Куда развернётся ИИ в 2026 году

К концу 2025‑го индустрия ИИ выглядит парадоксально: модели становятся мощнее, но «вау‑эффект» притупляется, разрыв между лидерами сокращается, а разговоры о «потолке» для LLM звучат всё громче.

На этом фоне обостряется спор между скептиками и сторонниками AGI. Аналитики Tencent Research Institute предлагают смотреть на 2026 год как на момент одновременной тревоги и веры — и возможных прорывов сразу по нескольким направлениям.

1. Новый масштаб: не только больше, но и умнее

Scaling Law остаётся рабочей стратегией: рост вычислений, данных и параметров по‑прежнему даёт предсказуемый прирост качества — это подтверждают и Gemini 3, и DeepSeek V3.2. США строят гигантские дата‑центры, а NVIDIA фактически формулирует «тройной закон масштаба» — для предобучения, RL‑дообучения и инференса.

Но прежняя наивная вера в «одни только FLOPs» уходит. Ключевой дефицит — данные, а не железо. Индустрия смещается к «новому масштабированию»: синтетические датасеты, данные о процессе рассуждений, RL‑среды, мультимодальность и опыт.

AGI всё чаще связывают не с голой мощностью, а с сочетанием большого масштаба и качественно новых архитектур: мировых моделей, длительной памяти, и цепочек инструментов.

2. Мультимодальность как «второй момент ChatGPT»

Gemini, Sora и другие системы уже умеют не просто описывать текст, но и превращать его в презентации, ролики и подкасты, сохраняя смысл и структуру. Это похоже на «ChatGPT‑момент», но для мультимодальности.

Если язык — вершина биологического интеллекта, то у ИИ всё пошло наоборот: сначала текст, теперь — зрение, слух и действие. Изображения и видео несут в себе физику мира, временную динамику, причинность.

Многомодальные модели вынуждены учитывать эти ограничения реальности — и на этой основе начинают формировать более устойчивые внутренние модели мира, способные к «чувствованию» пространства, а не только к пересказу описаний.

3. Взрыв исследовательских парадигм

Система «много маленьких ставок» — десятки лабораторий и стартапов, идущих наперекор мейнстриму, — становится движком прогресса. Одни фокусируются на безопасности супер‑ИИ (SSI Ильи Суцкевера), другие — на надёжности и настройке систем (Thinking Machines Lab, Tinker), третьи — на пространственном интеллекте и физике мира (World Labs, AMI).

Параллельно появляются альтернативные архитектуры: эволюционные и коллективные модели (Sakana AI), «жидкие» нейросети (Liquid AI), концепции вложенного обучения и «быстрой/медленной» памяти от Google.

Парадигма смещается от разового предобучения к динамическим, приспосабливающимся системам. В оценке моделей тоже идёт перелом: вместо статических бенчмарков — долгие агентные задачи, среда, в которой каждое действие меняет последующие состояния, и ошибки накапливаются.

4. Симуляции как топливо для физического ИИ

Роботам катастрофически не хватает реальных данных: собирать траектории для сложных манипуляций дорого и медленно. Симуляции на этом фоне выигрывают вчистую: миллионы сценариев с разными материальными свойствами, редкими событиями и авариями можно сгенерировать почти бесплатно и в огромном масштабе.

Работы InternData‑A1, DexonomySi, модели Genie 3 показывают: при грамотном дизайне синтетики можно обучать системы, которые в реальных задачах не уступают моделям, натренированным на физических данных. Формируется новая связка:

Симуляция перестаёт быть «демо» и становится полноценной инфраструктурой данных для физического ИИ.

5. AI for Science: от единичных прорывов к производству знаний

AlphaFold стал символом AI4Science, но долгое время оставался скорее академическим триумфом, чем бизнес‑революцией. Сейчас ситуация меняется: ИИ начинают встраивать прямо в лаборатории.

DeepMind строит в Британии автоматизированный научный центр, где ИИ не просто предлагает гипотезы, а планирует и управляет экспериментами, а роботы выполняют физическую часть. Данные по замкнутому контуру возвращаются в модели. США поднимают AI for Science до уровня нацстратегии, открывая научные датасеты и суперкомпьютеры под обучение научных моделей.

2026 год вряд ли станет моментом полного переворота индустрии, но вполне может стать началом эпохи, когда автоматизированные ИИ‑лаборатории и научные агенты станут нормой в передовых центрах.

6. От «голых моделей» к сети агентов

Несмотря на взлёт ChatGPT, классические сетевые эффекты интернет‑платформ в ИИ почти не проявились: модели служат индивидуальным помощником, а не площадкой взаимодействия. Это может измениться по мере сращивания модели и приложения.

Логика следующая:

Так может возникнуть новый тип платформы — сети, где основными узлами являются не люди, а действующие ИИ‑агенты. Внутри такой сети формируются торговые, знаниевые, процессные и даже социальные эффекты: от маркетплейса сервисных агентов до глобального коллектива рабочих процессов, который «умнеет» с каждым использованием.

7. Эра персонализированного софта и vibe‑кодинга

AI‑программирование превращается в массовую практику. Большая часть кода в крупных компаниях уже генерируется ИИ, и тренд только усиливается. В результате:

Софта становится так много и он так дешёв, что возможно по‑настоящему «ПО под каждого»: от домашнего трекера покупок до микро‑системы для одного мероприятия или личной обучающей игры для реабилитации. Барьер между «пользователем» и «создателем инструментов» стремительно стирается.

8. От PoC к реальному ROI

Для бизнеса эпоха «пилотов ради пилотов» заканчивается. Использование ИИ растёт, но масштабных, доказуемо прибыльных внедрений всё ещё немного. Инвесторы и компании всё чаще спрашивают не «насколько это круто», а «какой возврат и в какие сроки».

ИИ‑копилоты уже экономят часы в день, но по‑настоящему трансформационный эффект ожидается там, где модели:

Формируется новый рабочий юнит: «один человек + несколько цифровых сотрудников», а менеджменту предстоит перейти от управления временем людей к управлению гибридными человеко‑машинными системами и результатами.

9. AI‑очки как новая вычислительная платформа

AI‑очки подходят к символической отметке в 10 млн устройств для одного бренда — рубежу, который обычно отделяет нишевый девайс от массового. Meta с Ray‑Ban, Google XR, XREAL и другие игроки готовят почву для третьей волны персональных вычислений: после ПК и смартфона.

Ключ к успеху — радикальное упрощение железа: отказ от тяжёлых дисплеев, ставка на камеру, микрофон, связь с мощными мультимодальными моделями в облаке. Интерфейс меняется:

Это создаёт не только новый UX, но и новый поток данных первого лица, критичный для мировых моделей и пространственного ИИ — при одновременном росте рисков для приватности и необходимости жёсткого регулирования.

10. Безопасность и ответственность как базовый слой

Чем ближе дискуссии об AGI, тем громче звучит тема безопасности. Массовое использование ИИ соседствует с падением доверия: всё больше людей воспринимают системы как полезные, но по‑прежнему ненадёжные.

Ответ индустрии — институционализация безопасности:

Без доверия и выстроенных механизмов контроля даже самые продвинутые модели не попадут в критичные отрасли — от медицины до госуправления.

2026 год в таком взгляде — не точка сингулярности, а год, когда вера и сомнение столкнутся особенно остро. Масштабирование и новые парадигмы будут развиваться параллельно; языковой интеллект станет тесно сплетаться с визуальным и пространственным; софт и интерфейсы перестанут быть только экранами и приложениями, а станут сетями агентов, навыков и персональных миров.

И именно от того, как индустрия справится с вопросами данных, безопасности и реальной ценности, зависит, станет ли этот год началом подлинного прорыва к AGI — или ещё одной итерацией в длинном эксперименте человечества с машинным разумом.