СУБЪЕКТИВНЫЕ ПРОГНОЗЫ НА 2026 Делать прогнозы штука неблагодарная , но я попробую предсказать, к чему придем к концу 2026 года в направлении ИИ. Если не случится - не закидывайте шапками, т.к. это мое личное мнение, а учитывать его или нет - ваше решение. 1) Тренд в России на разочарование в AI. Уже тема начинается. Начнутся вопросы к текущим ИИ-евангелистам, аудиты ИИ-команд, снижение инвестиций в компаниях, занимающих сейчас 4-50 место по внедрениям AI. Топовые компании идейно продолжат тренд. Компании , которые никогда не внедряли, что-то начнут пилить, если деньги есть. 2) Снижение проблемы контекстного окна. Рост КТС и в целом ресурсов приведет к снижению проблемы контекстов. На этом фоне разработчики меньше станут отбиваться от копайлотов в IDE. 3) Россия создаст свои бэнчмаркинги LLM, где YandexGPT и GigaChat-max всех победят. 😏 4) Бизнес начнет осознавать какую долю, всех запущенных ИИ-инициатив во всех компаниях, покрывают все настоящие DS-ы, которые есть на рынке. Удивятся 😏 5) Появление сильной Индийской или Корейской или Японской LLM на рынке. Сейчас там что-то пилится, но особо в это ни кто не погружается. Думаю в следующем году мы про них услышим. Ну либо, хотя бы, арабская Falcon начнет значительнее в информационном поле мелькать. 6) Появление первого сгенерированного полнометражного фильма или сериала. Привет всем киношникам 😏 7) Усиление мер кибербезопасности. Компании перестанут забивать на уязвимости LLM. Повсеместный контроль всего что в CVE, ну и в целом закручивание гаек. Сюда же тренд на охране пер.данных и разработки особо защищенных коллекций в RAG. 8) Смена целевых пользователей low-code. Окончательное разочарование всякими n8n у профессиональных DS-ов и рост популярности у стартаперов с бизнесовым бэкграудом. 9) Рост популярности LLM с многоязыковыми словарями токенов и отказ от языковых переводчиков в llm. В нормальных llm скоро мы в ответах иероглифов не увидим. 10) Появление больших векторных баз на подходе схожем с hadoop. Потребность в огромнейшем контексте назрела, т.к. объем новой информации увеличивается экспоненциально, а дообучать на ручнике дорого. 11) Развитие AI-агентов дообучения. Или пайплайнов с автодообучением. Потребность постоянного дообучения, и осознание того, что добавление векторов из RAG не особо помогает трансформеру корректно выбирать токены в словаре назрела. 12) Переход от PPO в RLHF к офполиси методам. Уже всем понятно, то данных для обучения начинает не хватать. Но возможно придумают, как по другому вопрос решать. 13) Поворот взгляда DS-ов к развитию и использованию НЕ LLM-моделей для включения в AI-агентов. Значительное сокращение DS-ов истинно верующих, что LLM может решить любую задачу. Начало массового комбинирования ML/AI технологий в агентах. 14) Локальные LLM для мобильных устройств. Сейчас все агенты работают через api к серверной части. Думаю появятся локальные llm, которые можно раскатать на мобильном или роботе. Сюда же я включаю тиражирование "малых языковых моделей". И сюда же включаю переход моделей из облаков в физические устройства. 15) Снижение энергопотребления LLM. Добавил в список, потому что уже много где такие разработки ведутся с большими инвестициями. Как следствие удешевление токинов, ну или если не будет удешевления - то рост раскатки опенсорсных llm локально. Сюда же входит тред по работе AI на квантовых вычислениях. 16) Развитие VLA-моделий (Vision-Language-Action). Если проще агенты будут что-то делать, а не просто отвечать. Такое уже есть , но это не массовое явление. Думаюначнется массовое. 17) Переход от ядер агентов обученных на тексте и дообученных на других модальностях к изначальному созданию мульнимодальных моделей. Такое тоже уже есть, но не массово. 18) Появление моделей с новыми модальностями. Вкус? Запах? Ну или проще графы, таблицы, составы веществ, волны. Сейчас чаще такие данные собираются и переводятся во что-то типа json. Уже сейчас есть много статей о изначальной кодировке таких модальностей в эмбединги, но пра