Илон Маск, похоже, решил, что $10 миллиардов, которые, по его словам, X тратит на AI-инфраструктуру, — это лишь разминка. Его последнее заявление об обучении семи моделей, включая две с заоблачными 6 и 10 триллионами параметров, выглядит как прямой вызов всему текущему AI-ландшафту. Для понимания: самые передовые модели, такие как GPT-4 или Gemini Ultra, сегодня оперируют в диапазоне 1–1.7 триллиона параметров. Предложить почти десятикратное увеличение — это не просто амбиции, это попытка перекроить правила игры. Правда в том, что даже существующие гиганты требуют астрономических ресурсов, и как именно Маск собирается управлять этими монстрами, пока остаётся за кадром.
В основе этих заявлений — платформа Colossus 2, о которой пока известно минимум. По некоторым данным, это не просто кластер GPU, а специализированная архитектура, заточенная под ускорение тренировки и инференса. Предполагается, что она будет выгодно отличаться от конкурентов вроде NVIDIA DGX Cloud или облачных решений от Google и Amazon своей оптимизацией под задачи X и глубокой интеграцией с инфраструктурой платформы. Однако, пока это лишь маркетинговые завесы, а не осязаемые технологические прорывы, оправдывающие такие масштабы.
Стратегические цели Маска ясны: превратить X из соцсети в «глобальную платформу для всего», где AI станет центральным элементом. Гигантские модели могут усилить всё — от поиска и рекомендаций до персонализации контента и создания новых функций. Однако, здесь же кроется главный риск: погоня за размерами ради самих размеров. Не каждая задача требует триллионов параметров; зачастую более компактная, но специализированная модель работает эффективнее и дешевле. Маск делает ставку на «эффект масштаба», но как именно он собирается монетизировать эту гигантоманию, кроме привлечения внимания, пока неясно.
Почему это важно: Заявления Маска, как и его прошлые обещания, часто балансируют на грани фантастики. Даже если 10 триллионов параметров останутся недостижимой вершиной, эта гонка размеров заставляет конкурентов и инвесторов пересматривать свои стратегии. Бизнесу стоит внимательно следить не за цифрами, а за реальными кейсами применения: как именно эти гигантские модели приносят измеримую пользу? Риск в том, что инвестиции в безудержное масштабирование могут оказаться неэффективными, отвлекая ресурсы от более прагматичных решений. Для CEO это означает необходимость критически оценивать каждый AI-проект: действительно ли нам нужна модель с триллионами параметров, или достаточно узкоспециализированного инструмента, который решит конкретную бизнес-задачу с меньшими затратами?