После двух лет безудержного бега больших моделей, AI-гиганты одновременно развернулись и принялись чинить «дата-базу»

Двигатель установили, но дорогу ещё не отремонтировали
Первый тайм: все бегут наперегонки в выставочном зале
За прошлые два года AI-сюжеты были крайне единообразными: модели больше, параметров больше, места в рейтингах выше; команды с open source и закрытыми моделями соперничали за внимание. У компаний и сценарии совпадали почти один в один: покупают вычислительные мощности, нанимают алгоритмистов, разворачивают модели — по умолчанию «и так достаточно сильная модель» должна была легко перенестись в реальную практику
Реальность нанесла удар: типичный пример — история CIO одного крупного госпредприятия. Есть 17 бизнес-систем, 9 дата-складов и 3 облака. Форматы данных — кто во что горазд, а значительная часть материалов до сих пор в бумажном виде и не оцифрована. В итоге даже самое базовое приложение — диагностика отказов оборудования — не запускается: модель не может понять историю ремонтов
Проблема не в том, что модели плохие, а в том, что данные не удаётся «скормить»
Второй тайм: нужно ввести машину на реальные улицы
На фабрике нельзя останавливать производство, в больнице важна безопасность, в госсекторе нужна соответствующая требованиям комплаенс-логика. Насколько бы ни была сильна модель, если дорогу данных не отремонтировали, она будет только крутиться на месте
Действия глобальных цепочек поставок стали всё больше синхронизироваться: один и тот же большой модельный каркас «голый» запускают на корпоративных данных и на полностью выстроенной системе дата-инженерии, и разница в точности становится пропастью. Разрыв не в «мозгах» модели — а в том, можешь ли ты получать правильные ингредиенты
Так появилась новая архитектура: сверху — модель и возможности, снизу — дата-инженерия, аудит прав, стратегии управления. Модель и данные больше не «конвейерные звенья» друг за другом, а партнёры, которые кормят друг друга
Сложность в Китае добавляет ещё один слой
У производственных цепочек поставок длинее маршрут, выше требования к соответствию, больше неструктурированных данных, системы более разрознены, а формулировки и определения — ещё более разнородны. Мост через разрыв от универсального интеллекта к отраслевому — пропасть, а фундаментальная опора как раз и есть сквозная инфраструктура данных
Это не чтобы «встроить мозг» в AI, а сначала наладить «нервную систему»
Что по-настоящему дефицитно
Это разворот и ремонт дата-базы — по сути корректировка понимания: массовая ценность AI не зависит от того, сколько баллов та или иная модель показывает сегодня. Она зависит от того, сможет ли данные стабильно поступать с качеством, сможет ли система стабильно управлять доверием, сможет ли инженерия стабильно замыкать цикл в реальном внедрении
В Китае не хватает не 101-й open source большой модели. Не хватает того, чтобы сначала «отмыть» данные, а затем сварить из них высококачественный «суп»
Когда это заработает, AI перестанет быть темой горячих новостей и станет инструментом на рабочем месте
DYOR — не инвестиционный совет