Эволюция индустрии ИИ входит в «зону дифференциации», поскольку доминирующий дизайн отстает

Данная статья содержит около 18000 слов; ее основная структура следующая:

Интуитивные или абстрактные суждения о развитии ИИ могут быть трудны для эффективного руководства принятием решений

• Два классических инструмента анализа эволюции отраслей (Utterback + Klepper)

• Проанализируйте с помощью рамки слияния: на каком этапе находится текущая индустрия ИИ?

• Новый вопрос, который необходимо задать: каким будет темп в будущем?

• Шкала времени эволюции индустрии ИИ: от эры производства до цифровой эры

• Конкретные временные координаты изменения ИИ (прогноз)

• Используйте последние тренды для обратной проверки

Откройте телефон — новости об ИИ ежедневно обрушиваются на вас: одна модель только что выпущена и снова превзошла по производительности, другая компания получила новое финансирование и установила рекордную оценку, пользователи какой-то платформы преодолели новый порог, а в рейтинге вчера лидировавшая позиция сегодня уже обойдена. Плотность и скорость информации намного превосходят любые предыдущие технологические революции.

В июле только что завершившемся форуме WAIC это ощущение продолжалось. В зале повсюду обновлялись данные, превосходились показатели производительности, менялись технические параметры и формы продуктов; от передовых лабораторий и крупных компаний до стартапов, игроков традиционных отраслей, производителей конечных устройств и научных учреждений — все больше предприятий разных типов активно включаются в эту масштабную технологическую промышленную революцию.

Такая насыщенная информация и большое количество участников естественно вызывают две распространённые реакции.

Одна из них — тревога: не отстаю ли я? Упускает ли моя компания что-то важное? Если не начать эту неделю, не станет ли слишком поздно на следующей?

Другой — импульсивное суждение: кто уже выиграл? Кто уже выбыл? Неужели структура отрасли уже почти сформировалась?

За обоими реакциями скрывается одна и та же проблема: на каком этапе сейчас находится индустрия ИИ? И как нам рационально это определить?

Сейчас также существуют некоторые популярные утверждения — например, «ИИ уже перешел в новую стадию». С точки зрения каждого наблюдателя эти суждения имеют свою логику и основания. Однако для корпоративных руководителей, которым необходимо принимать стратегические решения на основе строгого анализа, сначала необходимо четко ответить на более фундаментальные вопросы: на чем мы основываем вывод, что предыдущая стадия завершилась? Как мы определяем, что ИИ действительно перешел в новую стадию? Каковы конкретные признаки этой новой стадии? Какие внутренние закономерности ей присущи? И каков полный цикл развития, включая все его стадии? Для получения более надежных выводов по этим вопросам необходима более строгая и научная аналитическая рамка — именно это в настоящее время часто упускается из виду в процессе ИИ-трансформации, что может иметь серьезные последствия. Неправильная оценка стадии отрасли напрямую влияет на направление, темп и приоритеты вложения ресурсов — ошибочное определение стадии может привести к полному смещению всех действий.

В текущих обсуждениях ИИ многие ученые начали анализировать и оценивать стадию развития отрасли. Среди них особенно примечательна длинная статья Карима Лахани, профессора Гарвардской школы бизнеса, опубликованная им в марте 2026 года на его личной платформе Substack под названием «От бурления к доминирующей конструкции». Он использует аналитические инструменты, разработанные на протяжении десятилетий двумя авторитетными учеными в области исследований инноваций в отраслях — Джеймсом Аттербеком (Массачусетский технологический институт) и Стивеном Клеппером (Университет Карнеги-Меллон) — на основе полных исторических данных по нескольким отраслям, чтобы определить стадию конкуренции крупных моделей ИИ и сформулировать несколько оригинальных наблюдений (которые будут подробно рассмотрены далее). Его основной вывод заключается в том, что ИИ в настоящее время находится на поздней стадии подвижности, доминирующая конструкция еще не установлена; порядок в отрасли следует рассматривать как открытый вопрос, а не как уже данный вывод. Это согласуется с направлением данной статьи и является одним из важных источников идей, использованных автором при формировании данной рамки.

В этой статье полностью раскрываются классические рамки двух ученых, исследуется расширенная аналитическая рамка для эпохи цифровых и ИИ-технологий, а также на основе самых свежих отраслевых данных и достижений 2026 года сначала строго определяется текущий этап эволюции ИИ-отрасли, а затем ставится вопрос, на который профессор Лахани не дал ответа, но который крайне важен для руководителей компаний: согласно общим законам эволюции отрасли, каким будет темп в будущем, когда будет установлен доминирующий дизайн и проявится глубокая перестройка?

Это и есть «шкала временных рамок эволюции ИИ-индустрии», о которой говорится в этой статье — где мы сейчас находимся и каким будет темп развития в будущем.

Эти два классических инструмента являются наиболее влиятельными общественными академическими ресурсами в области исследований инноваций в промышленности. Их ценность заключается не в абстрактных теориях, а в том, что оба они представляют собой закономерности, выведенные из большого объема исторических данных и многократно подтвержденные эмпирически.

Три этапа эволюции индустрии Уттербека: с точки зрения «продуктового измерения»

Джеймс Аттербэк — профессор Школы менеджмента Слоун при Массачусетском технологическом институте, один из пионеров в области индустриального инновационного развития и эволюции технологий. Его классическое исследование, проведенное в сотрудничестве с Уильямом Эбернати еще в 1975 году, изучало историю технологической эволюции десятков отраслей промышленного производства, а в его всеобъемлющей книге 1994 года «Mastering the Dynamics of Innovation» была систематизирована поразительно последовательная закономерность: технологическая эволюция практически всех отраслей следует распознаваемой трехэтапной последовательности.

Фаза жидкости (Fluid Phase) — все пробуют. Ещё не ясно, каким должен выглядеть продукт, чего действительно хотят клиенты и что считать «достаточно хорошим». Существует множество конкурирующих дизайнов, барьеры для входа низки, инновации сосредоточены на уровне продукта. Основной вопрос: каким должен быть продукт?

Переходный этап (Transitional Phase) — некоторые дизайнерские решения начинают стабилизироваться, и доминирующий дизайн (Dominant Design) выходит на первый план. Фокус инноваций смещается с вопроса «Чем должен быть продукт» на вопрос «Как сделать продукт дешевле, надежнее и масштабируемее» — от инноваций в продукте к инновациям в производстве. Основной вопрос становится следующим: что для клиентов действительно важно?

Специфическая фаза — продукт в основном стабилизирован, конкуренция смещается на эффективность — кто сможет сделать это дешевле, надежнее и масштабируемее. Инновации становятся постепенными, отрасль сильно консолидирована. Основной вопрос теперь: кто сможет доставить продукт более надежно, дешевле и масштабируемее?

Ключевое понимание этой модели заключается в том, что в три этапа «кто лидирует» совершенно разное. Умения победителей на этапе потока (эксперименты, скорость, воображение, толерантность к ошибкам) кардинально отличаются от умений победителей на этапе специализации (масштаб, стоимость, дисциплина, надежность). То, что компания лидирует на этапе потока, не означает, что она способна продолжать лидировать на этапе специализации — именно это является глубинной причиной того, почему во многих отраслевых трансформациях «бывшие лидеры в итоге выбывают».

Еще один момент: Уттербэк позже вместе с Суаресом (1993) дополнительно указал, что эволюция отрасли не обязательно проходит все три стадии — некоторые отрасли в конечном итоге формируют доминирующий дизайн (траектория A), а другие могут долгое время оставаться в состоянии сосуществования нескольких путей (траектория B).

2.1.1 Ключевые понятия: что такое «доминирующий дизайн» и будет ли он в эпоху ИИ?

В трех этапах доминирующий дизайн (Dominant Design) является наиболее ключевым понятием и требует подробного описания.

Доминирующий дизайн — это не то, что какой-то один продукт компании побеждает, а то, что определённый набор технологий и форма продукта становятся фактическим стандартом всей отрасли. Как только он устанавливается, всем последующим участникам, чтобы участвовать в конкуренции, необходимо строить свои продукты на основе этого дизайна — продукты, отклоняющиеся от него, почти неизбежно оказываются на периферии.

Самый классический пример — модель Ford T 1908 года: она утвердила не то, что бренд Ford победил, а то, что комбинация «бензиновый двигатель внутреннего сгорания + передний двигатель + задний привод + конвейерное производство» стала стандартным решением для всей автомобильной индустрии на десятилетия вперед. После этого все автопроизводители конкурировали друг с другом в рамках этой доминирующей конструкции, стремясь сделать лучше, а не пересматривая вопрос «как должен выглядеть автомобиль».

Как только доминирующий дизайн устанавливается, правила игры в отрасли меняются незаметно: фокус инноваций смещается с «что должно быть в продукте» на «как сделать продукт дешевле, надежнее и масштабируемее» — от инноваций в продукте к инновациям в производстве. Это ключевая граница между переходным и специализированным этапами.

Естественный вопрос: будет ли доминирующий дизайн в эпоху ИИ?

Автор считает: ответ положительный, но форма будет отличаться от эпохи производства. Пока отрасль требует масштабированной поставки, экосистемной координации и стабильных ожиданий пользователей, всегда сформируется некий «фактический стандарт» — это экономическое требование функционирования отрасли. Хотя в эпоху интернета темпы быстрее, все равно появились такие доминирующие разработки, как TCP/IP, HTTP, HTML, ядро Chromium.

Однако доминирующим дизайном эпохи ИИ, скорее всего, станет «иерархический, многоуровневый, компонуемый» — вместо «одной формы продукта, доминирующей во всем», на разных уровнях технологического стека будут возникать фактические стандарты, соединенные через интерфейсы и протоколы.

Другими словами, доминирующей архитектурой эпохи ИИ может стать не «следующий Т-образный автомобиль», а скорее набор многоуровневых протоколов, подобных «TCP/IP + HTTP + HTML» — каждый уровень стабилен, а взаимодействие между уровнями осуществляется через стандартные интерфейсы. Уже сейчас появляются такие концепции, как MCP (Model Context Protocol), сети A2A (Agent-to-Agent) и де-факто стандарты вызова API, которые могут быть первыми проявлениями подобной «архитектуры следующего поколения». Доминирующая архитектура не исчезла — она просто изменила свою форму.

2.1.2 Подтверждение историческими данными

Надежность модели Уттербека на трех этапах обусловлена ее точным описанием процессов формирования нескольких доминирующих дизайнов:

• Автомобильная промышленность: После того как модель Ford T в 1908 году утвердила доминирующий дизайн, автомобильная промышленность быстро перешла от периода потока к переходному периоду.

• Телевизионная индустрия: на раннем этапе существовали черно-белые телевизоры и различные цветные системы, после утверждения стандарта NTSC в 1953 году начался переходный период.

• Персональные компьютеры: в конце 1970-х годов появились различные архитектуры, такие как Apple II, TRS-80 и Commodore, но окончательно доминирующая архитектура была установлена только в 1981 году с появлением архитектуры IBM PC и союза Wintel.

• Смартфоны: до выпуска iPhone в 2007 году на рынке существовали различные дизайны, такие как BlackBerry, Nokia Symbian и Windows Mobile. После того как комбинация iPhone + iOS/Android стала доминирующим дизайном, другие направления быстро ушли из основного потока.

Общая черта: все они проходят этап многообразия потоков, после чего определённая комбинация становится доминирующим дизайном. Эта последовательность является эмпирической основой модели Уттербека.

2.2 Динамика промышленного населения Клеппера: с точки зрения "корпоративного измерения"

Стивен Клеппер — профессор экономики Университета Карнеги-Меллон, ведущий исследователь в области промышленной организации и эволюции предприятий. Еще в 1982 году Клеппер совместно с Майклом Гортом впервые разработал первую формальную математическую модель жизненного цикла отрасли в смысле промышленной экономики (в академической среде она обычно называется моделью Г-К), после чего он опубликовал ряд самостоятельных исследований, углубивших эту тему. На основе систематического анализа десятилетних исторических данных по нескольким отраслям Клеппер обнаружил последовательную закономерность в выходе и входе предприятий в процессе их возникновения и развития:

Вход в рост → Достижение пика числа компаний → Крупная перестройка → Доминирование небольшого числа лидеров.

Эмпирическая основа этого закономерности — полное отслеживание им происхождения, местоположения и года производства каждой компании, вошедшей на американский автомобильный рынок в период с 1895 по 1966 год. Данные выглядят следующим образом:

Здесь есть удивительный парадокс:

От пика до глубокой интеграции в 1960-е годы прошло около 50–60 лет, но за это время годовой объем производства автомобилей в США увеличился в сотни раз по логарифмической шкале. Другими словами, отрасль стала чрезвычайно масштабной, а количество компаний — чрезвычайно малым. Отрасль не боролась — она процветала; умирали слабые, а не спрос.

Клеппер также подтвердил эту же закономерность в нескольких других отраслях, сделав форму «рост — пик — спад» не исключительной для автомобильной промышленности — отрасль телевизоров (в начале 1950-х годов насчитывалась более 80 участников, после чего произошел относительно быстрый отбор), пишущие машинки, электронные лампы, шины, пенициллин и другие отрасли также демонстрируют ту же базовую форму. Это придало теории Клеппера прочную эмпирическую основу.

2.2.1 Ключевая теория: теория комбинированного различия способностей

Клеппер объяснил вышеуказанное явление теорией комплексного различия в способностях:

Перетасовка — это не внезапное решение рынка, а неизбежный результат накопления различий в способностях компаний со временем.

Различия между компаниями в способности к инновациям, росту и снижению затрат будут экспоненциально усиливаться со временем, пока слабые не пересекут линию выживания. Эта теория имеет три ключевых пункта:

Во-первых, различия в способностях часто возникают из-за случайных обстоятельств на ранних этапах. В первые годы выхода на рынок способности компаний в отрасли в целом схожи, но из-за одного-двух разных решений по ключевым вопросам, ключевым кадрам или ключевым возможностям между компаниями начинают появляться различия в способностях. Эти различия на начальном этапе кажутся почти незаметными.

Во-вторых, различия в способностях усиливаются и усиливаются экспоненциально. Компании с незначительно более высокими способностями получают большую долю рынка → больше ресурсов и возможностей для обучения → дальнейшее усиление преимущества — это позитивная обратная связь. Компании с немного более слабыми способностями попадают в обратную, негативную обратную связь. С годами изначально «незначительные» различия накапливаются и превращаются в «непреодолимый» разрыв.

В-третьих, когда различия накапливаются до «критического различия», слабые участники вытесняются. Зерна отбора заложены ещё на ранних этапах цикла ликвидности — на поверхности все бегут одинаково, но на самом деле скорость накопления основы у всех совершенно разная.

Вышеприведенное исследование пришло к выводу, который должен насторожить менеджеров компаний: ждать, пока отчетность ухудшится, прежде чем начать развивать способности, уже слишком поздно; ждать появления явных сигналов перестройки, прежде чем запускать модернизацию способностей, означает закрытие окна возможностей. То, что действительно определяет, кто сможет пережить перестройку, — это то, насколько рано компания приняла «скорость компаундинга способностей» в качестве ключевого стратегического параметра.

2.2.2 Еще одно важное неинтуитивное наблюдение: окно входа закрывается раньше, чем сигнал перемешивания

Помимо теории сложения различий в способностях, Клеппер сделал еще одно контринтуитивное, но чрезвычайно важное наблюдение: «окно входа» отрасли закрывается раньше, чем «сигналы перестройки».

Вернёмся к данным автомобильной промышленности: после достижения пика числа компаний в 1907–1910 годах, скорость входа новых компаний резко снизилась после 1910 года — в то время ещё не было явных признаков реструктуризации, отрасль продолжала быстро расти, и СМИ ещё не начали публиковать новости о «выходе той или иной компании». Реальная реструктуризация (постоянное снижение общего числа компаний в течение десятилетий) началась только после 1920 года. То есть:

• Около 1910 года — снаружи всё ещё выглядело как «время процветания, каждый занимался автомобилями», но окно для новых участников уже начало закрываться (настоящих новых игроков, желающих войти, становилось всё меньше).

• 1920–1960 гг. — начали проявляться сигналы перераспределения, СМИ начали сообщать об интеграции, и только тогда обычные наблюдатели осознали: «О, отрасль интегрируется».

Когда наблюдатели осознали это, окно возможностей уже закрылось на целых 10–15 лет.

Это наблюдение имеет серьезные практические последствия: компании не могут ждать появления «очевидных сигналов перестройки», чтобы решить, входить ли в ту или иную отрасль или слой — потому что к моменту, когда сигналы становятся видимыми, окно возможностей уже закрыто. Правильное решение о входе должно быть принято еще тогда, когда «поверхность кажется процветающей, и все входят», — то есть уже на этапе независимой оценки того, закрывается ли окно.

Это наблюдение будет повторно использовано при обсуждении временных координат ИИ — окно входа для крупных моделей ИИ может закрыться раньше, чем ожидают большинство наблюдателей.

2.3 Каждый из двух инструментов имеет слепые зоны; их совместное использование способствует более научной оценке этапа развития отрасли.

Каждый из двух инструментов в отдельности имеет явные слепые зоны — Utterback показывает, как эволюционирует дизайн продукта, но не говорит, какие компании выживут; Klepper объясняет, как компании исчезают, но не раскрывает, как будет меняться процесс продукта. Используя только один инструмент, вы видите лишь половину картины эволюции отрасли.

Полная эволюция отрасли, включающая два процесса: «сходимость технологического дизайна» и «смена корпоративного населения» — первый процесс можно проанализировать с помощью инструментов Уттербека, второй — с помощью инструментов Клеппера. Эти процессы связаны, но не полностью синхронизированы: утверждение доминирующего дизайна обычно происходит после достижения пика числа компаний и перед ускорением смены населения.

Автомобильная промышленность развивалась так: в 1907–1910 годах количество компаний достигло пика в 275, в 1908 году Ford Model T утвердил доминирующий дизайн, после 1910 года уровень входа резко снизился, а после 1920 года общее количество компаний начало значительно сокращаться. Эти два процесса взаимно влияли друг на друга и совместно определили полный ритм эволюции отрасли.

Использование двух инструментов одновременно означает рассмотрение отрасли с точки зрения как «продуктового измерения», так и «корпоративного измерения» — любое суждение о стадии эволюции отрасли становится более надежным и научным, только когда наблюдения по обоим измерениям взаимно подтверждают друг друга.

3.0 Описание области анализа

«Революция ИИ» — это очень широкое понятие. Анализ в этой статье сосредоточен на едином взаимосвязанном целом — «крупных моделях ИИ и их применениях и связанных продуктах», включая сами базовые крупные модели, приложения и формы продуктов, основанные на этих моделях (диалоги/программирование/агенты/помощник/мультимодальность/модельные компоненты овеществлённого интеллекта), а также тесно связанные дополнительные активы (облака, вычислительные мощности, чипы, инструментальные цепочки, системы оценки). Эти три компонента не являются тремя отдельными отраслями, а представляют собой три взаимосвязанных уровня одного и того же эволюционного процесса отрасли.

За пределами анализа данной статьи: компоненты, связанные с независимой физической формой или независимой отраслевой логикой — такие как механическая/аппаратная основа человеческих роботов, AI+здравоохранение/юриспруденция/образование и другие вертикальные отрасли — каждая из которых имеет собственные отраслевые закономерности и не может быть напрямую сопоставлена с временной шкалой, представленной в этой статье.

3.1 С точки зрения кадров Уттербека: каждый уровень все еще находится в фазе движения

Глядя на текущие крупные языковые модели ИИ и их применение через модель Уттербека из трех этапов, можно обнаружить, что почти на каждом важном уровне существуют споры.

Архитектурный уровень: станет ли Transformer финальным решением, или победит один из альтернативных направлений — смешанные эксперты (MoE), модели пространства состояний (семейство Mamba), модели мира, вычисления во время вывода или архитектуры, нативные для агентов? В 2026 году, когда ведущие компании активно инвестируют в путь MoE, альтернативные направления, такие как модели мира и архитектуры, нативные для агентов, продолжают получать значительные продвижения со стороны академического и промышленного сообщества; публичные обсуждения убывающей предельной отдачи от Scaling Law заставляют отрасль заново переосмыслить «существуют ли другие фундаментальные возможности». Архитектурные пути еще далеко не сходятся.

Уровень продукта (каким продуктом ИИ в конечном итоге дойдет до пользователей и предприятий) — в настоящее время конкурируют как минимум шесть форматов:

Шесть форматов перекрываются и конкурируют друг с другом, ни один из них нельзя назвать победителем — это типичная черта периода потока, когда сосуществуют несколько форматов продуктов.

Конкурентные измерения: способность к рассуждению, кодирование, стоимость, задержка, длина контекста, мультимодальность, способность агентов / продолжительность автономного выполнения задач, надежность / уровень галлюцинаций, безопасность / управляемость — какое из этих измерений в конечном итоге будет признано рынком «самым важным»? Каждый производитель заявляет о своем лидерстве в своей сильной стороне, но рынок пока не сформировал консенсуса относительно того, какое измерение является наиболее важным. Особенно это касается нового измерения — «сколько времени агент может работать автономно» — от маргинальной темы в 2025 году до ключевого показателя главной сессии WAIC в 2026 году прошло всего один год — это само по себе является признаком того, что конкурентные измерения еще не определены.

С точки зрения Уттербека, крупные языковые модели ИИ и их приложения явно находятся в фазе нестабильности — сосуществуют несколько направлений, концепции продуктов не определены, а измерения конкуренции еще не сформировались.

3.2 С точки зрения объектива Клеппера: высокий уровень входа, но дифференциация способностей уже формируется в тени

Из демографических тенденций в промышленности Клеппера в отношении индустрии крупных языковых моделей ИИ наблюдается явление «существования противоречий».

С одной стороны, глобальные компании, разрабатывающие крупные языковые модели ИИ, всё ещё находятся на этапе активного входа — OpenAI, Anthropic, Google, Meta, xAI, Mistral, а также китайские Baidu, Alibaba и Tencent, DeepSeek , Луна, Zhipu, ByteDance и множество стартапов, специализирующихся на конкретных сценариях. Новые участники продолжают появляться, характеризуясь интенсивными экспериментами.

С другой стороны, асимметрия способностей ведущих компаний уже тихо расширяется — вычислительная мощность (кто может позволить себе стоимость сверхмасштабного обучения), дистрибуция (кто контролирует входные точки), корпоративные клиенты (кто накопил отраслевое доверие), скорость организационного обучения (кто быстрее превращает каждое техническое усовершенствование в продукты и коммерческие возможности). Именно здесь происходит скрытое нарастание «составной разницы в способностях» — разрыв между лидерами и остальными, который мы наблюдаем сегодня, во многом является результатом «составления» за последние 3–4 года.

С точки зрения Клеппера, индустрия крупных языковых моделей ИИ находится на стадии «высокого входа, но дифференциация способностей уже началась» — это аналогично автомобильной промышленности 1900–1910 годов, когда количество компаний все еще возрастало к пиковому значению, но некоторые участники уже незаметно отрывались вперед.

3.3 Тщательная проверка ведущего дизайна: пять факторов, способствующих успеху

Ранее, на основе исследований Уттербека и Клеппера, был сделан вывод: крупные языковые модели ИИ и их приложения находятся на поздней стадии потока. Этот вывод заслуживает повторной проверки на основе доказательств — автор, обобщив исследования и рассуждения ученых Уттербека, Суареса, Кристиансена и других, выделил пять факторов, способствующих установлению доминирующего дизайна. Исторически установление доминирующего дизайна обычно требует одновременного наличия как минимум трех-четырех из них:

• Фактор один: техническая осуществимость — при определённом дизайне наблюдается чёткая конвергенция по совокупным характеристикам и инженерной осуществимости, отрасль фактически концентрируется в этом направлении, становясь «общепринятым решением» на технологическом пути

• Фактор 2: Зрелость комплементарных активов — вокруг этой модели сформировались сопутствующие цепочки поставок, стандарты, инструменты, системы обучения и экосистема разработчиков, создавая экосистемную блокировку

• Фактор три: проявление эффекта масштаба — масштабируемая реализация этой модели создает положительный цикл «снижение затрат + положительная экономика на единицу + успешная бизнес-модель», и цикл «вложения — доход — повторные вложения» начинает работать

• Фактор 4: Поддержка ведущих производителей — несколько компаний с рыночным влиянием выбирают и продвигают этот дизайн, совместно устанавливая де-факто стандарт за счет доли рынка и привлекательности экосистемы.

• Фактор 5: Вмешательство правительства/регуляторов — принудительное или направленное внедрение стандартизации через законодательство, системы сертификации и регуляторные рамки

Форд Т-модель стала доминирующим дизайном автомобилей в 1908 году, потому что одновременно были выполнены пять факторов: техническая осуществимость (комбинация двигателя внутреннего сгорания и переднего расположения двигателя оптимальна), быстрое развитие комплементарных активов (заправочные станции, сеть обслуживания), экономия на масштабе (конвейер снижал стоимость), доминирующий производитель (Ford一度占据超过一半的市场份额) и государственное регулирование (стандарты дорог, система водительских прав).

Проверив текущее состояние крупных языковых моделей ИИ и их применений по этим пяти факторам, только один пункт выполнен, а остальные четыре еще далеки от реализации — именно это является конкретной основой для вывода данной статьи о том, что «крупные языковые модели ИИ и их применение находятся на поздней стадии ликвидности»: не на ощущение, а путем последовательного сопоставления.

Другими словами, доминирующий дизайн устанавливает порог «необходимости одновременного наличия как минимум 3–4 факторов», который ИИ пока далеко не может достичь.

3.4 Комплексная оценка этапа: «зона дивергенции», при которой поздний этап ликвидности переходит в ранний этап перехода

На основе вышеуказанного анализа и теста пяти факторов можно сделать комплексный вывод: в настоящее время крупные языковые модели ИИ и их приложения находятся на поздней стадии ликвидности и начали перемещаться к ранней стадии перехода — автор называет это «зоной дивергенции».

Суть «зоны дивергенции» можно кратко описать как: продукты остаются многоуровневыми и открытыми, а дивергенция возможностей уже началась.

«Зона дивергенции» не является отдельным новым этапом; она описывает переходную зону между этапом потока и этапом перехода в теории Уттербека трех этапов и не предсказывает, что ИИ обязательно пройдет весь путь перехода к специализированному этапу. Как описательное понятие, она фиксирует текущую объективно существующую двойственную структуру:

С одной стороны: с точки зрения продукта архитектура, форма и конкуренция остаются открытыми — сосуществуют несколько направлений, доминирующий дизайн еще не сформировался, это часть, находящаяся в фазе неоконченной подвижности.

С другой стороны: на корпоративном уровне различия в способностях между лидерами и нелидерами уже начали формироваться — разрыв в вычислительной мощности, дистрибуции, корпоративных клиентах и скорости организационного обучения незаметно расширяется, и это уже часть раннего переходного периода.

Две стороны, накладывающиеся одновременно, образуют «зону дивергенции». Это не хаос, поскольку уже существуют видимые паттерны и накопленная асимметрия; это также не окончательное решение, поскольку критерии, определяющие, кто победит в итоге, еще не закрепились. Проще говоря: внешне все еще кажется процветанием, но комплексное усиление различий в способностях уже началось.

Следует дополнительно включить три оригинальных наблюдения, предложенные профессором Каримом Лахани в его длинной статье от марта 2026 года на основе той же аналитической рамки — они могут рассматриваться как дальнейшая детализация механизмов внутри «зоны дивергенции».

Наблюдение Лахани: открытость архитектуры и асимметрическая конкуренция могут сосуществовать — открытость на архитектурном уровне и дифференциация на корпоративном уровне могут сосуществовать. Лахани дал этому состоянию точное название: «структурированный фермент» (Structured Ferment), что указывает на то же явление, что и «зоны дифференциации» в данной статье — однако в статье больше акцентируется динамика «дифференциации способностей», тогда как Лахани подчеркивает ощущение одновременного сосуществования множества путей «ферментации».

Наблюдение Лаххани: гипотеза иерархической концентрации — структура отрасли будущего ИИ, вероятно, не сойдется к модели «один победитель забирает всё», а сформирует ведущих игроков на разных уровнях технологического стека: слой передовых моделей, слой корпоративной интеграции, слой открытой экосистемы и слой специализированных дополнений (облака, чипы, инструментальные цепочки, безопасность), каждый из которых будет иметь своих доминирующих участников.

Лахани: Наблюдение 3 — Оркестровка нескольких моделей — это новая отраслевая модель: реальные рабочие задачи разбиваются на цепочку: генерация идей, поиск, черновик, кодирование, проверка, форматирование, доставка — разные модели обладают сильными сторонами на разных этапах этой цепочки. То, что действительно решает исход, может быть не «какая модель сильнее», а «кто в нужный момент вызывает нужный интеллект для нужной задачи».

3.5 Конкретные характеристики текущего этапа

На основе вышеизложенного анализа конкретные характеристики текущего этапа «дивергенции» можно свести к следующему:

Тогда, если крупные языковые модели ИИ и их приложения находятся в «зоне дивергенции» (переход от поздней стадии ликвидности к ранней стадии), согласно общим законам эволюции отрасли, каким будет темп развития до утверждения доминирующего дизайна и проявления глубокой перестройки?

Это вопрос, имеющий решающее значение для руководителей компаний. Чувство времени напрямую определяет темп действий — если окно составляет 20 лет, можно спокойно планировать; если окно составляет всего 3–5 лет, многие действия необходимо запустить немедленно.

Очевидный вывод: обратиться к историческим данным Уттербека и Клеппера. Автомобильной промышленности потребовалось около 15–20 лет, чтобы перейти от фазы потока к утверждению доминирующего дизайна, и 50–60 лет — от пика до глубокой интеграции — если ИИ следует тому же временному масштабу, нам, похоже, ещё очень долго.

Но здесь возникает очень важный вопрос — данные обоих инструментов Уттербека и Клеппера основаны на производственном секторе. Можно ли напрямую применить временные масштабы эволюции производственной отрасли к цифровой/ИИ эпохе? Если нет, то каковы реальные временные масштабы? Именно на этот вопрос предстоит ответить далее.

Структурные различия между производственной эрой и эрой цифровых технологий — и почему они ускоряются

Эволюция промышленности в сфере производства происходит естественно медленно, поскольку она обладает несколькими общими характеристиками:

Физические продукты требуют заводов, цепочек поставок и каналов распределения — рост ограничен физическими факторами

Создание эффекта масштаба требует огромных капиталовложений и времени — строительство заводов и создание цепочек поставок являются долгосрочными процессами.

• Принятие пользователя ограничено скоростью физической доставки — автомобилю от производства до попадания к пользователю требуется недели или даже месяцы

• Технологическое развитие ограничено темпами обновления технологий, материалов и производственного оборудования — для каждого нового поколения необходимо重建 производственную линию

Именно из-за этих характеристик период переполненности в автомобильной промышленности составляет около 20 лет, а от доминирующего дизайна до глубокой интеграции проходит еще несколько десятилетий. Эти временные масштабы не являются «общими закономерностями» эволюции отрасли, а являются результатом физических и капитальных ограничений, характерных для производственной сферы.

Когда эти ограничения были цифровым образом устранены, все четыре характеристики претерпевают фундаментальные изменения, и временные масштабы эволюции отрасли напрямую сжимаются:

• Распределение имеет почти нулевую предельную стоимость — одно приложение может охватить глобальную аудиторию за несколько месяцев; ChatGPT достиг 100 миллионов пользователей всего за около двух месяцев, став одним из самых быстро принятых потребительских продуктов в истории.

Экономия от масштаба заменена сетевым эффектом и циклом данных — экономия от масштаба в производстве требует накопления на протяжении многих лет, тогда как цифровые отрасли могут создать экспоненциальный самоподдерживающийся цикл за 1–2 года.

• Принятие пользователя ограничено пропускной способностью и конечными устройствами, а не физическим распространением — сокращение с «недель и месяцев» до «загрузки и использования за минуты».

• Технологическое развитие ограничено не технологиями и оборудованием, а кадрами и вычислительными мощностями — ведущие компании за крайне короткий срок накапливают огромный капитал, вычислительные мощности и кадры (в 2026 году пять крупнейших американских технологических компаний обязались инвестировать в инфраструктуру ИИ в совокупности на сумму, достигающую уровня 700 миллиардов долларов США); такая скорость накопления капитала была немыслима в эпоху промышленного производства.

Помимо этих четырех фундаментальных изменений, цифровая эпоха добавляет еще два ускоряющих фактора:

• Ускорение обратной связи — цифровые продукты могут проводить реальное A/B тестирование, обратная связь сокращается с «лет» до «дней или даже часов», скорость обучения соответственно ускоряется, а время компаундинга способностей значительно сокращается.

• Глобальная синхронная конкуренция — цифровая индустрия изначально является глобальным рынком, с большим количеством участников, более быстрой конкуренцией и более резким перераспределением.

Ключевой вопрос: во сколько раз эти различия сжимают временные масштабы цифровой эпохи по сравнению с эпохой производства?

Сравнение скорости эволюции шести отраслей цифровой эпохи

Рассмотрим несколько цифровых отраслей, которые уже завершили эволюцию от этапа ликвидности к этапу перехода:

Смартфоны (2007–2012 гг.) — в 2007 году был выпущен iPhone, в 2008 году присоединился Android, к 2010 году четко сформировалась доминирующая дуополия iOS + Android, к 2013 году Nokia, BlackBerry и Windows Phone практически вышли из основного рынка. От периода нестабильности к устойчивому переходному этапу: примерно 5 лет.

Социальные сети (2004–2012) —— Facebook запущен в 2004 году, в 2004–2008 годах происходила конкуренция между несколькими платформами (MySpace, Facebook), к 2010 году Facebook утвердился как глобальный лидер. Переход от периода нестабильности к устоявшейся фазе: примерно 6–8 лет.

Веб-браузеры (1994–2000) —— в 1994 году Netscape вышел на рынок, в 1995–1998 годах развернулась битва браузеров (Netscape против IE), в 1999–2000 годах IE доминировал на рынке. От периода ликвидности к стабилизации переходного периода: примерно 5–6 лет.

Облачные вычисления IaaS (2006–2015) — в 2006 году запущена AWS, в 2010–2013 годах происходила конкуренция нескольких участников, в 2016–2018 годах сформировалась четкая структура из трех ведущих производителей (AWS, Azure, GCP). От периода ликвидности к стабилизации переходного периода: примерно 8–10 лет.

Электромобили (2010–?) —— вокруг 2010 года лидерство взяла Tesla, в 2015–2020 годах появилось множество новых игроков, к 2025 году сформировалась предварительная структура лидеров, но рынок всё ещё находится в переходной фазе. Ожидаемое окончательное формирование: около 12–15 лет (связано с физическим производством, медленнее, чем чисто цифровые отрасли — это также напоминает нам, что в ИИ части, связанные с физической формой, такие как механические/аппаратные компоненты олицетворённого интеллекта, будут значительно медленнее, чем чисто цифровые).

Квантовая оценка сжатия временного масштаба

Как из пяти приведенных выше данных о продолжительности отраслей можно определить подходящий коэффициент сжатия? Автор разработал систему логических рассуждений.

Шаг 1 · Выберите базовую отрасль

Базовая отрасль должна соответствовать трем условиям:

Целостная структура: пройти полный цикл — период ликвидности → переходный период → специализированный период

Данные доступны: вход и выход компаний, утверждение ведущего дизайна, глубокая интеграция с проверяемыми историческими данными

Достаточно длительный временной интервал: предоставляет исходный временной масштаб без сжатия.

Данные об американской автомобильной промышленности за период 1895–1966 годов, отслеживаемые системой Klepper, удовлетворяют всем трем пунктам.

Однако остается вопрос: внутренние промышленные циклы в производственном секторе сами по себе неоднородны (время жизненного цикла телевизоров T1 составляет около 6–8 лет, автомобилей — около 15–20 лет, разница уже приближается к двукратной); почему именно автомобили принимаются в качестве эталонного показателя «эры производства»?

Это можно исследовать с помощью аналитической рамки 5.1 — шести структурных факторов (физическое распределение, экономия на масштабе, принятие пользователями, технологическая эволюция, обратные связи, глобальная конкуренция). Эта рамка может объяснить не только различия между «производством» и «цифровыми» отраслями, но и различия внутри самого «производства». Телевизоры (начавшиеся в 1946 году) развивались в 2–3 раза быстрее, чем автомобили (начавшиеся в 1895 году), поскольку телевизоры воспользовались активами, уже накопленными предыдущей отраслью (радио) по этим шести факторам — распределительные сети, технологии производства электронных ламп, восприятие пользователями, технологическая база — всё это не требовало создания с нуля.

Это наблюдение раскрывает более глубокую закономерность: сжатие временных масштабов не является результатом лишь одного скачка от промышленной эпохи к цифровой, а представляет собой непрерывный процесс ускорения, накапливающийся на протяжении нескольких поколений и под влиянием множества факторов. Основная причина выбора автомобиля в качестве эталона — не только три поверхностных условия: «целостная структура + доступность данных + длительный период», а то, что автомобиль является наиболее полным примером создания «с нуля»: все шесть факторов должны были быть созданы с нуля, без каких-либо предшествующих отраслей, способных их поддержать, что делает его представителем первоначального временного масштаба, не подвергавшегося ускорению за счет предыдущих накоплений. Коэффициент сжатия, полученный на основе этого эталона, позволяет приблизительно определить «максимальное значение накопленного ускорения в цифровую эпоху».

Шаг 2 · Сопоставьте пять цифровых отраслей

Сравнительно с автомобилем T1 (15–20 лет):

Шаг 3: Классифицируйте ИИ с помощью шестифакторной рамки

Вернёмся к шестифакторной модели — степень ускорения предварительного накопления отрасли по шести факторам напрямую определяет коэффициент сжатия. Следуя этой логике, рассмотрим данные в таблице:

Электромобили: минимальное сжатие (1,3–1,5 раза), поскольку для них всё ещё необходимо отдельно развивать физическое производство, цепочку поставок и итерации аппаратного обеспечения;

Чисто цифровые отрасли, такие как веб-браузеры и облачные вычисления: сокращение в 2–3 раза, поскольку они опираются на накопления эпохи ПК и раннего интернета;

Экосистема мобильных приложений: наибольшее сжатие (в 3–4 раза), поскольку она появилась после того, как цифровая инфраструктура достигла высокого уровня развития — почти все предшествующие ограничения из шести факторов были устранены.

Так к какому классу относятся крупные языковые модели ИИ и их применения? Автор считает:

Он появился на самой поздней стадии цифровой эпохи — облачные вычисления, интернет, мобильные устройства, экосистема разработчиков и инфраструктура данных уже достигли высокого уровня зрелости; одновременно сам ИИ породил две беспрецедентные саморазгоняющиеся петли — сетевой эффект и колесо данных (чем больше его используют → тем больше данных → тем сильнее модель → тем больше людей его используют).

Согласно шестифакторной модели, коэффициент сжатия ИИ должен находиться в диапазоне от 3 до 5 раз: нижняя граница в 3 раза основана на уже подтвержденных отраслях «позднего ускорения» из таблицы (например, веб-браузеры, экосистема мобильных приложений); верхняя граница в 5 раз учитывает уникальную двойную петлю самоподдерживаемого ускорения ИИ — это не имеет аналогов в истории и представляет собой разумную, но еще не подтвержденную оценку.

Обзор и комплексная оценка межпоколенческого периода

Обобщив вышеуказанный анализ, можно составить полную сводную таблицу сравнения поколений:

Общая оценка: от эпохи производства до цифровой эпохи временной масштаб эволюции отрасли сократился примерно в 3–5 раз; ожидаемый коэффициент сжатия для крупных моделей ИИ и их приложений находится в верхней половине этого диапазона.

[Необходимое честное заявление]: Вышеуказанные выборочные сравнения включают только цифровые отрасли, в которых уже завершено формирование ведущего дизайна, и не включают отрасли, такие как VR/AR, метавселенная, Web3/блокчейн-приложения, которые до сих пор не стабилизировались — все они значительно превышают ожидаемое сжатие в 3–5 раз и находятся в состоянии нестабильности. Другими словами, предположение о «сжатии в 3–5 раз» предполагает, что ИИ будет следовать «пути уже стабилизировавшихся цифровых отраслей». Если это предположение изменится, то оценка сжатия в 3–5 раз потребует соответствующей корректировки.

После того как временной масштаб сократился примерно в 3–5 раз, мы можем перейти к анализу конкретных временных координат больших моделей ИИ и их применения. Конечно, это не точный прогноз, а разумная оценка на основе исторических аналогий. При этом возможность такого прогнозирования предполагает, что большие модели ИИ будут следовать траектории A (формирование доминирующего дизайна), а не траектории B (постоянное разнообразие).

Мой комплексный вывод: вероятность того, что крупные языковые модели ИИ будут развиваться по траектории A, значительно выше, чем по траектории B — однако форма будет не «одиночной T-образной машиной», а «многоуровневой архитектурой на основе иерархического протокольного стека».

Помимо аргументации этого в разделе 2.1.1 с точки зрения «экономических требований к функционированию отрасли + многоуровневый протокольный стек интернета», следующие три текущих наблюдаемых сигнала также убедительно подтверждают этот вывод:

• Технический набор инструментов уже поверхностно конвергировал — архитектура Transformer, предварительное обучение + последующее обучение (SFT + RLHF/DPO), мультимодальная интеграция, вызов инструментов / агентизация — почти всеми ведущими моделями. Это обычное явление перед доминирующим дизайном в истории.

• Подслои доминирующих дизайнов уже формируются отдельно: слой программных агентов сходится к моделям Claude Code / Cursor / Copilot / Windsurf; нативные мультимодальные продукты сходятся к подходу «модели диффузии + высокая временная точность»; в слое корпоративных Copilot Microsoft 365 Copilot стал фактическим стандартом. Не требуется, чтобы «вся ИИ-экосистема» сходилась вместе — подслои уже самостоятельно формируют собственные доминирующие дизайны.

• Архитектура протокольного уровня уже сформировалась — MCP (предложена Anthropic в конце 2024 года, в 2026 году постепенно интегрирована OpenAI / Google / Microsoft), сеть A2A — протокольный уровень обычно более устойчив, чем уровень продуктов (как TCP/IP, который долговечнее любого браузера)

[Необходимое честное заявление]: После подтверждения двух обратных сигналов координаты времени в этой статье необходимо пересчитать:

Обратный сигнал №1: Формула "чем больше, тем сильнее" может перестать работать. В течение последних пяти лет возможности ИИ в основном продвигались за счет грубой формулы «большие модели + больше данных + более мощные вычислительные ресурсы» (закон масштабирования). Если к 2027–2028 годам эта формула исчерпает себя, а в краткосрочной перспективе не появится сильной альтернативы — отрасль будет вынуждена экспериментировать с совершенно разными подходами, такими как мировые модели, Mamba и агенто-ориентированные архитектуры, и наблюдаемая сейчас «технологическая конвергенция» может разрушиться.

Второй сигнал разворота: переход от «параллельного сосуществования нескольких лагерей» к «отдельным ведущим архитектурам каждого лагеря». Само по себе текущее параллельное сосуществование нескольких лагерей — это нормальное проявление «дифференциации способностей» — настоящий риск заключается в углублении этой дифференциации до состояния «полной непрерывности». На это направление указывают два фактора: во-первых, «мозг» встраиваемого интеллекта (в академической среде называемый моделью VLA) — из-за необходимости в реальном времени воспринимать и обрабатывать физические обратные связи, его базовая архитектура может развиваться по пути, полностью отличному от архитектуры крупных языковых моделей для чатов; во-вторых, два крупнейших лагеря — Китай и США — продолжают расширять разрыв в архитектуре, протоколах, экосистемах и регулировании. Если переход произойдет от «единая ведущая архитектура» к «нескольким ведущим архитектурам каждого лагеря», временная координата может измениться.

Три ключевые временные линии (сценарий)

Продолжая предыдущий анализ, если принять за отправную точку коммерциализации крупных языковых моделей ИИ выпуск GPT-3 в 2020 году (это общепризнанная отраслевая веха: архитектура Transformer достигла зрелости, впервые проявилась эмерджентная способность, впервые был создан коммерческий API для корпоративного использования), то, исходя из этой точки, автор приблизительно построил общий временной график с 2020 по 2035 год, разделенный на четыре этапа:

Разверните общий график подробнее: для руководителей компаний три ключевые временные линии заслуживают дополнительного анализа и внимания (область анализа: крупные языковые модели ИИ и их применение; части, имеющие отдельную физическую форму или отдельную отраслевую логику, необходимо оценивать отдельно в соответствии со своим темпом развития).

Временная шкала 1: Появление доминирующего дизайна — поэтапное появление, ожидается 2026–2032 гг., реализация по этапам

Скорость сходимости различных подуровней не синхронизирована и сильно различается. На основе текущих наблюдаемых сигналов можно сделать приблизительную оценку по категориям (а не точный график):

• Раннее появление (около 2026–2028 гг.) — протокольный уровень (MCP / A2A / спецификации API-вызовов) и уровень программных агентов. Итерации на протокольном уровне имеют относительно низкую стоимость и быстрое формирование консенсуса между производителями, уже сформировавшие предпосылки для фактического стандарта; на уровне программных агентов наблюдается четкая конвергенция продуктовых форматов (Claude Code / Cursor / Copilot / Windsurf / Tongyi Lingma и т. д.

• Среднесрочный тренд (около 2027–2029 гг.) — основные направления продукта: универсальный диалоговый помощник, нативный мультимодальный продукт (модели диффузии + долгосрочная сохранность), встроенный помощник (формат для корпоративных рабочих процессов). Для этих трех уровней уже наблюдаются явные признаки консолидации лидеров, а проникновение ведущих продуктов среди клиентов быстро растет; однако полное формирование займет еще 2–3 года.

• Позднее появление (около 2028–2030 гг.) — рабочая станция для офисных/настольных агентов (на примере WorkBuddy, Coze, BAILIAN и др.). Основной драйвер — экосистемная привязка, быстрое развитие за счет входных точек, цепочек совместной работы и позиций в экосистеме; однако внедрение на корпоративном уровне все еще находится на ранней стадии перехода от «повышения эффективности отдельных сотрудников» к «повышению эффективности организации», полное зрелое внедрение ожидается примерно в 2028–2030 гг.

• Позднее всего появится (2030–2032 и далее) — уровень универсальных автономных агентов (Manus, Operator и подобные), парадигма взаимодействия нескольких агентов, фундаментальные инновации на архитектурном уровне, уровень «мозга» встраиваемого интеллекта (модели VLA). Универсальные автономные агенты и взаимодействие нескольких агентов сталкиваются с глубокими проблемами, такими как надежность, структура затрат, границы ответственности и междоменные протоколы; темпы их сходимости значительно медленнее, чем у чисто цифрового уровня. На текущем этапе архитектурный уровень проявляется как «поверхностная сходимость инструментов» (Transformer + MoE + пост-обучение + архитектура памяти); настоящие фундаментальные инновации ожидаются только после 2030 года.

[Необходимое честное заявление]: Вышеуказанные этапы основаны лишь на разумной оценке текущих сигналов — это ориентировочное ощущение времени, а не расписание. До 2030 года архитектура, форма и конкурентные измерения всё ещё находятся в процессе эволюции; после 2030 года правила игры могут начать «слоисто» перезапускаться.

Вторая временная линия: закрытие окна — прогнозируется 2026–2030 гг. (слой передовых моделей закроется первым)

Ключевое наблюдение Клеппера заключается в том, что «окно входа закрывается раньше, чем сигнал перераспределения» — в автомобильной промышленности снижение уровня входа в 1910 году по сравнению с проявлением перераспределения в 1920–1960 годах отставало на 10–15 лет. В цифровую эпоху это сжимается в 3–5 раз, поэтому этот разрыв сокращается до 2–5 лет — таким образом, окно входа закрывается примерно за 2–5 лет до глубокого перераспределения, то есть в 2026–2030 годах.

Но необходимо рассматривать различные этапы закрытия по уровням:

• Слой передовых моделей: самый ранний для закрытия; для новых участников вход в этот слой будет крайне сложным после 2027–2028 годов — сочетание вычислительных мощностей, кадров и корпоративного доверия приближается к завершению; с 2026 года наблюдается концентрация венчурного капитала в глобальном слое передовых моделей на небольшом числе игроков.

• Уровень протокола и инструментальной цепочки: закрывается раньше; как только протокольные спецификации, такие как MCP/A2A, станут доминирующими, новым участникам необходимо интегрироваться в экосистему, а не создавать всё заново

• Уровень приложений и продуктов: относительно свободный; окно для уровня программных агентов сокращается из-за быстрой коммерциализации и интеграции ведущих продуктов; однако на уровне приложений, таких как нативные мультимодальные продукты и офисные/настольные агенты, по-прежнему существует относительно много возможностей для входа, и шансы сохранятся до 2028–2032 годов.

• Уровень интеграции вертикальных отраслей: долгосрочно открытый окно интеграции ИИ с вертикальными отраслями, такими как здравоохранение, юриспруденция, образование и другие, которое может продолжаться после 2035 года

Суть в том, что разные стратегические позиции имеют явно различную срочность окна входа — окно для фронтальных моделей самое короткое, а для прикладного уровня и вертикальной интеграции — относительно более длительное.

Временная шкала 3: Начало глубокой перестройки · Ожидается 2030–2035 гг. (происходит в основном на уровне передовых моделей)

Способность Комплексного механизма Клеппера в цифровую эпоху работает быстрее — за 8–10 лет можно достичь эффекта компаундинга, который в эпоху производства занимал 30 лет. Разрыв в способностях между компаниями за этот временной интервал экспоненциально возрастет до необратимого уровня.

Но интенсивность глубокого перемешивания также разделена по уровням:

• Наиболее глубокая перестановка на уровне передовых моделей: сочетание способностей, барьеры, связанные с вычислительными ресурсами и капиталом, концентрация корпоративного доверия — возможно, схождение к нескольким ведущим игрокам

• Перестановка на уровне приложений и уровне форм продуктов минимальна: на каждом уровне могут остаться несколько ключевых игроков, длинный хвост больше

• Перемешивание на уровне протокола происходит почти нечасто: как только стандарт устанавливается, он остается стандартом

• Перестройка слоя вертикальной интеграции связана с логикой традиционных отраслей: ИИ — лишь один из факторов, темп перестройки отрасли будет определяющим

Срочность входа предприятий в окно

Глядя на эти три временные линии вместе, можно сделать ключевой вывод:

Большинство компаний, сосредоточивших свою стратегию на крупных языковых моделях ИИ и их применении, могут иметь всего 2–4 года на стратегическую корректировку — чтобы занять свою позицию до появления доминирующего дизайна (особенно на уровне формата продуктов) к 2030 году, необходимо принять решение о направлении и выбрать точку входа до 2028 года; соответственно, 2026–2027 годы являются ключевыми.

Однако эта временная шкала основана на предпосылке, что экономия на масштабе и бизнес-модель достигнут ключевого прорыва до 2027–2030 годов. Обратная проверка в седьмой части покажет, что «экономия на масштабе и бизнес-модель еще не сформированы» — одно из самых точных наблюдений 2026 года. Если проблемы с бизнес-моделью сохранятся и после 2028 года, окно появления доминирующего дизайна может быть сдвинуто на 2–3 года вперёд — то есть вышеуказанные временные координаты зависят от двух предпосылок: «AI следует траектории A + экономия на масштабе достигает прорыва в течение 3–4 лет». Любое изменение одной из них потребует пересмотра временных координат.

Для частей, связанных с независимыми физическими формами или независимой отраслевой логикой (самостоятельные робототехнические устройства, AI + специализированные отрасли), графики необходимо корректировать в соответствии с их собственным темпом — однако фундаментальный закон «разница в скорости композиции способностей экспоненциально усиливается» применим ко всем уровням.

Это и есть «шкала времени эволюции индустрии ИИ» — предоставление слоистого, условного и точного ощущения времени, основанного на аналитической рамке.

Строгое анализ должен выдержать проверку новейшими данными. Используя наблюдаемые тенденции в индустрии ИИ в 2026 году, проведите обратную проверку предыдущих выводов о «зоне дивергенции» по четырем аспектам: продукт, компания, бизнес, реальные события — достаточно выбрать шесть наиболее показательных сигналов.

Проверка 1: Архитектурно уровень все еще открыт

Эволюция архитектуры в 2026 году продолжает развиваться по нескольким направлениям: под руководством Transformer, гибридные эксперты (MoE) в Gemini 3.1 Pro, DeepSeek Полное применение в моделях, таких как V4; вычисления при выводе становятся ключевым измерением конкуренции для новых версий GPT, Claude и других; состояние пространственных моделей (семейство Mamba) и архитектур, нативных для агентов, продолжают активно исследоваться в 2025–2026 годах; направление мировых моделей продолжает продвигаться ведущими учеными, такими как Фей-Фей Ли и Ян Лекун. Контекстное окно продолжает быстро расти от десятков тысяч до уровня в 2 миллиона токенов; убывающая предельная отдача от Scaling Law也开始 обсуждаться публично в 2026 году — все это указывает на то, что технологические пути продолжают пересматриваться.

Вывод: На архитектурном уровне очевидно, что ситуация остается нестабильной. Технические факторы, определяющие жизнеспособность дизайна, далеко не выполнены — это прямое подтверждение того, что «продуктовый аспект» в «зоне дивергенции» остается открытым.

Вторая проверка: на корпоративном уровне дифференциация действительно произошла — но структура представляет собой сосуществование нескольких лагерей

Фактическая структура слоя передовых моделей в 2026 году представляет собой многополярную систему без абсолютного лидера:

• Ведущие игроки США: OpenAI, Anthropic, Google в качестве основных, за ними следуют Meta (семейство Llama), xAI и другие

• Китайская линия открытости: DeepSeek 、Qwen、 Кими 、智谱、 DouBao , Hunchun и другие, формируют независимую конкурентоспособность по таким измерениям, как стоимость, открытый исходный код, многоязычность и вертикальные сценарии

• Европа/другие регионы: Mistral и другие занимают место в открытой экосистеме

В то же время наблюдаемые сигналы диверсификации явны: доля трафика пользователей ChatGPT значительно снизилась с ранее доминирующих позиций, использование Gemini растет в разы в годовом исчислении, а Anthropic демонстрирует быстрый рост в корпоративных и разработческих сценариях, ее ARR достигла уровня десятков миллиардов долларов, а квартальный доход вышел на уровень десятков миллиардов долларов.

Вывод: это полностью соответствует оценке «зоны дивергенции» — на продуктовом уровне сохраняется открытая многополярная структура с несколькими участниками (архитектура и маршрут еще не определены), однако на корпоративном уровне разрыв в способностях между лидерами и остальными уже явно увеличивается. Важно понимать, что «дивергенция способностей» не означает «победу немногих» — это может быть «разрыв между несколькими лагерями».

Проверка 3: Промышленная структура эволюционирует в сторону «иерархической концентрации + оркестрации нескольких моделей»

Прогноз Лаххани о «иерархической концентрации» и «много-модельной оркестрации» получил сильную практическую проверку в 2026 году:

• Слой передовых моделей: несколько ведущих производителей и несколько лагерей занимают позиции параллельно (см. 7.2)

• Уровень корпоративной интеграции: Microsoft (+OpenAI), Google Workspace AI, Salesforce Einstein и другие реализуют свои решения

• Открытый экосистемный уровень: DeepSeek (Низкая стоимость вывода), Llama, Mistral соответственно привязаны

• Специализированный слой: NVIDIA (GPU), AMD/Intel, Cerebras/Groq (чипы новой архитектуры) занимают свои позиции — барьеры входа на этот слой стремятся к пределу, описанному в разделе 5.1, из-за концентрации капитала

В то же время оркестровка нескольких моделей перешла из категории «новой модели» в основной способ использования — пользователи больше не спрашивают «какая модель сильнее всего», а спрашивают «какая модель лучше всего подходит для какого сценария»: использование Claude для написания текстов и программирования, Gemini для поиска и анализа, ChatGPT для генерации изображений и универсального диалога стало нормой.

Вывод: иерархическая централизованная гипотеза и оркестрация нескольких моделей обе подтверждаются — причем эволюция иерархической централизации происходит быстрее, чем ожидалось.

Проверка 4: временные масштабы действительно значительно сжимаются

Основные доказательства сжатия временного масштаба исходят из четырех кривых: «скорость внедрения, приток капитала, снижение затрат, итерации возможностей»:

• Скорость внедрения: ChatGPT достиг 100 миллионов пользователей примерно за 2 месяца, став одним из самых быстро принятых потребительских продуктов в истории

• Скорость притока капитала: Anthropic достигла уровня ARR в сотни миллиардов долларов всего за примерно 4 года с момента основания — в эпоху производства это занимало десятилетия

• Скорость снижения стоимости: Цена токенов основных крупных моделей за последние три года снизилась примерно на два порядка, стоимость инференса для ведущих открытых и низкозатратных моделей уже достигла уровня «центы за миллион токенов»

• Скорость итерации возможностей: от GPT-3 до серии GPT-5 менее чем за 6 лет — в эпоху производства итерация одного поколения продуктов обычно занимает 5–10 лет

Вывод: сжатие временного масштаба не только справедливо, но на некоторых конкретных кривых (принятие, стоимость, итерации способностей) степень сжатия может достигать 5–10 раз. Однако следует учитывать — скорость сжатия конкретных кривых превышает скорость сжатия общего развития отрасли, поскольку общее развитие отрасли ограничено медленными переменными, такими как реализация бизнес-модели, утверждение регулирования и зрелость экосистемы, и сохраняется на уровне 3–5 раз, указанном в разделе 5.3. Другими словами, «сигнальная» сторона развития ИИ-отрасли (кривые) уже явно ускорилась, тогда как «структурная» сторона (утверждение доминирующего дизайна) требует более длительного периода осаждения.

Проверка 5: Экономия на масштабе и стабильная бизнес-модель еще не сформированы

Среди пяти факторов, определяющих доминирующий дизайн, «проявление экономии от масштаба» является одним из необходимых условий — доминирующий дизайн может окончательно закрепиться только тогда, когда стоимость масштабированной доставки такого дизайна достаточно низка, модель получения стабильной прибыли ясна и формируется положительный цикл «вложения — доход — повторные вложения». Применив этот критерий к крупным моделям ИИ и их приложениям в 2026 году, можно обнаружить, что экономия от масштаба и бизнес-модель еще далеки от формирования:

• Стоимость обучения и вывода по-прежнему сильно колеблется — цена за токен снизилась примерно на два порядка за последние три года, стоимость вывода для ведущих открытых и низкозатратных моделей вошла в диапазон «центы за миллион токенов»; кривая стоимости продолжает быстро меняться, и говорить о «стабильности» еще рано

Крупнейшие компании продолжают масштабные и постоянные вложения — такие передовые компании, как OpenAI и Anthropic, находятся на этапе высоких вложений и привлечения финансирования; хотя ARR Anthropic уже достиг уровня сотен миллиардов долларов, он все еще находится на этапе, когда вложения значительно превышают доходы по сравнению с затратами на обучение и вычислительные ресурсы.

• Внедрение ИИ в бизнесе приносит доходность ниже ожиданий — большинство корпоративных проектов ИИ всё ещё находятся на стадии POC или пилотных запусков; преобразование ИИ в повышение общей производительности и положительный рост ROI/ROE в целом всё ещё находится в стадии исследований; согласно отчётам McKinsey «State of AI» и MIT NANDA «GenAI Divide» за 2025–2026 годы, большинство корпоративных инвестиций в ИИ пока не принесли явной положительной финансовой отдачи.

• Бизнес-модель остается нестабильной — подписка, оплата по токенам, оплата агентов по результатам, корпоративные настройки, разделение доходов от API, открытый исходный код + услуги… Каждая модель имеет своих представителей, но ни одна еще не достигла состояния «масштабируемой прибыли + экспоненциального роста».

Вывод: Положительный цикл «вложения — результат — повторные вложения» для крупных моделей ИИ и их приложений еще не сформирован — это прямое проявление того, что факторы экономии от масштаба не выполнены. Если экономия от масштаба и бизнес-модель еще не стабилизировались, значит, мы все еще находимся в зоне дифференциации, поскольку это предварительное условие для схождения от переходного периода к специализированному.

Проверка 6: WAIC 2026 — «Чем выше уровень человека, тем больше разногласий»

WAIC 2026, завершившийся в июле 2026 года, предоставил прямое подтверждение со стороны человека.

Четыре ключевых темы конференции (физический интеллект, научный интеллект, инфраструктура вычислительных мощностей, управление агентами) одновременно рассматриваются как направления «следующего этапа» — сосуществование нескольких ветвей без доминирующей линии является типичной чертой периода нестабильности. Ярким примером этого является то, что лауреат премии Тьюринга 2024 года Ричард Саттон и генеральный директор Jiepai Xingchen Инь Ци почти одновременно высказали два совершенно противоположных суждения:

• Саттон: «ИИ всё ещё слаб и ненадёжен», «путь передачи человеческих знаний» уже достиг своего предела, будущее должно перейти в «эпоху опыта»

• Ин Ци: «В 2026 году возможности моделей пересекут ключевой порог», «Отрасль стоит у подножия пика AGI», а агенты станут «минимальной единицей производительности»

В одном и том же зале, в одно и то же время, два крайне представительных человека дали почти противоположные ответы на вопрос «Где мы находимся?». В то же время Ёсихо Бенгио предупредил, что «общество еще не готово к более мощным и независимым системам», а Сюэ Лань из Циньхуа и Марк Нитцберг из Беркли обозначили границы в вопросах «ценностных суждений» и «решений о жизни и смерти» — регуляторы и органы управления до сих пор обсуждают принципы, а не стандарты исполнения.

Вывод: если ИИ действительно уже перешел на «вторую половину» или «этап реализации после утверждения доминирующего дизайна», то ведущие исследователи и предприниматели не могли бы так явно расходиться в ответе на самый базовый вопрос — «где мы находимся на самом деле». Это само по себе является убедительным прямым доказательством того, что мы все еще находимся в «зоне дивергенции».

Comprehensive verification: This is the "divergence zone"

Рассмотрите первые шесть групп проверок вместе — они не являются шестью изолированными событиями, а представляют собой шесть независимых точек зрения, взаимно подтверждающих один и тот же вывод. Одной фразой:

Крупные языковые модели ИИ и их применение находятся на «разделительной полосе» — иерархия продуктов еще открыта, дифференциация возможностей уже началась, а бизнес-модели еще не доказали свою эффективность. Это результат трехкратного подтверждения, представленного в третьей части (анализ этапов), шестой части (временные координаты) и настоящем разделе (тренды 2026 года), а не вывод, сделанный с одной точки зрения.

Вернемся к двум первоначальным вопросам — где мы находимся и каким будет темп в будущем.

Используя объединенную рамку двух классических аналитических инструментов, строгую проверку пяти ключевых факторов доминирующего дизайна и обратную проверку по последним трендам 2026 года, можно дать четкий ответ на текущие большие языковые модели ИИ и их применение.

Где мы находимся — крупные языковые модели ИИ и их применение сейчас находятся в «зоне дивергенции», переходя от поздней стадии ликвидности к ранней. Факторы, формирующие доминирующий дизайн, в настоящее время удовлетворяют только одному (частично), и структура отрасли может эволюционировать в направлении «иерархической концентрации», а не «единого победителя».

Как будет развиваться будущая динамика — в соответствии с иерархической временной координатой, доминирующие изменения могут проявиться примерно в 2027–2030 годах на нескольких подуровнях, глубокая перестройка станет очевидной в 2030–2035 годах, а у компаний будет примерно 2–4 года на стратегическую адаптацию.

Слоистость означает, что степень срочности различается для разных стратегических уровней (слой передовых моделей / слой приложений / слой вертикальной интеграции), но фундаментальный принцип «накопления различий в способностях» применим ко всем уровням. Здесь представлено слоистое, условное восприятие времени, а не точный график — конкретные темпы эволюции будут корректироваться в зависимости от изменений в таких предпосылках, как закон масштабирования и тенденции к расколу на лагеря.

Для руководителей компаний эти два суждения вместе образуют временную координату. Над этой координатой стоит более фундаментальный вопрос, на который необходимо ответить: в такой стадии и в такой временной окне, каким образом компании должны мыслить, действовать и корректировать себя?

Этот вопрос автор обсудит в следующей статье…

Эта статья взята из официального аккаунта WeChat «Исследовательский институт Tencent» (ID: cyberlawrc), автор: Ли Хуншэн