Примечание редактора: На фоне продолжающегося роста инвестиций и нарративов в области ИИ вопрос «существует ли пузырь» стал ключевой темой для обсуждения на рынке. С одной стороны, экстремальные нарративы о рисках усиливают опасения по поводу выхода технологии из-под контроля; с другой стороны, быстро растущие капитальные затраты и уровни оценки также поддерживают теорию «пузыря». На фоне этих разногласий рыночные суждения демонстрируют заметную неопределенность.
Автор этой статьи, Бен Томпсон, основатель аналитической платформы Stratechery, долгое время уделяет внимание эволюции структуры и бизнес-моделей технологической индустрии. Накануне проведения GTC 2026 компании Nvidia он пересмотрел свое предыдущее суждение о том, «находится ли ИИ в пузыре»: он больше не считает текущую ситуацию пузырем, а рассматривает ее как структурный рост, движимый изменениями технологической парадигмы.
Это суждение основано на наблюдении за тремя ключевыми скачками в развитии LLM (больших языковых моделей). С момента, когда ChatGPT впервые продемонстрировал возможности больших языковых моделей рынку в 2022 году, LLM прошли путь от «пригодных к использованию, но ненадежных» до «обладающих способностью к рассуждению» и, наконец, до «способных самостоятельно выполнять задачи». Особенно в конце 2025 года, с выпуском Anthropic Opus 4.5 и OpenAI GPT-5.2-Codex, агентские рабочие нагрузки (agentic workloads) начали превращаться из концепции в реальность.
Ключевым моментом является не сама модель, а появление «агентской упряжи» (agent harness). Агент разъединяет пользователя и модель, отвечая за планирование работы модели, вызов инструментов и проверку результатов, превращая ИИ из инструмента, требующего постоянного человеческого вмешательства, в исполнительную систему, которой можно поручить задачи. Это изменение не только повышает надежность, но и расширяет границы применения ИИ.
Основываясь на этом сдвиге парадигмы, автор далее указывает, что расширение спроса на ИИ больше не зависит от числа пользователей, а скорее от пропускной способности на одного пользователя; в то же время, агентские рабочие нагрузки обладают характеристикой «победитель получает все», что будет продолжать подстегивать спрос на высокопроизводительные вычисления и создавать структурные возможности для производителей чипов и провайдеров облачных услуг.
В этой框架теке текущие крупномасштабные капитальные затраты больше не являются просто спекулятивными ставками на будущее, а скорее являются авансовым отражением реального спроса. По мере того как ИИ превращается из «вспомогательного инструмента» в «исполнительную инфраструктуру», его экономическое влияние, возможно, только начинает проявляться.
Далее следует оригинальный текст:
Раньше я был более склонен ко второму варианту и даже считал, что пузырь на некоторых этапах не обязательно является плохой вещью.
Но сейчас, в марте 2026 года, на открытии GTC Nvidia, мое мнение изменилось: это не обязательно пузырь. (И как ни ironicчно, само это суждение может как раз и быть сигналом пузыря.)
Три парадигмальных скачка LLM
За последние несколько недель, обсуждая финансовые отчеты Nvidia и Oracle, я多次 упоминал, что LLM претерпели три ключевых скачка.
Первый этап: ChatGPT
Первая точка перелома — выпуск ChatGPT в ноябре 2022 года, что почти не требует пояснений. Хотя большие языковые модели на основе Transformer появились еще в 2017 году, и их возможности постоянно улучшались, они долгое время недооценивались. Даже в октябре 2022 года в интервью для Stratechery я still считал, что эта технология, хотя и впечатляющая, lacks продуктивности и предпринимательской динамики.
Но несколько недель спустя все кардинально изменилось. ChatGPT впервые по-настоящему позволил миру осознать возможности LLM.
Однако ранние версии также оставили два глубоких впечатления, которые особенно часто упоминаются «теоретиками пузыря»:
Во-первых, модель часто ошибалась, и даже когда не знала ответа, могла «галлюцинировать» и выдумывать. Это делало ее больше «инструментом для демонстрации», впечатляющим, но ненадежным.
Во-вторых, даже в этом случае она была очень полезна, но при условии, что вы знаете, как ее использовать, и постоянно проверяете вывод, исправляя ошибки.
Второй этап: o1
Вторая точка перелома — выпуск модели o1 от OpenAI в сентябре 2024 года. К тому времени LLM уже значительно продвинулись благодаря более мощным базовым моделям и пост-тренировочным технологиям, вывод стал точнее, галлюцинаций — меньше.
Но ключевой прорыв o1 заключался в том, что она сначала «думала», а потом отвечала.
Традиционные LLM зависят от пути:一旦 в процессе рассуждения сбиваются с пути, продолжают ошибаться до конца. Это фундаментальная слабость «авторегрессионных моделей». Модели рассуждения же проводят самооценку ответа: они сначала генерируют ответ, затем оценивают его правильность и при необходимости пробуют другие пути.
Это означает, что модель начала actively управлять ошибками, снижая burden вмешательства пользователя. Результаты также были значительными. Если прорыв ChatGPT заключался в том, чтобы «сделать LLM пригодными к использованию», то прорыв o1 — в том, чтобы «сделать LLM надежными».
Третий этап: Агент (Opus 4.5 / Codex)
В конце 2025 года произошел третий скачок.
В ноябре 2025 года Anthropic выпустила Opus 4.5, и initially реакция была сдержанной. Но к декабрю Claude Code, работающий на этой модели, внезапно продемонстрировал беспрецедентные capabilities; почти одновременно OpenAI выпустила GPT-5.2-Codex, которая показала аналогичный уровень.
Люди давно говорили об «Агенте», но в этот момент они наконец-то начали реально выполнять задачи, даже сложные, требующие нескольких часов, и выполнять их правильно.
Ключ не в самой модели, а в управляющем слое (harness), то есть в слое программного обеспечения, который планирует работу модели, вызывает инструменты и выполняет процессы. Другими словами, пользователь больше не управляет моделью напрямую, а ставит цель, и Агент планирует работу модели, вызывает инструменты, выполняет процессы и проверяет результаты.
На примере программирования:
· Первый этап: модель генерирует код
· Второй этап: модель рассуждает в процессе генерации
· Третий этап: Агент генерирует код → выполняет тесты → автоматически запускает тесты → если ошибка, повторяет, без необходимости постоянного вмешательства пользователя.
Это означает, что ключевые недостатки эпохи ChatGPT систематически устраняются: более высокая точность, более сильные способности к рассуждению, механизмы автоматической проверки.
Остается единственный вопрос: что же с ним делать?
Я反复 подчеркиваю эти три точки перелома, чтобы объяснить, почему вся отрасль испытывает серьезный дефицит вычислительных мощностей и почему超大规模ные капитальные затраты оправданы.
Три парадигмы предъявляют совершенно разные требования к вычислительной мощности:
· Первый этап: обучение потребляет много ресурсов, но стоимость вывода (inference)较低
· Второй этап: стоимость вывода резко возрастает (больше токенов + higher частота использования)
· Третий этап (Агент): multiple вызовы моделей для вывода, сам Агент также потребляет ресурсы (даже с уклоном в CPU), частота использования further взрывается
Но что более важно, третье: изменение структуры спроса严重 недооценено.
В настоящее время людей, использующих чат-ботов, гораздо больше, чем тех, кто использует Агентов, и многие на самом деле не используют ИИ в полной мере. Причина в том, что использование ИИ требует «proactiveности». LLM — это инструмент, у него нет цели, нет воли, его можно only вызывать主动но.
Но Агент меняет это, он снижает требования к human proactiveности. В будущем один человек сможет одновременно управлять несколькими Агентами.
Это означает, что даже если лишь немногие люди обладают «proactiveностью», этого достаточно, чтобы вызвать огромный спрос на вычислительные мощности и экономический output.
ИИ по-прежнему需要 «людей для управления», но不再需要 «много людей».
Готовность потребителей платить за ИИ ограничена, это становится increasingly ясно. Те, кто по-настоящему готов платить за производительность, — это предприятия.
Компании excited не только тем, что ИИ повышает эффективность, но и тем, что ИИ может заменить人力, и делать это более эффективно.
Текущая реальность такова, что в крупных компаниях真正推动业务前进的往往是少数人; но организация却庞大, что приводит к высоким协调成本ам. Роль Агента заключается в том, чтобы усилить влияние «людей, создающих ценность», и одновременно减少组织ное трение.
Результат — «меньше людей → выше output → ниже成本». Именно поэтому future увольнения, вероятно, будут не просто «циклической корректировкой», а структурным изменением.
Компании будут переосмысливать, не только то, «наняли ли они слишком много людей во время пандемии», но и то,需要 ли им в эпоху ИИ вообще так много людей?
Почему это не пузырь?
С этой точки зрения, логика «это не пузырь» становится довольно ясной:
1. Ключевые недостатки LLM continuously решаются с помощью вычислительной мощности и архитектуры
2. Порог количества людей, необходимых для驱动需求, снижается
3. Выгода от Агентов — не только снижение затрат, но и увеличение доходов
Поэтому不难 понять, почему все облачные провайдеры говорят, что вычислительных мощностей не хватает, и continue significantly увеличивать капитальные затраты.
Агенты и реконфигурация цепочки создания стоимости
Другой ключевой вопрос: если модели в конечном итоге станут товаром, смогут ли OpenAI и Anthropic still зарабатывать деньги?
Традиционная точка зрения гласит, что нет, но Агенты меняют это. Ключ в том, что реальная ценность заключается не в самой модели, а в интеграции «модели + системы управления».
Прибыль往往流向 «слою интеграции», а не заменяемым модулям. Как Apple, чье hardware не становится товаром благодаря глубокой интеграции с software. Similarly, Агентам требуется глубокая synergy между моделью и harness, что делает OpenAI и Anthropic ключевыми интеграторами в цепочке создания стоимости, а не заменяемым звеном.
Смена позиции Microsoft является сигналом: initially она подчеркивала «заменяемость моделей», но после выпуска真正的 агентских продуктов была вынуждена отказаться от этого.
Это означает, что модели未必 полностью станут товаром, потому что Агентам требуется integrated способность.
Финальный парадокс
Я должен вернуться к парадоксу, с которого начал.
Я всегда считал, что пока все еще беспокоятся о пузыре, это еще не пузырь; настоящий пузырь — это когда его больше никто не ставит под сомнение.
И сейчас мой вывод: это не пузырь.
Но если то, что «я говорю, это не пузырь», само по себе доказывает, что это пузырь, то пусть будет так.
