Шесть прорывов в области ИИ, которые изменили 2025 год: что правильно понял Анджей Карпаты

Андрей Карпати, один из самых влиятельных исследователей ИИ в мире, предложил свою личную точку зрения на преобразующие изменения, формирующие искусственный интеллект в 2025 году. Его наблюдения освещают не только то, что произошло в прошлом году, но и направление развития всей индустрии. Между прорывами в области обучения с подкреплением, новыми парадигмами применения и фундаментальными сдвигами в том, как люди взаимодействуют с ИИ, ландшафт менялся быстрее, чем большинство предсказывало.

RLVR: Новая основа, заменяющая обучение с учителем

Учебный сценарий ИИ вошел в новую главу, когда обучение с подкреплением на основе проверяемых наград (RLVR) перешло из экспериментальной стадии в мейнстрим. Согласно анализу Андрея Карпати, этот сдвиг кардинально изменил внешний вид языковых моделей производственного уровня.

Многие годы стандартный процесс выглядел так: предварительное обучение → тонкая настройка с учителем → обучение с подкреплением на основе обратной связи человека (RLHF). Он был стабильным, проверенным и стал основой крупных лабораторий ИИ. Но что-то изменилось в 2025 году.

RLVR меняет правила игры, обучая модели в средах с автоматически проверяемыми сигналами награды — подумайте о математических задачах с однозначными правильными ответами или задачах по программированию, где код либо работает, либо нет. Вместо того чтобы полагаться на человеческое суждение, эти объективные механизмы обратной связи позволяют моделям развивать что-то, напоминающее настоящее рассуждение. Они учатся разлагать задачи на промежуточные шаги и находить несколько путей решения через итеративное уточнение.

DeepSeek-R1 впервые продемонстрировал этот принцип, но OpenAI’s o1 (late 2024) и o3 (early 2025) доказали, что он масштабируем. Как отметил Андрей Карпати, больше всего его удивило не просто скачок в производительности — а масштабный сдвиг в вычислительных ресурсах. RLVR потребляет значительно больше вычислений, чем традиционная тонкая настройка, фактически перенаправляя ресурсы, изначально предназначенные для предварительного обучения. Это означало, что достижения в возможностях в 2025 году пришли не за счет обучения более крупных моделей, а за счет обучения более умных, с значительно расширенными фазами оптимизации.

Еще одним прорывом стало то, что этот новый подход открыл совершенно новое измерение масштабирования — возможность регулировать возможности модели во время тестирования, расширяя траектории вывода и позволяя больше «времени на размышление». Это разъединяет масштабирование возможностей и размер модели в способах, ранее невозможных.

Ghost Intelligence vs. Sawtooth Performance

Андрей Карпати ввел концепцию, которая переосмыслила отношение индустрии к когнитивным способностям ИИ: мы не эволюционирующие животные, а вызываем призраков.

Вся система обучения кардинально отличается — нейронная архитектура, данные, алгоритмы и, что важно, цели оптимизации. Поэтому неудивительно, что крупные языковые модели демонстрируют интеллект, радикально отличный от биологических мозгов. Сравнение их с животными или биологическим интеллектом полностью упускает суть.

Человеческие нейронные сети сформированы в условиях выживания в племенных экосистемах. Модели ИИ были созданы для имитации текста, решения математических задач и получения одобрения человека в соревновательных бенчмарках. Когда вы оптимизируете под такие разные цели, получаете такие разные результаты.

Это приводит к странной характеристике производительности: зубчатым, волнообразным кривым возможностей. Модели могут показывать энциклопедические знания в один момент и путаное школьное мышление в следующий. Они превосходны в проверяемых областях и терпят неудачи в открытых контекстах. Этот неровный ландшафт возможностей — не ошибка, а прямое следствие самой системы обучения.

Здесь становится важным скептицизм Андрея Карпати: он развил то, что называет «общей безразличностью» к бенчмаркам в 2025 году. Причина проста — бенчмарки являются проверяемыми средами, что делает их мишенями для переобучения RLVR. Команды неизбежно создают тренировочные пространства рядом с встраиваниями бенчмарков и насыщают их узкими возможностями. «Обучение на тестовом наборе» стало нормой индустрии. Проходить все бенчмарки уже не означает реальный прогресс в области AGI.

Cursor: появляется слой приложений

Бурный рост Cursor в 2025 году выявил нечто важное: в стеке приложений ИИ появляется совершенно новый уровень.

По словам Андрея Карпати, Cursor работает потому, что он решает конкретную вертикальную задачу — генерацию кода в реальных рабочих процессах, а не потому, что это лучший универсальный чатбот. Архитектура, лежащая в основе таких инструментов, как Cursor, включает три интегрированных компонента: инженерия контекста (выделение релевантной информации), оркестрация вызовов нескольких LLM в всё более сложные ориентированные ацикличные графы (балансировка производительности и стоимости), и пользовательские интерфейсы, специфичные для приложений, с контролем человека.

Это вызвало более широкую дискуссию: будут ли платформы крупных языковых моделей (типа API OpenAI) доминировать во всем слое приложений или же выживут специализированные инструменты? Прогноз Андрея Карпати: платформы постепенно станут «университетами-дженералистами», производящими способные, но неспециализированные результаты. Истинная ценность перейдет к компаниям, которые возьмут эти модели, донастроят их на проприетарных данных, интегрируют датчики и исполнительные механизмы и превратят их в специализированные «профессиональные команды», готовые к развертыванию в конкретных вертикальных областях.

Следовательно, Cursor — это не финальная точка, а шаблон. Ожидайте появления десятков вертикально-специализированных инструментов по тому же сценарию.

Claude Code: агенты, живущие локально

Появление Claude Code продемонстрировало нечто, что привлекло внимание Андрея Карпати: эффективные агенты ИИ не обязательно должны жить в облаке.

Технология циклически использует инструменты и рассуждения в цикле, что позволяет решать более сложные и устойчивые задачи, чем простые интерфейсы чата. Но что по-настоящему впечатлило Андрея Карпати, — это архитектурный выбор: Claude Code работает прямо на компьютере пользователя, глубоко интегрирован в локальные файлы, личные окружения и индивидуальные рабочие процессы.

Это сознательный отход от стратегического направления OpenAI. OpenAI вложил значительные ресурсы в облачных агентов, управляемых внутри контейнеризированных сред ChatGPT. Хотя такой подход обещает «высшую форму AGI», сейчас мы находимся в неопределенной стадии развития с неподтвержденными преимуществами.

Развертывание агентов локально — рядом с разработчиками, плотно интегрированное с их конкретным рабочим контекстом — оказалось быстрее и более практично на данный момент. Claude Code реализовал этот приоритет, создав элегантный командный инструмент, который кардинально меняет интерфейс ИИ. Это уже не просто сайт, как Google. Это крошечный спрайт, живущий у вас на компьютере, взаимодействующий прямо с вашим рабочим процессом. Это совершенно другая парадигма взаимодействия человека и ИИ.

Vibe Coding: программирование без кода

К 2025 году ИИ перешел критическую границу: вы можете описать желаемое на английском языке, и рабочее программное обеспечение появится само по себе, без необходимости разбираться в реализации.

Андрей Карпати неформально ввел термин «Vibe Coding» в Твиттере, не ожидая, что он станет отраслевым трендом. Но он идеально отражает произошедшее — программирование стало доступным для всех, а не только для обученных профессионалов.

Это связано с более широкой тенденцией, которую отметил Андрей Карпати: обычные люди получают больше пользы от крупных языковых моделей, чем эксперты. Профессионалы уже обладали инструментами и глубокими знаниями. Обычные люди ничего не могли создать. Теперь — могут.

Но Vibe Coding приносит пользу и профессионалам — по-другому. Оно позволяет разработчикам реализовывать функции, «которые никогда бы не были написаны иначе», потому что внезапно код становится бесплатным, эфемерным и временным. Создавая nanochat, Андрей Карпати использовал Vibe Coding для написания пользовательских, эффективных токенизаторов BPE на Rust без изучения языка или использования существующих библиотек. Он прототипировал целые системы исключительно для проверки возможности. Он писал однократные приложения, чтобы отладить конкретные уязвимости.

Этот экономический сдвиг — когда стоимость переключения кода равна нулю — изменит экосистему разработки программного обеспечения и навсегда пересмотрит границы карьеры в области программирования.

Nano Banana: LLM наконец получили пользовательские интерфейсы

Прорыв Google Gemini Nano — то, что Андрей Карпати называет «Nano Banana» — один из самых разрушительных парадигмальных сдвигов 2025 года.

Андрей Карпати ясно формулирует: крупные языковые модели представляют собой следующий крупный парадигмальный скачок в вычислениях после эпохи ПК 1970-80-х годов. Поэтому стоит ожидать аналогичных инноваций по тем же причинам — параллельно развитию персональных компьютеров, микроконтроллеров и интернета.

Современное взаимодействие человека с компьютером все еще похоже на командные строки 1980-х. Текст доминирует, хотя он примитивен для компьютеров и неправильный формат для людей. Люди считают чтение текста медленным и утомительным. Они предпочитают визуальные и пространственные каналы — именно поэтому графические интерфейсы пользователя преобразовали персональные компьютеры десятилетия назад.

Тот же принцип применим к ИИ: модели должны общаться через изображения, инфографику, слайды, доски, видео, веб-приложения — в общем, любой формат, который предпочитают люди. Первые шаги были сделаны через «визуальное оформление текста», такие как эмодзи и Markdown. Но кто в конечном итоге построит полноценный графический интерфейс для ИИ?

Nano Banana — это ранний прототип этого будущего. Его прорыв выходит за рамки генерации изображений. Что делает его важным — это интегрированная способность: генерация текста, изображений и встроенные знания о мире, все переплетено через веса модели. Эта слияние создает принципиально иной интерфейс, чем модели только с текстом.

Конвергенция: видение Андрея Карпати о будущем

Эти шесть сдвигов не существуют изолированно. Наблюдения Андрея Карпати показывают индустрию в переходе: от чистого масштабирования моделей к более умным методам обучения и специализированным приложениям. От облачных универсальных решений к локально развернутым агентам, интегрированным с рабочими процессами человека. От текстоцентричных интерфейсов к визуальной и пространственной коммуникации.

2025 год доказал, что искусственный интеллект не просто стал чуть лучше. Он кардинально реорганизовал способы обучения, развертывания и коммуникации. Следующая фаза принадлежит тому, кто первым освоит эти новые парадигмы.