Посмотрите на вещи, которые мы привыкли воспринимать как неотъемлемую часть повседневной жизни: компьютер, интернет, самолет, антибиотики, атомная энергетика, космические аппараты и так далее. Почти все они родом из первой половины XX века или чуть позже. Даже смартфон — это по сути удачная упаковка транзистора, жидких кристаллов, аккумулятора и радиосвязи, изобретенных десятилетиями раньше. За последние 40–50 лет человечество не столько открывало новое, сколько доводило до ума то, что уже появилось в середине прошлого века.
Научный и технический прорывы в первой половине и середине XX века оказались столь масштабными, что во многом мы до сих пор совершенствуем технологии, изобретенные еще тогда. IT-индустрия в этом плане, кстати, не стала исключением. Даже искусственный интеллект и нейросети появились задолго до OpenAI, Google, Anthropic и идеи «а давайте внедрим сюда ИИ».
Открытия становятся дорогими и рискованными
Идея, что прогресс уперся в потолок, не нова. Журналист Майкла Хэнлон еще в 2014 году в эссе «The golden quarter» утверждал: что почти все, определяющее современный мир, зародилось в узком окне между 1945 и 1971 годами, и с тех пор скорость прогресса заметно упала. Нельзя сказать, что он перегибает. Действительно, скажем, самолеты сегодня — это модернизированные версии машин 1960-х, а перелет из Лондона в Нью-Йорк как занимал восемь часов в 1971, так и занимает сейчас. Хэнлон связывает замедление с ростом неприятия риска: многие масштабные и опасные проекты полувековой давности сегодня вряд ли были бы одобрены. Просто потому что они сложны и дороги, а экономический эффект от них либо мал, либо проявится через несколько лет/десятилетий.
Схожий тезис выдвигали экономисты Тайлер Коуэн, Питер Тиль и Роберт Гордон. Их «гипотеза великой стагнации» гласит, что научный и технологический прогресс заметно замедлились примерно с 1970 года.
У этой теории есть и количественное подтверждение. Физик Дидье Сорнетт построил индекс «потока идей» по историческим энциклопедиям научных достижений и обнаружил устойчивое снижение продуктивности исследований с 1950–1970-х, несмотря на кратный рост числа ученых. Исследование в Nature, основанное на анализе 45 млн статей и 4 млн патентов за 60 лет, показало падение индекса «прорывности» работ более чем на 90% для статей и почти на 80% для патентов. Нет, это не значит, что человечество стало меньше изобретать или что мы идем куда-то не туда в части науки и технологий. Просто вспомните тезис из начала этой статьи: ученые и инженеры все чаще уточняют уже известное, а не открывают что-то совершенно новое.
Безусловно, уже сейчас часть читателей может возразить и не согласиться. Как не соглашается, например, Адам Хант. В работе «There was no great stagnation» он указывает, что классические экономические метрики плохо измеряют результат именно тех технологий, которые двигают нас вперед сегодня. То есть стагнация может быть иллюзией измерения. Спор в итоге сводится к тому, что потолок — это следствие того, что общество разучилось рисковать и щедро финансировать смелые исследования. Ну а еще имеется объективное исчерпание легкодоступных научных идей, которое не решить никаким увеличением бюджетов.
Сделаем то же самое, только побольше
С точки зрения физики современный компьютер — это по-прежнему фон-неймановская архитектура и полупроводниковый транзистор, т. е. идеи 1940-х. Все, что произошло с тех пор (конвейеризация, кэш-память, многоядерность, широкие шины) — лишь инженерная доводка одной концепции: заставить электроны быстрее переключать состояния и упаковать таких переключателей побольше на единицу площади.
Закон Мура, согласно которому количество транзисторов в микросхемах каждые два года становились вдвое больше, долго маскировал этот факт. Казалось, что прогресс качественный, а на деле он был количественным. Сейчас, когда техпроцесс приблизился к размеру в несколько атомов кремния и уперся в квантовое туннелирование и проблемы теплоотвода, индустрия честно перешла на экстенсивные пути.
Сложно создать более быстрые ядра CPU, но есть спрос производительность — ок, мы просто дадим больше ядер. Всем нужен ИИ и массовые параллельные вычисления — проще и быстрее увеличить количество CUDA-ядер и объем VRAM, а заодно подключить к серверу сразу несколько GPU, чем создавать принципиально новую прорывную архитектуру.
Мы, конечно, стремимся все же выйти за рамки, но зачастую все упирается в уже озвученные ограничения: это дорого, а гарантию успеха никто не дает. Термоядерный синтез, квантовые вычисления, фотонные процессоры, нейроморфные чипы, ДНК-хранилища — ни одна из этих идей не нова. Концепция квантового компьютера, например, вообще сформулирована Фейнманом и Маниным еще в начале 1980-х.
Впрочем, к середине 2026 года индустрия перешла-таки от наращивания числа кубитов к исправлению ошибок (Google Willow, QuEra), вложения в квантовые стартапы выросли за год в шесть раз, но даже оптимистичные прогнозы обещают практически полезные машины не раньше 2028 года, а массовый переход к тысячам стабильных кубитов — уже в 2030-х. Причем и в случае успеха это не универсальный ускоритель, а специализированный сопроцессор для узкого класса задач: моделирования молекул, оптимизации, взлома криптографии.
Фотоника — тоже не что-то принципиально новое. Если упростить, то это попытка заменить носитель информации внутри чипа. Вместо греющегося электрона использовать фотон, который движется быстрее и почти не выделяет тепла. В этом плане 2026 год стал переломным: компании вроде Q.ANT начали продавать реальные фотонные ускорители, которые ставятся в обычный сервер по PCIe, а аналитики ждут, что к 2028–2030 годам такие чипы возьмут на себя до 80–90% «тяжелой» матричной нагрузки. Но это апгрейд физического носителя вычисления в рамках все той же архитектуры, а не пересмотр модели вычисления как таковой.
Похожая история с нейроморфными чипами. Идея «кремниевого нейрона», реагирующего импульсами как биологический, обсуждалась еще в 1980-х Карвером Мидом. Сейчас интерес к ней вырос в основном потому, что энергозатраты на обучение нейросетей стали слишком велики. И с ДНК-хранилищами то же самое: кодирование данных в нуклеотидах экспериментально показали еще в 2012 году, плотность записи впечатляющая (грамм ДНК теоретически вмещает сотни эксабайт), но запись и чтение все еще на порядки дороже и медленнее любого магнитного носителя. Так что сегодня есть лишь несколько пилотных проектов, но готового коммерческого продукта пока никто не предлагает.
А что с программированием
С языками кажется, что раз каждые несколько лет появляется новый, то прогресс продолжается. Но если смотреть не на синтаксис, а на концепции, весь набор фундаментальных идей (объектная модель, функциональный подход, статическая типизация, сборка мусора, модель акторов) сформулирован еще в 1960–1980-х.
Simula, Smalltalk, Lisp, ML, Erlang. Go, Swift, Kotlin, Rust — не новые парадигмы, а результат тщательной работы над старыми. Взяли объектную модель C++/Java/Objective-C, убрали ручное управление памятью и ввели null-безопасность, добавили строгую типизацию и удобную сборку. И вуаля, новый язык! Безусловно, это полезная работа, реально снижающая число багов. Но тут важно не обмануть самих себя — мы все еще не получили нового способа задавать компьютеру инструкции.
Дифференцируемое и вероятностное программирование, а также языки для квантовых вычислений (Q#, Silq) — интересные штуки, но на деле они лишь подтверждают тот же тезис.
Дифференцируемое программирование переносит идею градиентного обучения нейросетей (метод обратного распространения ошибки, известен с 1960-х) на произвольный код — физические симуляции, рендеринг, — чтобы не писать логику руками, а «обучать» программу нужному поведению.
Вероятностное программирование встраивает в язык байесовский вывод, идею Томаса Байеса XVIII века, оформленную в самостоятельную область в 1980-х. Да, прогресс есть, но он тут сводится к более хитрым способам приближенно считать эту в общем случае вычислительно неподъемную задачу на существующем железе.
Q# и экспериментальный Silq решают инженерную проблему — сделать написание квантовых алгоритмов удобнее, чем на ассемблере кубитов и гейтов. Но полезны они ровно настолько, насколько полезно само квантовое железо. Пока оно не перешло от сотен кубитов к тысячам стабильных, эти языки остаются нишевыми, при том что сами их языковые концепции целиком заимствованы из классического программирования 1970–1990-х.
Ни одно из трех описанных направлений не предлагает нового способа мышления о вычислении. Все они переносят старые математические идеи в контекст, где раньше не хватало вычислительной мощности или подходящего физического носителя.
Полвека одной и той же модели ИИ
Ну и как тут обойти стороной тему ИИ? Модель перцептрона предложена в 1957 году, метод обратного распространения ошибки — в конце 1980-х. Трансформеры 2017 года, на которых построены современные языковые модели, — архитектурная модификация градиентной оптимизации весов, отличающаяся эффективным механизмом внимания и хорошей распараллеливаемостью.
Весь впечатляющий рывок последних лет (GPT, диффузионные модели, AlphaFold) продукт трех факторов:
- больше вычислительных мощностей,
- больше данных,
- инженерные усовершенствования одной и той же базовой идеи «настраивать веса сети через градиентный спуск».
Мы не изобрели новый способ, которым машина могла бы обучаться. Мы дали старому способу в миллионы раз больше ресурсов, чем было доступно в 1980-х.
Поэтому в исследовательском сообществе идут споры о «стене масштабирования». Рост качества моделей от увеличения размера и данных выходит на плато, а принципиально нового пути к обучению — того, что дало бы системе понимание причинности или способность учиться на единичных примерах так же эффективно, как это делает мозг, — пока никто не предложил.
Показательно, куда индустрия направила усилия, упершись в это плато:
- вычисления на этапе инференса или test-time compute (дать модели больше времени «подумать» над запросом вместо укрупнения самой модели);
- модели мира (предсказание физических последствий действий вместо следующего слова в тексте);
- нейросимвольные гибриды (возвращение символьной логики 1980-х ради объяснимости);
- мультимодальность и агенты;
- компактные специализированные модели.
Ни одно из этих направлений не меняет базовую идею градиентного обучения. Все они лишь эффективнее используют ее или комбинируют с соседними идеями.
Система,которая обучалась бы заметно эффективнее по данным и энергии, потребует не более крупного трансформера, а нового математического описания того, что вообще такое обучение и рассуждение. А это уже вопрос не инженерии дата-центров, а фундаментальной науки — когнитивистики, нейробиологии, теории информации.
Что из этого следует
Во всех случаях (железо, перспективные направления вроде квантовых вычислений и фотоники, языки, ИИ) узнается один и тот же паттерн. Фундаментальная идея сформулирована в узком окне между серединой и концом XX века, а все, что происходит дальше, включая самые футуристичные анонсы 2026 года, — это масштабирование и допиливание старой концепции.
Это не значит, что работа последних десятилетий бессмысленна — именно она превратила лабораторные диковинки в смартфон в кармане у каждого. Но это объясняет, почему ощущение застоя на фоне бесконечных анонсов небезосновательно.
С железом ситуация такова. Физика транзистора — измеримый барьер, но как только бум ИИ сделал вычислительную мощность узким местом, деньги и инженерное внимание к квантовым чипам и фотонике выросли на порядок. Застой в конкретном узком направлении может закончиться довольно быстро, просто это будет виртуозная инженерия вокруг уже известной физики, которая пока что себя не исчерпала.
С языками программирования сложнее. Аппаратная часть — самая дешевая и быстро воспроизводимая часть технологического стека. Математическая часть же требует нового взгляда, чтобы изменить все концепцию. Для этого нужен фундаментальный сдвиг в науке.
В каком направлении пойдет развитие ИИ, предсказать сложно. Одни считают, что для прорыва нужны независимые исследовательские команды и годы работы. Другие указывают, что пятипроцентный прирост точности требует кратного, а не линейного роста вычислений, и это встроено в саму статистическую природу градиентного обучения, а не в жадность корпораций.
Отсюда можно сделать несколько выводов. Пожалуй, главный — говорить о застое все же некорректно. Прогресс продолжается, просто он неодинаков в разных сферах, не всегда очевиден и упирается порой в очень разные ограничения. Например, в железе и языках это в основном вопрос воли, денег и готовности рисковать, т. е. системная проблема, которую можно решить финансированием смелых исследований.
В ИИ не хватает новой фундаментальной математической идеи, а не смелости корпораций. И никакое финансирование независимых исследовательских лабораторий эту идею не родит, пока для нее не созреет физика и другие соседние области науки.
