის მტკიცებით, რომ მან დაარღვია Ziff Davis-ის საავტორო უფლებები თავისი ხელოვნური ინტელექტის სისტემების წვრთნისა და მუშაობის დროს.) კვლევაში არ არის კონკრეტულად მოცემული გამოთვლითი სიმძლავრის დოლარის ღირებულება, მაგრამ შეგვიძლია ვივარაუდოთ, რომ ხარჯები სულ უფრო იზრდება. სხვა ინდუსტრიული კვლევებიდან ვიცით, რომ ხელოვნური ინტელექტის გასამსხვილებლად საჭირო კომპიუტერული ჩიპების და მასთან დაკავშირებული ქსელური კომპონენტების ღირებულება ზოგადად იზრდება. ამ კვირაში Wall Street-ის საბროკერო ფირმა Bernstein Research-ის კვლევამ აჩვენა, რომ 2025 წელს ჩიპების მწარმოებლების, მათ შორის Nvidia-ს, ხელოვნური ინტელექტის განვითარების წამყვანი GPU მწარმოებლის, შემოსავლებში ასახულია ფასების დრამატული ზრდა მთელ სფეროში. ჩიპების გაყიდვების ვარდნის შემდეგ COVID-19 პანდემიის შედეგად, ინდუსტრიის გაყიდვები საბოლოოდ დაუბრუნდა 2019 წლის დონეს, დაწერა Bernstein-ის ჩიპების ანალიტიკოსმა სტეისი რასგონმა, ინდუსტრიის წამყვანი მონაცემების მიმწოდებლის, World Semiconductor Trade Statistics-ის, მონაცემებზე დაყრდნობით.