Круглый стол с участием Zhipu, Moonshot и Xiaomi: большие модели действительно начинают «работать», вычислительная мощность по-прежнему остаётся главным ограничением

Автор: Чэнь Цзюньда

27 марта издание Zhixidongxi сообщило, что сегодня на форуме в Чжунгуаньцуне состоялась редкая совместная встреча, посвященная глубокой дискуссии о будущем направлении развития открытых больших языковых моделей и интеллектуальных агентов. В ней приняли участие генеральный директор Zhipu Чжан Пэн, генеральный директор Moonshot AI Ян Чжилинь (выступивший модератором), руководитель проекта крупных моделей MiMo компании Xiaomi Ло Фули, генеральный директор компании Увэнь Синьцюн Ся Ли Сюэ и ассистент-профессор Гонконгского университета Хуан Чао.

Дискуссия началась с обсуждения самого популярного сегодня инструмента OpenClaw. Все участники一致но сошлись во мнении, что интеллектуальные агенты позволяют большим моделям наконец начать действительно «работать». OpenClaw расширяет границы возможностей больших моделей, но одновременно предъявляет к ним более высокие требования. Zhipu в настоящее время изучает такие возможности, как долгосрочное планирование и самоотладка, тогда как команда Ло Фули уделяет особое внимание снижению затрат и повышению скорости за счет архитектурных инноваций, вплоть до достижения автономной эволюции моделей.

Инфраструктура также должна успевать за темпом работы агентов. По мнению Ся Ли Сюэ, современные вычислительные системы и программные архитектуры все еще предназначены для людей, а не для интеллектуальных агентов. Фактически, именно человеческие операционные навыки ограничивают потенциал агентов. Следовательно, нам необходимо создать Agentic Infra (инфраструктуру для агентов).

По мнению многих участников дискуссии, открытый исходный код является одним из ключевых двигателей развития больших моделей и интеллектуальных агентов. Ассистент-профессор Гонконгского университета Хуан Чао отмечает, что процветание экосистемы с открытым кодом — это то, что позволяет агентам перейти от статуса игрушки к настоящему статусу профессиональных работников. Только через совместную работу сообщества программное обеспечение, данные и технологии смогут полностью перейти в форматы, нативные для агентов, что в конечном итоге сформирует устойчивую глобальную ИИ-экосистему.

Кроме того, участники обсудили такие темы, как повышение цен на большие модели, взрывной рост потребления токенов и ключевые слова для развития ИИ на ближайшие 12 месяцев. Ниже приведены основные тезисы этого круглого стола:

1. Чжан Пэн: При увеличении размера моделей соответствующим образом растет и стоимость вывода (инференса). Недавнее повышение цен на продукты Zhipu фактически является возвращением к нормальной коммерческой ценности; долгосрочная конкуренция за счет низких цен не способствует развитию отрасли.

2. Чжан Пэн: Взрывной рост новых технологий, таких как агенты, привел к десятикратному увеличению потребления токенов, однако фактический спрос может вырасти в сто раз. Множество запросов остаются неудовлетворенными, поэтому вычислительные мощности по-прежнему являются ключевой проблемой на ближайшие 12 месяцев.

3. Ло Фули: С точки зрения разработчиков базовых больших моделей, OpenClaw обеспечивает нижнюю границу их производительности и повышает верхнюю. Качество выполнения задач при использовании отечественных открытых моделей вместе с OpenClaw уже крайне близко к результатам последней версии Claude.

4. Ло Фули: Компания DeepSeek вселяет уверенность и смелость в отечественных разработчиков больших моделей. Архитектурные инновации в моделях, которые ранее казались «компромиссом ради эффективности», на самом деле спровоцировали настоящие изменения, позволив индустрии достигать максимального уровня интеллекта при заданных объемах вычислений.

5. Ло Фули: Самым важным аспектом на пути к AGI в ближайшем году станет «автономная эволюция». Она позволяет большим моделям исследовать новые горизонты подобно ведущим ученым мира, становясь единственным способом «создавать новое». Xiaomi уже увеличила эффективность исследований в 10 раз благодаря комбинации Claude Code и передовых моделей.

6. Ся Ли Сюэ: Когда наступит эра AGI, сама инфраструктура должна состоять из интеллектуальных агентов, самостоятельно управляющих всей системой. Она должна непрерывно обновляться в соответствии с потребностями клиентов ИИ, обеспечивая автономную эволюцию и самооптимизацию.

7. Ся Ли Сюэ: OpenClaw вызвал взрывной рост потребления токенов. Сегодня скорость расхода токенов напоминает ранние дни мобильного интернета на базе 3G, когда лимит трафика составлял всего 100 МБ в месяц.

8. Хуан Чао: В будущем многие программы перестанут быть ориентированы на человека. Программное обеспечение, данные и технологии будут разрабатываться в нативном для агентов формате, и людям, вероятно, придется пользоваться лишь теми графическими интерфейсами (GUI), которые приносят им удовольствие.

01. OpenClaw — это «строительные леса», потребление токенов большими моделями все еще находится на уровне эпохи 3G

Ян Чжилинь: Мне очень приятно приглашать сегодня таких видных экспертов. Участники представляют разные уровни: от моделей, вычислительных систем до слоя агентов. Сегодня главными ключевыми словами выступают открытый исходный код и агенты.

Первый вопрос касается самого популярного сейчас OpenClaw. Какие моменты в повседневном использовании OpenClaw или аналогичных продуктов вызывают наибольшее воображение или впечатления? С технической точки зрения, как вы оцениваете текущую эволюцию OpenClaw и связанных с ним агентов?

Чжан Пэн: Я начал экспериментировать с OpenClaw еще давно, когда он носил название Clawbot. Поскольку я сам занимаюсь программированием, у меня есть личный опыт работы с такими инструментами.

По моему мнению, главное достижение или новизна, которую приносит OpenClaw, заключается в том, что он больше не является эксклюзивом для программистов или гиков. Обычные пользователи теперь могут относительно легко получать доступ к возможностям передовых моделей, особенно в области программирования и создания интеллектуальных агентов.

В процессе нашего общения я все чаще называю OpenClaw «строительными лесами». Он предлагает возможность построить надежные, удобные, но при этом гибкие «лесы» поверх базовой модели. Пользователи могут свободно использовать множество уникальных функций, предоставляемых нижележащими моделями, в соответствии со своими задачами.

Раньше идеи могли ограничиваться отсутствием навыков программирования или другими компетенциями. Сегодня благодаря OpenClaw воплощение этих идей стало возможным через простейшее взаимодействие.

OpenClaw произвел на меня огромное впечатление и заставил по-новому взглянуть на эту технологию.

Ся Ли Сюэ: Изначально мне было непривычно работать с OpenClaw, так как я привык к формату обычного чата с большими моделями. Первое использование показалось мне слишком медленным.

Позже я понял суть: в отличие от обычных чат-ботов, по своей природе это своего рода «человек», способный выполнять за меня сложные задачи. Начав давать ему более комплексные задания, я убедился в его высокой эффективности.

Это сильно повлияло на мое восприятие. Переход модели от простого обмена сообщениями по токенным блокам к полноценному агенту, способному брать на себя выполнение задач, значительно расширил перспективы развития ИИ в целом.

В то же время к системе предъявляются гораздо более высокие требования. Именно поэтому первоначальная работа с OpenClaw могла вызывать ощущение задержек. Как производитель инфраструктуры, я вижу в этом новые возможности и вызовы как для больших систем, лежащих в основе ИИ, так и для окружающей экосистемы.

Даже все имеющиеся ресурсы сложно обеспечить такой стремительно растущий контекст. Возьмем нашу компанию: начиная с конца января объем потребления токенов удваивается примерно каждые две недели, и к сегодняшнему дню он вырос почти в 10 раз.

В последний раз похожие темпы я наблюдал, когда только переходили на мобильный интернет по стандартам 3G. У меня сложилось впечатление, что текущий уровень потребления токенов схож с тем периодом, когда лимит мобильного трафика составлял всего 100 МБ в месяц.

В таких условиях необходимо оптимизировать и консолидировать все ресурсы. Цель состоит в том, чтобы каждый человек — не только в сфере ИИ, но и в обществе в целом — мог эффективно использовать возможности ИИ платформы OpenClaw.

Как участник рынка инфраструктуры, я глубоко впечатлен этим этапом развития и полон энтузиазма. Я считаю, что здесь существует огромный потенциал для оптимизации, который мы обязаны изучить и реализовать.

02. OpenClaw поднимает планку производительности отечественных моделей, прорыв в режиме взаимодействия имеет большое значение

Ло Фули: Я рассматриваю OpenClaw как революционное и подрывное событие в процессе развития frameworks для агентов.

На самом деле, большинство моих коллег, глубоко занимающихся разработкой кода, предпочитают Claude Code. Однако я уверена, что пользователи OpenClaw замечают, что многие архитектурные решения в его framework превосходят аналогичные в Claude Code. Многие последние обновления Claude Code явно направлены на сопоставление с OpenClaw.

Личный опыт использования OpenClaw показывает, что этот framework обеспечивает постоянную и повсеместную масштабируемость творческого потенциала. Если раньше Claude Code позволял развивать идеи только на рабочем столе, то OpenClaw делает это возможным в любом месте и в любое время.

Основная ценность OpenClaw заключается в двух аспектах. Первый — открытый исходный код. Открытость极大 стимулирует активное участие всего сообщества, придает импульс развитию и совершенствованию этого framework, что является важнейшим предварительным условием.

Для таких ИИ-framework, как OpenClaw, огромная польза заключается в том, что он существенно повышает потолок возможностей отечественных моделей, которые хотя и приблизились к проприетарным аналогам, но еще не догнали их в полной мере.

В подавляющем большинстве сценариев вы обнаружите, что качество завершения задач с использованием (отечественной открытой модели + OpenClaw) крайне близко к последним версиям Claude. При этом система отлично фиксирует нижнюю границу качества — благодаря комплексу Harness, архитектуре Skills и другим дизайнам обеспечиваются целостность и точность выполнения заданий.

Таким образом, с точки зрения разработчиков базовых больших моделей, OpenClaw гарантирует минимальный порог производительности базовых моделей и одновременно поднимает их максимальный предел.

Кроме того, я считаю, что вторая ценность, которую OpenClaw приносит сообществу, заключается в том, что он пробуждает осознание новых перспектив, показывая, что за пределами больших языковых моделей существует огромный потенциал на слое интеллектуальных агентов.

Недавно я заметил тенденцию: помимо исследователей все больше людей вовлекаются в трансформацию AGI, активно изучая такие мощные framework для агентов, как Harness и Scaffold. Отчасти эти люди автоматизируют часть своей рутины с помощью данных инструментов, освобождая время для более творческих задач.

Хуан Чао: На мой взгляд, первая причина популярности OpenClaw кроется в его режиме взаимодействия, который создает более «живое» ощущение опыта. Мы занимаемся разработкой агентов уже год-два, но такие инструменты, как Cursor или Claude Code, ощущались скорее как «технические средства». OpenClaw впервые внедрил формат интеграции в виде приложения мгновенного обмена сообщениями, создав ощущение близкое к желаемому «личному Джарвису». Это существенный прорыв в пользовательском интерфейсе.

Еще один важный урок для сообщества: доказана жизнеспособность простых, но эффективных подходов, таких как цикл взаимодействия агента (Agent Loop). Одновременно это заставляет нас переосмыслить фундаментальный вопрос: нужен ли нам универсальный сверхинтеллект, способный делать всё, или лучше иметь улучшенного «цивилизованного помощника» в форме легковесной операционной системы или строительных лесов?

Подход OpenClaw заключается в формировании мышления через внедрение этой «небольшой системы» или, иначе говоря, «ОС для раков» и её экосистемы, что побуждает пользователей реально начать взаимодействовать с инструментами внутри всей экосистемы.

Появление таких возможностей, как Skills и Harness, позволяет большему числу специалистов создавать приложения, адаптированные для систем типа OpenClaw, тем самым оцифровывая и модернизируя различные отрасли. Эта тесная связь с экосистемой открытого исходного козы является естественной. На мой взгляд, именно эти два момента стали главным выводом.

03. Новая модель GLM создана специально для «работы», повышение цен возвращает продукт к здоровой коммерческой ценности

Ян Чжилинь: Чжан Пэн, у меня к вам вопрос. Недавно Zhipu представила новую модель GLM-5 Turbo. Я понимаю, что были внесены значительные улучшения в функционал агентов. Не могли бы вы рассказать об отличиях этой новой модели от предыдущих? Кроме того, мы заметили изменение тарифной политики. Что это сигнализирует рынку?

Чжан Пэн: Отличный вопрос. Два дня назад мы действительно выпустили срочное обновление. Это запланированный этап нашего дорожной карты, мы просто решили выпустить его немного раньше.

Главная цель заключалась в переходе от простых диалогов к реальному выполнению задач — именно это все недавно отмечали: большие модели перестали быть просто средствами коммуникации и начали эффективно помогать в практической работе.

Но за таким «выполнением задач» скрываются очень высокие требования к функционалу модели. Ей требуется самостоятельно планировать долгосрочные процессы, непрерывно искать ошибки, сжимать контекст, отлаживать код и обрабатывать мультимодальные данные. Поэтому требования к ее возможностям принципиально отличаются от традиционных универсальных моделей, заточенных под диалог. GLM-5 Turbo была специально усилена в этих направлениях. Особенно много работы мы провели по обеспечению бесконечных циклов (loop) длительной автономной работы — например, бесперебойного функционирования в течение 72 часов.

Второй актуальный вопрос — расход токенов. Выполнение сложных задач продвинутыми моделями требует колоссального количества токенов. Средний пользователь может этого не замечать сразу, но при просмотре счетов заметно, что расходы растут стремительно. Поэтому мы оптимизировали этот процесс: в сложных задачах модель теперь использует токены более эффективно. В целом архитектура модели остается общей многозадачной структурой, мы лишь усилили определенные аспекты под конкретные задачи.

Повышение цен логично объясняется следующими факторами. Ранее модель просто отвечала на прямой вопрос, а сейчас длина цепи рассуждений (инференса) крайне велика. Многие задачи требуют написания кода, взаимодействия с бэкендом, отладки и исправления ошибок, что вызывает огромный расход ресурсов. Затраты токенов на одно комплексное задание в десятки и даже сотни раз превышают затраты на простой ответ.

Соответственно, стоимость должна отражать возросшие затраты на инференс из-за увеличения размера модели. Мы вернули тарифы к нормальному коммерческому уровню, поскольку долгосрочная конкуренция за счет демпинга вредит развитию всей отрасли. Это позволит нам сформировать здоровый экономический цикл, непрерывно совершенствовать модели и предоставлять пользователям более качественный сервис.

04. Создание более эффективного «завода токенов»: сама инфраструктура тоже должна стать агентом

Ян Чжилинь: Количество открытых моделей постоянно растет, формируются собственные экосистемы, различные модели обеспечивают дополнительную ценность пользователям на разных платформах вычислений. Вместе со взрывным ростом потребления токенов большие модели переходят от эпохи обучения к эпохе инференса. Ся Ли Сюэ, что означает для вашей компании компания «Увэнь Синьцюн» наступление эры инференса с точки зрения развития инфраструктуры?

Ся Ли Сюэ: Мы являемся поставщиком инфраструктуры, родившимся непосредственно в эпоху ИИ. Сейчас мы обеспечиваем поддержку проектов Zhipu, Kimi, Mimo и других, помогая повысить эффективность работы современных «фабрик токенов». Параллельно мы активно сотрудничаем с десятками университетов и научно-исследовательских институтов.

Мы постоянно анализируем главный вопрос: какой инфраструктура должна быть в эпоху AGI? И как шаг за шагом воплотить наши прогнозы в жизнь. Мы уже детально подготовили решения для краткосрочных, среднесрочных и долгосрочных этапов.

Насущной проблемой на данный момент является резкий скачок потребления токенов из-за популярных open-source решений, что ставит жесткие требования к оптимизации системной эффективности. Корректировка тарифов, кстати, также служит ответом на этот запрос.

Наша стратегия основывается на глубокой интеграции аппаратного и программного обеспечения. Мы подключили практически все существующие типы процессорных чипов, объединив в единую сеть более десятка различных типов процессоров и десятки вычислительных кластеров в единой сети. Это решает проблему дефицита ресурсов в ИИ-системах. Когда ресурсов недостаточно, оптимальное решение — максимально задействовать всё доступное оборудование, направляя каждую единицу вычислений на самые важные задачи для достижения максимальной конверсии эффективности.

На данном этапе наша задача — создать более эффективный «завод токенов». Мы реализовали ряд оптимизаций, включая лучшую синхронизацию моделей с аппаратными ресурсами, такими как видеопамять, и изучаем глубокую интеграцию новейших архитектур моделей и оборудования. Однако решение текущих проблем производительности — это лишь первый шаг, формирующий стандартизированный завод токенов.

Для эры агентов этого совершенно недостаточно. Агенты ближе к человеку: можно поставить им задачу, и они выполнят ее. Я твердо убежден, что современная облачная инфраструктура проектировалась для обслуживания конкретных программ и работы инженеров-людей, а не ИИ. Получается, мы создали базу, наверх которой навешали интерфейс для людей, а сверху пытаемся подключить агентов. Такой подход объективно ограничивает возможности агентов рамками человеческого управления.

К примеру, агенты способны принимать решения и инициировать задачи за миллисекунды, однако базовые системы вроде Kubernetes (K8s) к этому не готовы, поскольку люди обычно работают с интервалом в минуты. Нам нужны принципиально новые функции. Мы обозначили это направление как «Agentic Infra» («интеллектуальный завод токенов»), над чем сейчас активно работает компания Wuwen Xinqiong (无问芯穹).

В дальнем будущем, с приходом истинной эры AGI, мы считаем, что даже сама инфраструктура должна состоять из интеллектуальных агентов. Наша фабрика должна обладать способностью к самостоятельной эволюции и итерациям, функционируя как автономная организация. Представьте себе CEO, который сам является агентом (возможно, на базе OpenClaw) и управляет всей инфраструктурой, самостоятельно выявляя потребности ИИ-клиентов и модифицируя систему под них. Это обеспечит идеальную координацию между ИИ-агентами. Мы также проводим эксперименты по улучшению межмашинного взаимодействия, например, через протоколы direct cache-to-cache обмена.

Поэтому мы постоянно осознаем: развитие инфраструктуры и ИИ не должно происходить изолированно, по принципу «поступил заказ — реализовали». Они должны порождать мощный химический отклик друг на друга. Настоящая совместимость аппаратного обеспечения, алгоритмов и инфраструктуры — вот миссия, к которой всегда стремится компания Wuwen Xinqiong. Спасибо.

05. Инновации, «принесенные в жертву эффективности», также имеют значение: DeepSeek вселяет уверенность в местные команды

Ян Чжилинь: Следующий вопрос к Ло Фули. В последнее время компания Xiaomi внёсла большой вклад в сообщество, опубликовав новые модели и открыв исходный код сопутствующих технологий. Хотел бы узнать: какими уникальными преимуществами Xiaomi обладает в разработке больших моделей, по вашему мнению?

Ло Фули: Позвольте мне пока отложить тему уникальных преимуществ конкретно Xiaomi. Я хотела бы обсудить общее конкурентное преимущество всех китайских команд, работающих над большими моделями. Этот взгляд имеет куда более широкую ценность.

Примерно два года назад китайские исследовательские группы сделали выдающийся прорыв: несмотря на ограниченную вычислительную мощность, особенно при узлах соединения с низкой пропускной способностью NVLink, удалось найти пути преодоления ограничений устаревшего оборудования. Разработчики предложили архитектурные решения, которые на первый взгляд казались «компромиссом ради оптимизации», такие как семейства DeepSeek V2/V3, а также архитектуры MoE и MLA.

Позже мы увидели, что эти инновации спровоцировали подлинную революцию: речь шла о максимизации уровня интеллекта при фиксированных технических возможностях. Именно дух DeepSeek подарил всему местному сегменту больших моделей решимость и уверенность. Сегодня наши отечественные процессоры (особенно inference и training чипы) уже не столь зависимы от прежних ограничений, но именно они толкнули индустрию на поиски структур моделей нового поколения, отличающихся большей эффективностью обучения и снижением стоимости инференса.

Такие недавние разработки, как Hybrid Sparse и Linear Attention (например, NSA от DeepSeek, KSA от Kimi, а также HySparse от Xiaomi), представляют собой архитектурные прорывы, отличные от текущего поколения MoE, целенаправленно спроектированные для эры интеллектуальных агентов.

Почему я считаю структурные инновации настолько важными? Если вы действительно начнете интенсивно использовать OpenClaw, то заметите улучшение работы и увеличение интеллектуальных способностей модели в процессе. Один из критических факторов здесь — длина контекста вывода. Мы долго обсуждали концепцию длинного контекста, но насколько хорошо существуют сейчас модели, сохраняющие стабильность при огромных объемах информации и низкой цене вычислений?

Дело не в том, что модели технически не способны обработать 1 млн или 10 млн токенов, а в том, что стоимость и время инференса на таких объемах становятся неподъемными. Снижение затрат и ускорение процессов позволят передавать моделям по-настоящему высокопродуктивные задачи, решать проекты повышенной сложности в рамках длинных контекстов и даже добиваться самостоятельной эволюции модели.

Под самоитерацией понимается способность модели в сложной среде опираться на гигантские объемы контекста для собственной оптимизации. Эта трансформация затрагивает как сами фреймворки агентов, так и внутренние веса нейросети (поскольку сам контекст выступает формой расширения параметров). Поэтому создание архитектур, поддерживающих длинные контексты, и обеспечение быстрого вывода на таких массивах данных превратилось в масштабную гонку технологий.

Если говорить о предтренинге, то разработка эффективных структур поддержки длинных контекстов — это тема, которой мы занимаемся около года. А вот обеспечение реальной стабильности и выдающейся результативности в долгосрочных процессах — это именно та парадигма послеобучения, которую мы сейчас непрерывно развиваем.

Сейчас мы работаем над конструированием усовершенствованных алгоритмов обучения, сбором текстовых массивов из реальных сред, содержащих долговременные зависимости в масштабах от 1 до 100 млн контекстных токенов, а также анализом поведенческих траекторий в сложных сценариях. Это приоритетное направление нашей посттренировочной фазы.

Но в долгосрочной перспективе стремительный прогресс больших языковых моделей, усиленный развитием фреймворков для агентов (как отметил Ся Ли Сюэ), привел к росту спроса на инференс почти в 10 раз за последнее время. Сможем ли мы в этом году увидеть 100-кратное увеличение общего объема потребления токенов?

Тут вступает в игру другая грань состязания — вычислительные мощности, точнее, специализированные чипы для инференса, и даже энергетические ресурсы. Поэтому я думаю, что совместное обсуждение данной проблемы позволит всем нам почерпнуть максимум полезного опыта. Благодарю.

06. Три ключевых модуля агентов: взрывное развитие мультиагентных систем вызовет сильные потрясения

Ян Чжилинь: Блестящее выступление. Следующий вопрос к Хуан Чао. Вы разработали влиятельные проекты агентов, такие как Nanobot, и обладаете поддержкой сообщества. Расскажите, какие технические направления на уровне harness или приложений для агентов вы считаете наиболее важными для наблюдения в ближайшее время?

Хуан Чао: Если абстрагировать технологии агентов, ключевыми компонентами остаются три модуля: планирование (Planning), память (Memory) и использование инструментов (Tool Use).

Начнем с планирования. Основная проблема сейчас возникает при выполнении длительных задач или при столкновении со сложным контекстом (до 500 шагов и более), где многим моделям сложно выстроить четкую стратегию. Вероятно, в моделях отсутствуют определенные скрытые знания, особенно в узких профессиональных нишах. В будущем потребуется «запековать» знания о решении сложных задач непосредственно в структуру самой модели.

Конечно, функции Skills и Harness частично нивелируют ошибки планирования, поскольку предоставляют качественные инструментальные модули, косвенно подталкивая модель к успешному решению сложнейших задач.

Далее — память. Ощущается постоянный дисбаланс в сжатии информации и неточности поиска. Особенно остро проблема стоит в длительных проектах и сложных окружениях, где нагрузка на память возрастает кратно. В таких проектах, как OpenClaw, пока применяется самый примитивный файловый подход в формате Markdown через общую папку. В будущем память перейдет к многослойной архитектуре и потребует большей универсальности.

Откровенно говоря, добиться полной универсальности механизмов памяти сегодня крайне сложно: сценарии программирования, углубленных исследований и мультимодальной обработки используют радикально различные форматы данных. Как эффективно индексировать и находить информацию во всех типах памяти без потери скорости — вечная дилемма баланса.

Кроме того, резкое снижение барьера входа в создание агентов (благодаря OpenClaw) означает, что в будущем вместо одного «рака» у пользователя будет их целый рой. Например, Kimi уже интегрировала механизм Agent Swarm. Каждый человек завтра сможет управлять группой параллельно работающих агентов.

Разница в объемах контекста между одним агентом и целой группой поражает воображение, что создает колоссальное давление на память. Пока не существует надежных методов управления такими массивами контекстов, особенно в задачах сложного программирования и научных открытий, где нагрузка испытывает как саму модель, так и всю агентскую архитектуру.

Что касается использования инструментов (Skills), здесь наблюдаются те же проблемы, что возникали ранее с MCP: нестабильность качества, угрозы безопасности. В Skills наблюдается аналогичная ситуация: на поверхности множество вариантов, но качественных единиц крайне мало, а плохие навыки снижают точность действий агента. Также присутствует риск вредоносных инъекций. Чтобы исправить ситуацию на фронте Tool Use, сообществу предстоит значительно улучшить экосистему навыков, возможно, наделив их способностью самостоятельной эволюции новых инструментов в ходе выполнения задач.

В целом, планирование, память и использование инструментов отражают текущие «узкие места» агентов, а также определяют векторы их будущих прорывов.

07. Ключевые слова на следующие 12 месяцев: экосистема, устойчивые токены, автономная эволюция и вычислительные мощности

Ян Чжилинь: Судя по всему, оба эксперта рассмотрели одну и ту же проблему с разных сторон: рост сложности задач неизбежно ведет к лавинообразному увеличению требуемого контекста. Можно попытаться расширить нативную длину контекста на уровне самой модели, либо применять механизмы вроде планирования, памяти и мультиагентных структур на уровне harness, что также позволит справляться со сложными проектами при существующих ограничениях. Я уверен, что сочетание этих двух направлений породит мощную синергию и кардинально улучшит показатели успешного завершения задач.

Завершим нашу встречу открытым прогнозом. Пожалуйста, опишите одним словом тенденции развития больших моделей и свои ожидания на ближайшие 12 месяцев. Начнем с Хуан Чао.

Хуан Чао: 12 месяцев в мире ИИ кажется бесконечной пропастью — никто даже представить не может, каким изменится ландшафт через этот срок.

Ян Чжилинь: Первоначально здесь стояла формулировка «пять лет», но я сознательно её сократил.

Хуан Чао: Верно, смеюсь. Если выбирать одно слово, то «экосистема». Сейчас OpenClaw воодушевляет аудиторию, но в будущем агенты должны превратиться из развлечения в полноправных сотрудников-трудяг. Технология должна окончательно закрепиться в качестве надежного инструмента для рутины и настоящего профессионального соратника (coworker).

Для этого необходимы общие усилия всего сообщества, и прежде всего открытый исходный код. После публикации технологических прорывов и самих моделей требуется коллективная работа над созданием среды. Будь то итерации моделей, развитие платформ навыков (Skill platforms) или набор вспомогательных инструментов — всё должно быть направлено на формирование идеального рабочего поля для агентов.

Заметный тренд: останется ли будущее ПО ориентированным исключительно на людей? Я полагаю, многие программы перестанут быть человеко-центричными — людям по-прежнему нужны простые графические интерфейсы (GUI), а основной массе процессов перейдет в нативный режим взаимодействия агентов. Забавно наблюдать, как люди продолжат пользоваться GUI для собственного комфорта, в то время как экосистема постепенно эволюционирует от графических интерфейсов и MCP к консольному режиму командной строки (CLI). Этому необходима полная трансформация программного обеспечения, данных и технологий в Agent-Native формат, что откроет путь к невероятно насыщенному развитию.

Ло Фули: Сужение горизонта до одного года делает прогноз гораздо осмысленнее. Если говорить о пяти годах, то с точки зрения моего определения AGI, эта цель уже достигнута. Одним предложением выделить главную задачу грядущего года на пути к AGI, я бы сформулировала её как «автономная эволюция».

На первый взгляд термин звучит немного утопично, и его часто повторяли весь прошлый год. Но недавно я начала по-новому понимать этот процесс и нашла практически применимые схемы реализации автономной эволюции. Причина проста: в стандартном режиме чата мощные модели вообще не раскрывают свой предтренировочный потенциал, тогда как агентские структуры эту скрытую ёмкость активируют. Дав модели дольше работать над задачами, мы обнаружили её способность самостоятельно обучаться и оптимизироваться.

В качестве эксперимента мы добавили в действующий фреймворк проверяемые критерии успеха и настроили цикл (Loop). Модель получила возможность непрерывно итеративно улучшать свою целевую функцию, демонстрируя постоянное появление более точных решений. Такая автономная эволюция сейчас успешно запускается на 1–2 суток (безусловно, в зависимости от сложности проекта).

Например, в научных исследованиях по поиску оптимальных архитектурных структур, где четко определен метрический успех (вроде снижения метрики PPL), модель способна на протяжении нескольких дней самостоятельно проводить эксперименты и безошибочно выполнять поставленную задачу.

Таким образом, на мой взгляд, именно автономная эволюция представляет собой единственный путь к подлинному «созданию нового». Она не заменяет человеческую продуктивность, а действует как ведущий исследователь мирового уровня, первопроходец неизведанного. Год назад я считала временной промежуток в 3-5 лет реалистичным, но сегодня склоняюсь к срокам в 1-2 года. Возможно, совсем скоро мы сможем объединить базовые большие модели с передовыми эволюционными агентскими структурами, чтобы ускорить научные изыскания по крайней мере экспоненциально.

Последнее время я четко увидела, что рабочие процессы моих коллег, занятых исследованиями больших моделей, характеризуются высочайшей степенью неопределенности и творческого поиска. Несмотря на это, интеграция Claude Code с эталонными моделями позволила нам увеличить производительность труда почти в десять раз. Я с нетерпением жду, когда данная парадигма распространится на остальные академические дисциплины и отрасли, потому что автономная эволюция действительно имеет решающее значение.

Ся Ли Сюэ: Мой выбор пал на понятие «устойчивые токены». Я наблюдаю, что развитие индустрии ИИ находится на длинном дистанционном старте, и мы стремимся придать этой сфере максимальную жизнеспособность. Взгляд снизу, со стороны построения инфраструктуры, подсказывает одну важную истину: физические ресурсы всё равно исчерпаемы.

Во имя концепции устойчивого развития главный вопрос современной «фабрики токенов» сводится к способности бесперебойно, стабильно и в промышленных масштабах поставлять вычислительные единицы. Это позволит передовым моделям реально обслуживать широкий спектр конечных продуктов.

Нам необходимо расширить горизонт внимания до уровня целой экосистемы — от энерговыработки и вычислительных мощностей напрямую к производству токенов и их использованию в готовых приложениях, чтобы сформировать экологически чистый экономический цикл. Мы не только максимально загружаем внутренние вычислительные ресурсы, но и экспортируем наши технологические решения на зарубежные рынки, стирая границы для глобальной интеграции капиталов и технологий.

Для меня термин «устойчивость» неразрывно связан с созданием экономики токенов по китайскому лекалу. Раньше глобальный мир слышал о феномене «Made in China», когда дешевая производственная мощь Поднебесной поставляла качественные потребительские товары на международные рынки.

Сегодня мы намерены реализовать концепцию «AI Made in China». Используя национальные преимущества, особенно в энергетике, посредством современных фабрик токенов мы хотим преобразовать их в высокоточные и надежные цифровые активы (токены) для экспорта в мировое пространство, позиционируя страну как глобальный центр выдачи цифровых ресурсов. Именно эту роль Китая в предоставлении миру качественного искусственного интеллекта я жду увидеть уже в текущем году.

Чжан Пэн: Закончу кратко. Все мы увлечены созерцанием звезд, но я предпочитаю сосредоточиться на прочной земле под ногами. Мой ключевой тезис звучит как «вычислительные мощности».

Как я уже говорил, любые технологические инновации и фреймворки для агентов способны увеличить креативность и операционную эффективность вдесятеро, но только при условии их доступности и надежности. Нельзя допустить ситуации, когда запрос отправляется в модель, она долго рассуждает вхолостую и не дает ответа — подобный опыт недопустим. Именно эти сбои регулярно тормозят научные открытия и блокируют реализацию амбициозных замыслов.

Пара лет назад на одном из форумов в Чжунгуаньцуне известный академик сказал крылатую фразу: «Нет графического чипа — нет эмоций, разговоры о дефиците чипов обижают сердца». Сегодня мы снова стоим на этом пороге, но обстоятельства изменились кардинально. Мы вошли в фазу массового инференса, где спрос буквально взрывается, вырастая в разы и десятки раз. Никто точно не знает, в каких объемах скрытая потребность превышает текущие цифры потребления. Перед нами стоит серьезная дилемма удовлетворения колоссальных запросов, и решать ее нам придется сообща. Спасибо.