Хотите получить больше от инвестиций в ИИ? В первую очередь думайте о людях

Конференция NeurIPS (Conference on Neural Information Processing Systems) — ключевое событие для мирового сообщества исследователей в области искусственного интеллекта. Основанная в 1987 году как небольшая встреча исследователей в Скалистых горах США, сегодня она превратилась в крупнейшее ежегодное собрание в сфере ИИ. В 2025 году число участников достигло 26 000 человек, было представлено тысячи работ, а индустриальная выставка стремительно расширяется.

Для исследователей и практиков индустрии NeurIPS — это своего рода поиск «священных свитков» ИИ, где новые идеи представляются, обсуждаются и проходят жёсткую проверку, прежде чем воплотиться в продуктах и повлиять на финансовые показатели компаний.

Пять ключевых тем для руководителей и советов директоров

Программа конференции в Сан-Диего в этом году выделилась глубиной вовлечённости бизнеса. Для лидеров компаний это чёткий сигнал:

• передовые технологии ИИ всё активнее применяются в реальных бизнес-условиях;
• исследовательское сообщество активно работает над тем, чтобы связать технический прогресс с экономическими и социальными результатами.

Ниже — пять ключевых тем, которые имеют наибольшее значение для руководителей и советов директоров.

От статических моделей к «живым» агентам

Долгосрочная траектория развития ИИ смещается от статических моделей к системам, которые непрерывно учатся на основе опыта. В своём ключевом выступлении Ричард Саттон, один из лауреатов премии ACM A.M. Turing Award 2024 года (которую часто называют «Нобелевской премией в области вычислений»), выдвинул провокационное, но простое утверждение: по мере того как ИИ превратился в огромную индустрию, он сбился с пути, слишком сильно сосредоточившись на статических моделях — например, на больших языковых моделях, обученных единожды на данных интернет-масштаба.

Саттон утверждает, что общий искусственный интеллект появится благодаря системам ИИ, которые:

• существуют в определённой среде;
• совершают длительные действия;
• изучают причинно-следственные модели мира;
• оптимизируют долгосрочное вознаграждение.

Вывод для руководителей: всё больше систем ИИ будут напоминать «цифровых сотрудников», которые совершенствуются в процессе работы, а не фиксированные модели, переобучаемые по расписанию. Это повышает ценность инструментов мониторинга, циклов обратной связи и управления — ведь системы ИИ будут учиться на том, что видят и измеряют.

Генеративные рекомендательные системы: когда кастомные модели встречаются с надёжной основой данных

На одной из ключевых сессий, организованной Shopify, Nvidia и Liquid AI, показали, как генеративная рекомендательная система — кастомная модель, обученная на богатых данных первой стороны о коммерческой деятельности — повлияла на ключевые метрики, такие как кликабельность и конверсия.

Вместо того чтобы полагаться на вручную созданные признаки и правила сегментации, модель самостоятельно изучила представления на основе данных о поведении пользователей. Команды также осознанно подошли к выбору архитектуры и аппаратного обеспечения, чтобы соответствовать строгим требованиям к задержкам и поддерживать очень высокие объёмы трафика в реальном времени.

Вывод для руководителей: всё большее влияние будет оказывать то, как вы адаптируете генеративные модели к своим данным и сценариям использования, а не просто полагаетесь на общедоступные готовые большие языковые модели. Такие усилия осуществимы, но требуют участия правильных партнёров в области облачных технологий, аппаратного обеспечения и моделирования. Успех возможен только при тщательной оценке и A/B-тестировании, которые подтверждают реальное улучшение бизнес-показателей.

«ИИ для создания ИИ»: агентские инструменты для науки о данных и НИОКР

Одной из главных исследовательских тем стало использование ИИ для создания и улучшения других систем ИИ. Google и другие компании продемонстрировали агентские инструменты, такие как:

• MLE-STAR — для инженерии машинного обучения;
• DS-STAR — для сквозных рабочих процессов в науке о данных;
• многоагентные фреймворки «ИИ для НИОКР», которые могут предлагать идеи, разрабатывать эксперименты и итерировать с минимальным вмешательством человека.

Вывод для руководителей: команды, занимающиеся аналитикой, машинным обучением и даже разработкой продуктов, всё чаще будут работать с агентами, а не просто с инструментами. В ближайшей перспективе эти «цифровые коллеги» ускорят выполнение рутинных задач — таких как базовое моделирование, очистка данных и настройка экспериментов, — в то время как люди будут сосредотачиваться на формулировке задач, утверждении решений и управлении рисками. Руководителям уже стоит задуматься о том, где в их цепочках создания ценности в области ИИ и инноваций эти возможности могут безопасно сократить время циклов и увеличить количество качественных экспериментов.

Разнообразие моделей и рост ИИ, ориентированного на конкретные задачи

На NeurIPS стало ясно, что не будет единой «лучшей» модели. Вместо этого усиливаются две тенденции:

1. Более богатые и эффективные мультимодальные модели. Работы в области мультимодальности сосредоточены на создании моделей, которые обрабатывают текст, изображения, видео и длинные контексты, делая их дешевле и быстрее в обслуживании. Например, за счёт более умного параллелизма и сжатия ключевых значений кэша помощники могут анализировать документы, скриншоты и другие медиа в реальном времени без непомерных задержек или затрат.
2. Меньшие модели, ориентированные на конкретные задачи, для скорости и развёртывания на периферии. В примере с генеративной рекомендательной системой команды сознательно выбрали компактную архитектуру и стек инфраструктуры, чтобы соответствовать требованиям к пользовательскому опыту и затратам. Это иллюстрирует, что «достаточно хорошо, но очень быстро» может превзойти «лучшее, но медленно» в производственных условиях.

Вывод для руководителей: подход, основанный на портфеле моделей, теперь превосходит ставки на единую модель. Предприятия будут комбинировать большие и малые, облачные и периферийные модели в различных рабочих процессах. Это повышает значимость оценки как нового управляющего элемента, который определяет:

• когда достаточно более лёгкой модели;
• когда стоит внедрить новую базовую модель;
• как предотвратить регрессии.

Безопасность, согласование и объяснимость выходят в мейнстрим

Помимо возможностей, значительная часть работ на NeurIPS была сосредоточена на:

• надёжности;
• согласовании с человеческими ценностями;
• объяснимости.

Это включало:

• интерпретируемые модели;
• новые эталоны для стресс-тестирования систем в условиях противодействия или неоднозначности;
• модели-«ограничители», которые работают параллельно с генеративными системами для мониторинга поведения.

Вывод для руководителей: риски и управление встраиваются непосредственно в стек технологий. Регуляторы и советы директоров всё чаще будут ожидать объяснимости, мониторинга предвзятости и прослеживаемости как стандартных функций. Организации, которые заранее инвестируют в структуру, возможность аудита и человеческий надзор, будут лучше подготовлены к безопасному и уверенному масштабированию ИИ.

Взгляд за горизонт: за пределами сегодняшних «фонарей»

В заключительном приглашённом докладе «Развенчивание глубины» была предложена полезная метафора. На одних слайдах были показаны знакомые «фонари» современного ИИ — такие как трансформеры, ResNets и Adam. На других — более широкий ландшафт теории и методов, к которым они относятся, многие из которых всё ещё недостаточно изучены.

Для бизнес-лидеров параллель очевидна: легко слишком сильно сосредоточиться на самом ярком тренде момента — будь то передовая большая языковая модель, новейший генератор видео или изображений или новый агентский фреймворк.

NeurIPS напоминает, что:

• не существует единой объединяющей теории ИИ;
• нет модели, которая будет доминировать над всеми остальными.

Разные подходы освещают разные части пространства задач, и прогресс достигается за счёт их продуманного комбинирования, а не ставки на одну парадигму.

Вывод

Более важный вопрос заключается в том, насколько быстро и эффективно ваша организация может:

• усваивать новые возможности;
• тщательно их оценивать;
• перестраивать процессы вокруг них, не теряя из виду риски, ценности и долгосрочную стратегию.

Мы всё ещё находимся в начале революции ИИ. Организации, которые:

• строят надёжные основы данных;
• развивают устойчивые механизмы оценки и управления;
• формируют культуру, рассматривающую ИИ как живую платформу, а не разовый проект,

— определят следующее поколение конкурентных преимуществ.

Прокомментировать в Телеграм: https://t.me/n8nhow

Подписаться на канал обучения n8n: https://t.me/n8ncoaching