Гонка AI между Китаем и США приближается к критической точке 2027 года, ПОЧЕМУ Monad?

Автор: Harvey C

Начиная с прошлого года, глобальный энтузиазм вокруг искусственного интеллекта постоянно растет. Как ведущие зарубежные технологические гиганты, так и отечественные исследовательские институты активно увеличивают инвестиции в модели ИИ и ускоряют темпы их выпуска.

Сегодня мы обсудим текущее состояние гонки ИИ между США и Китаем, ожидаемые вехи к 2027 году, а также причины, по которым проектам ИИ следует строить свои продукты на базе Monad, чтобы раскрыть огромный потенциал и возможности искусственного интеллекта в будущем.

1. Гонка ИИ между США и Китаем: невероятный прогресс даже при ограниченных вычислительных мощностях

В последние годы широкие обсуждения вызвала блокировка со стороны США поставок чипов для ИИ в Китай. Однако, судя по фактическим результатам, “аппаратное ограничение” не замедлило исследования в области ИИ в материковом Китае так сильно, как это ожидалось. Возьмем недавнюю скорость обновления больших моделей в США и Китае: разница сократилась до нескольких месяцев или даже меньше.

• Сила догоняющих: версия o1-preview от OpenAI была выпущена всего четыре месяца назад, а финальная версия o1 появилась лишь месяц назад. Практически в тот же период в материковом Китае появились инференс-модели со схожими метриками. Компания DeepSeek, принадлежащая квантовому гиганту High-Flyer, выпустила модель с открытым исходным кодом DeepSeek-R1, которая по ряду показателей сравнима с o1 и даже более “практична” в некоторых специализированных сценариях. Ранее выход V3 от DeepSeek уже заставил Llama 4 почувствовать давление со стороны восточного прорыва. Кроме того, Kimi представила новую модель k1.5 на основе обучения с подкреплением, став первым после OpenAI мультимодальным аналогом o1, способным выполнять совместный анализ текста и изображений.

• Взрыв мультимодального звука: продвинутый голосовой режим Doubao GPT-4o, ориентированный на Gemini 2.0 и GPT-4o, также быстро появился на внутреннем рынке. Эти технологии ранее считались эксклюзивом для систем с высокой вычислительной мощностью, но китайские разработчики благодаря различным обходным решениям и алгоритмам оптимизации добились быстрой итерации даже при недостатке ресурсов.

По этим признакам видно, что, несмотря на существующий разрыв в вычислительных мощностях, исследователи ИИ в материковом Китае стремительно догоняют зарубежных коллег. При наличии пионеров, которые расчищают путь проб и ошибок, следующим участникам часто удается избежать дорогостоящих “тарифов на ошибки”.

2. Опыт зарубежных лидеров дает догоняющим возможность “скопировать решение”

За эти годы бурного развития глубокого обучения понимание парадигм ИИ в отрасли непрерывно эволюционировало. Большие языковые модели (LLM) стали главным трендом, однако параллельно другая ветвь——обучение с подкреплением (Reinforcement Learning)——снова привлекает всё больше внимания.

Эволюция парадигм ИИ

• Парадигмы ИИ меняются со временем: развитие искусственного интеллекта делится на несколько основных направлений. Символизм (логический ИИ) основывается на правиле вывода и формальной логике, отлично справляясь с детерминированными задачами. Соединениесть (нейронные сети) имитирует вычислительные процессы мозга, распознавая паттерны в данных через иерархические структуры. Байесовский ИИ (вероятностный ИИ) делает акцент на моделировании неопределенности с помощью вероятностей. Обучение с подкреплением (RL) оптимизирует поведение методом проб и ошибок в динамической среде. Эволюционный ИИ использует принципы естественного отбора для генерации решений, а гибридный ИИ объединяет преимущества множества парадигм для создания более мощных и гибких систем. Каждая из этих парадигм развивалась со временем и внесла свой уникальный вклад.

• Быстрое копирование и итерация: если зарубежные игроки делают первый шаг, китайские разработчики могут быстро подхватить идею после проверки концепции, потратив значительно меньше средств. Например, в сфере мультимодальных систем или инференс-моделей уровня o1. Подход “R&D в США/Европе, коммерциализация в Китае” эпохи интернета кажется знакомым: пути реализации уже были проверены на западе и содержат типичные ошибки. Команды из Китая, воспроизводя и дорабатывая эти решения, часто значительно сокращают время разработки.

Китайская DeepSeek создает огромное давление на американских конкурентов, используя усиленное обучение с меньшими затратами

С одной стороны, ведущие зарубежные лаборатории заложили фундамент для передовых исследований в отрасли. С другой стороны, китайские команды не просто пассивно следуют, а непрерывно “интегрируют знания”, находя нестандартные пути при относительно ограниченном количестве вычислительных ресурсов, и предлагают более гибкие решения для внедрения обучения с подкреплением и инференса.

3. Обучение с подкреплением может стать новым прорывом ИИ в ближайшей перспективе

Недавно выпущенная модель DeepSeek заменяет большинство этапов сверхконтролируемой тонкой настройки (SFT) на обучение с подкреплением, снижая зависимость от размеченных данных для конкретных доменов. Это открывает возможности для обобщения в нишевых отраслях: наличие четкой функции вознаграждения позволяет модели непрерывно повышать навыки рассуждения в ходе самоитерации. В рамках опубликованного открытого кода агенты самостоятельно исследуют обучающую среду, наделяя модель способностями к самооптимизации.

Это означает, что для непрерывной эволюции модели на базе RL не требуются огромные объемы данных, достаточно лишь достаточной вычислительной мощности. Несмотря на ограничения США в сфере оборудования и технологий, такой “нетрадиционный подход” снижает потребность в традиционных масштабируемых ресурсах для обучения. Это дает многим китайским исследователям надежду на возможность быстрого догнания лидера и служит примером для других организаций, стремящихся создать собственные модели больших размеров.

4. 2027 год может стать переломным моментом для ИИ: многие профессии будут заменены или переосмыслены

Бурный прогресс ИИ заставляет нас задуматься о скорости его развития и возможных пределах. Недавно глава Anthropic Дарио заявил: “В 2027 году мы увидим, что модели превзойдут человеческий интеллект в абсолютном большинстве областей”, чему способствуют следующие факторы:

• Непрерывная итерация обучения с подкреплением: в отличие от прежнего строгого разделения на “обучение-тестирование-инференс”, при высоком уровне развития глубокого обучения новый прорыв в возможностях ИИ, вероятно, будет использовать гибридные методы, такие как самоитерация через обучение с подкреплением, “онлайн” рефлексию и обновление, что приведет к быстрому скачку их когнитивных способностей.

• Мощная поддержка венчурного капитала: прогнозы, озвученные лидером производства чипов компанией TSMC во время последнего отчета о результатах, показывают, что среднегодовой темп роста бизнес-направления ИИ в 2024–2029 годах может составить около 45%, а к 2029 году показатели станут почти в 20 раз выше уровня 2024 года. Основной спрос генерируется крупными игроками, такими как OpenAI, инвестированием в вычислительную инфраструктуру. Это также свидетельствует о том, что ИИ проникнет практически во все imaginable сферы применения.

ИИ становится самым быстрорастущим направлением бизнеса TSMC в будущем

2027 год вполне может стать ключевой точкой, когда возможности ИИ начнут стремительно расти. Примерно в этот период многие профессии, требовавшие ранее человеческой оценки и креативности, будут постепенно заменены моделями или переосмыслены, что приведет к глубоким изменениям в социальной структуре и экономических моделях.

Например, мне очень нравится классификация Бенджамина Блума, первоначально предложенная им и впоследствии многократно дополненная Таксономия Блума (Bloom's Taxonomy), разделяющая познавательные процессы человека на шесть уровней. Благодаря стремительному развитию ИИ, возможно, уже к 2027 году большие модели смогут выполнять все задачи, кроме оценки и творчества, а быть может, даже творчество им тоже станет по силам. У человечества остается мало времени, и вопрос “чем займутся люди?” заслуживает отдельной глубокой дискуссии.

Бегущий по лезвию (Blade Runner) (1982)

5. Почему проектам ИИ стоит выбирать экосистему Monad для разработки

Возвращаясь к основной теме: для многих сочетание блокчейна и ИИ до сих пор ассоциируется с “покупкой хайпа”. Однако я считаю, что интеграция проектов ИИ с технологическими особенностями Monad обеспечивает уникальную прикладную ценность, поэтому Monad становится оптимальным выбором для разработки блокчейнных ИИ-проектов по следующим причинам:

• Огромный массив данных самого EVM: получение разнообразных качественных данных критически важно для создания более точных и мощных моделей. Экосистема на базе EVM уже накопила масштабный массив данных смарт-контрактов, транзакций и пользовательского поведения, предоставляющий ИИ обширный контекст для обучения. По сравнению с молодыми блокчейн-сетями, экосистема EVM давно созрела и способна служить настоящим “рудником данных” для тренировки и работы моделей.

• Адаптация базы данных MonadDB для потоковых данных: сбор информации из сети в реальном времени критически важен для оперативности ИИ, особенно в секторе DeFi. Высокая скорость получения данных MonadDB в сочетании с низкими комиссиями Gas обеспечивают мощную поддержку для мгновенного доступа моделей к свежей ончейн- и офчейн-информации.

• Высокая скорость и низкая стоимость среды: Monad обеспечивает пропускную способность в 10 000 транзакций в секунду при времени генерации блока в 1 секунду, создавая дружественную среду для реализации экономических действий AI-агентов через ончейн-транзакции, стейкинг и платежи. Среда Monad EVM предлагает эффективную и экономичную базу для внедрения, предоставляя ИИ-агентам реальные инструменты для действия. Низкие комиссии делают возможным “частые микро-транзакции”, дополнительно расширяя сценарии взаимодействия ИИ-агентов.

• Параллельное выполнение: существующие исследования показывают, что коллаборация смешанных ИИ способна решать более сложные и трудоемкие задачи. Параллельная среда выполнения Monad позволяет одновременно запускать на блокчейне ройные системы (Agentic Swarms), обеспечивая совместную работу множества моделей.

В конечном итоге, цель заключается в том, чтобы дать возможность действующим и будущим ИИ-агентным системам разрабатываться прямо на Monad, получая безупречный пользовательский опыт внутри EVM-среды, а также интегрироваться с существующими протоколами DeFi и инфраструктурой, закладывая основу для ИИ нового поколения.

6. Приглашение для китайскоязычных ИИ-разработчиков

Как неоднократно отмечали мои коллеги Jing и Evan в своих публикациях в X, публикуя различные статьи и кейсы об ИИ, Monad всегда активно приветствовала и поддерживала укоренение проектов ИИ в своей экосистеме. Я также хочу особо пояснить причины этого взгляда именно с точки зрения китайскоязычных ИИ-разработчиков:

• На фоне конкуренции в сфере ИИ между Китаем и США китайскоязычные разработчики могут сталкиваться с ограничениями в трансграничном доступе к ресурсам или партнерствам.

• Однако мир блокчейна строится на принципах глобализма и децентрализации. Работая в Monad, вы можете обращаться к глобальной аудитории, не опасаясь "получить ярлык", и эффективно использовать преимущества децентрализации для обхода геополитических и технологических барьеров.

Monad искренне приглашает всех специалистов и разработчиков в сфере ИИ присоединиться к экосистеме Monad для совместного создания инновационных продуктов, принадлежащих пользователям и основанных на суверенитете данных. Мы приветствуем амбициозных предпринимателей в разработке на Monad и стремимся помочь вам добиться успеха благодаря множеству программ поддержки. К таким инициативам относятся: проводящийся сейчас evm/accathon, ускоритель Mach, программа Jumpstart, The Studio, The Foundry, Monad Madness и другие. Независимо от того, хотите ли вы создавать финансовые ИИ-модели для блокчейна или разрабатывать децентрализованных роботов с адаптивным обучением, на Monad вы найдете максимально быстрый, экономичный и открытый технический стек для реализации ваших идей.