За последний месяц OpenAI вдвое снизила стоимость передовых интеллектуальных систем благодаря выпуску GPT-5.6, Anthropic выпустила передовую модель Opus 5 с показателем стоимости на единицу производительности, сопоставимым с OpenAI, а те, в свою очередь, снизили цену Terra и Luna (своих средних и самых маленьких передовых моделей) ещё на 20% и 80% соответственно. Стоимость интеллектуальных систем резко падает, как показано ниже.
В докладе ARK "Большие идеи 2026" показано, что затраты на вывод данных в 2025 г снизились на 99% по сравнению с предыдущим годом в пересчёте на усреднённую производительность. В тестах для агентных вычислений снижение затрат сейчас происходит ещё быстрее.
При пороговом значении производительности в этом году, 20% на DeepSWE, затраты в прошлом снизились в 7000 раз (на 99,99%), начиная с Sonnet 4.6 от Anthropic в феврале по цене около 3$ за задачу и заканчивая GPT-5.6 Luna от OpenAI в июле по цене 0,06$ за задачу при том же уровне производительности. В следующем году, в пересчёте на усредненную производительность, затраты должны снизиться еще на 99,96%, как показано на графике:
Производительность на фиксированном уровне в бенчмарке представляет собой лишь один из показателей улучшения ИИ. В начале 2026 г в бенчмарке для агентного программирования, таком как DeepSWE, достижение 50% производительности было невозможно при любой цене. Теперь такая производительность стоит 0,15$ за задачу.
Эти улучшения возможностей при буквально бесконечном снижении стоимости открывают новые рынки: модель ИИ теперь может достичь того, что было невозможно всего 6 месяцев назад. Чтобы проиллюстрировать это, ARK выводит отдельную кривую улучшения производительности в бенчмарке deepSWE: величина снижения частоты ошибок при экстремальном количестве токенов цепочки мыслей.
Максимальная частота ошибок в DeepSWE снижается в 4,2 раза в годовом исчислении. На практике, при стоимости одного доллара за задачу, лучшая в своем классе модель в марте не смогла бы обеспечить успешный результат в 92% случаев, тогда как сегодня она терпит неудачу в 30% случаев, а к этому времени в следующем году должна терпеть неудачу всего в 3% случаев, как показано на двух диаграммах ниже:
Третий показатель эффективности моделей на границе возможностей более тонкий. В оптимальной точке кривой "производительность-стоимость" каков компромисс в долларах между повышением или понижением производительности на эталонном тесте? До появления вычислительных ресурсов во время тестирования в модели o1 от OpenAI в сентябре 2024 г пользователь не мог легко проверить этот компромисс. Теперь наклон этих моделей, представляющий собой преобразование дополнительного процента бюджета в снижение частоты ошибок, кажется, становится круче.
Модели не только становятся более производительными на верхнем уровне и менее дорогими для заданного уровня производительности, но и становятся более чувствительными к требованиям пользователя к производительности. Наклон улучшается примерно в 2 раза в год, если измерять его по проценту бюджетных средств, необходимых для повышения производительности на один процентный пункт:
Сочетание этих факторов прогнозирует значительное улучшение производительности, как ожидаемое, так и фактическое, по всему бенчмарку DeepSWE. На диаграмме ниже слева направо каждый квадрат представляет фактическое снижение стоимости на единицу производительности, либо наблюдаемое (в длинных прямоугольниках), либо смоделированное.
При показателях бенчмарка от 5% до 70% затраты должны снизиться в среднем примерно на 99,97% в течение следующего года. При более высоких уровнях производительности снижение затрат должно быть более резким, открывая ранее невозможные уровни производительности.
Естественно возникает вопрос: может ли снижение затрат стать слишком резким, что приведёт к избыточному интеллекту? Согласно имеющимся данным, в контексте прогнозов ARK ответ - нет. Хотя системы ИИ способны на замечательные достижения, они остаются крайне неадекватными во многих областях интеллектуального труда.
В приложениях ИИ, основанных на воплощённых и биологических процессах, они находятся на зачаточном уровне. На каждом достигнутом пороге развития технологий прогресс в производительности моделей приводил к беспрецедентному росту доходов, и аналитики ARK ожидают, что эта тенденция сохранится. Уже сейчас компании, занимающиеся разработкой передовых моделей, возможно, превысили отметку в $100 млрд годового дохода. К 2030 г их доходы могут достичь триллионов долларов.
Независимо от траекторий роста доходов на переднем крае развития технологий, конечные пользователи и предприятия получат доступ к невероятно высокому уровню интеллекта по очень низким ценам за задачу. Учитывая этот ресурс, конкурентная борьба между компаниями должна стать более динамичной и ожесточённой, что побудит победителей продолжать инвестировать на переднем крае развития технологий. Удачи!!!
_________________________________________________________________________________________________________________________
Поддержать работу ТТ любой суммой. Спасибо!
Донаты для ТТ в крипте:
BTC: bc1qtr4c0v8uh95eppzcz93az7plvhcewv4hmqwcav
USDT: 0xDdf2a1fC12bf01493979A9e5179bAD7702F9c6A3
SOL: C4hpFMHQFzCVX4BdXzTyHDDo7gk3XHzXGFXWndesR4um
.png)
.png)
.png)
.png)
.png)
.png)
.png)












.png)
.png)



