Як працюють AI-моделі простими словами
Робочий стіл із ноутбуком, телефоном і розумною колонкою — одна модель обслуговує різні пристрої
Модель, яка бере золото на Міжнародній математичній олімпіаді, правильно визначає час на звичайному стрілковому годиннику приблизно в половині випадків. Це не жарт — це бенчмарк ClockBench зі звіту Stanford AI Index: 50,6%.
Ось у цьому розриві — між надлюдським і безглуздо-невмілим — і живе вся сучасна AI-індустрія. Розберімося, як вона туди потрапила.
Що таке модель простими словами
Найпоширеніша помилка новачка — думати, що модель це така велика база даних, у якій десь лежать відповіді.
Насправді все навпаки. Модель — це людина, яка прочитала бібліотеку, а потім здає іспит без конспектів. Книжок при собі немає. Є лише те, що осіло в голові: які слова зазвичай ідуть за якими, як виглядає робочий цикл for, як побудована ввічлива відмова.
Технічно це файл із числами. Дуже багатьма числами — їх називають вагами (weights). Уяви еквалайзер із мільярдами крихітних ручок: навчання — це процес, коли модель мільйони разів намагається вгадати наступне слово в тексті, помиляється і підкручує ручки так, щоб наступного разу помилитися трішки менше.
Коли модель відповідає тобі, вона не шукає. Вона продовжує текст — слово за словом, щоразу обираючи найімовірніше продовження. Саме тому вона:
- звучить упевнено навіть коли помиляється (правдоподібне продовження ≠ правдиве);
- вигадує неіснуючі бібліотеки й посилання — це називають галюцинаціями;
- не «пам'ятає» вчорашню розмову, якщо ти їй її не переказав.
Звідси практичний висновок, який економить години: модель не знає, чого не було в її навчальних даних. Питаючи про свіжу версію фреймворку, завжди дай їй документацію в саме повідомлення — інакше вона впевнено розкаже про версію трирічної давнини.
Коротка хронологія: сім поворотів
Історія AI — це не рівний підйом, а кілька різких стрибків із довгими паузами між ними.
| Коли | Що сталося | Чому це поворот |
|---|---|---|
| 1950 | Алан Тюрінг публікує тест Тюрінга | Вперше поставлено питання «чи може машина мислити» у перевірюваній формі |
| 1956 | Дартмутський семінар | Народився сам термін «штучний інтелект» |
| 1997 | Deep Blue обігрує Каспарова | Машина вперше перемогла чемпіона світу в шахах |
| 2012 | AlexNet виграє ImageNet | Нейромережі раптом почали бачити краще за старі алгоритми — старт епохи глибокого навчання |
| 2017 | Стаття «Attention Is All You Need» | З'явився трансформер — архітектура, на якій збудовано геть усе сучасне |
| 2022 | Запуск ChatGPT | Технологія вийшла з лабораторій до людей: 100 млн користувачів за два місяці |
| 2025–2026 | Епоха агентів | Модель перестала бути співрозмовником і стала виконавцем: сама планує, викликає інструменти, працює годинами |
Зверни увагу на розрив між 2017 і 2022. Трансформер — та сама технологія, що всередині ChatGPT — був опублікований за п'ять років до того, як світ про нього почув. Прорив уже лежав у відкритому доступі, просто ніхто ще не здогадався зробити з нього зручне віконце для чату.
Мораль, яка тут справді важлива: найбільші зміни часто вже сталися, просто ще не дійшли до інтерфейсу.
Куди все насправді рухається зараз
Якщо вибрати один зсув, який визначає цей період, — це перехід від чату до агента.
Чат — це діалог: ти питаєш, модель відповідає. Агент — це виконавець: ти ставиш задачу, а модель сама розбиває її на кроки, лазить у файли, запускає команди, читає результат і виправляється. Саме тому в 2026-му агенти набрали 66,3% на бенчмарку OSWorld (робота в справжній операційній системі) там, де ще недавно було близько 12%.
Для тебе як для початківця це означає дуже конкретну річ: цінність навички «вміти написати цикл» падає, а цінність навички «вміти перевірити, що написано правильно» — росте. Про це є окрема стаття — як не стати вайбкодером.
Хто зараз флагман
Ця секція — зріз станом на жовтень 2026 і старіє найшвидше за все інше в статті. Конкретні назви змінюються кожні кілька місяців; закономірності нижче — ні.
Верхівка виглядає так: приблизно чотири американські лабораторії — Anthropic, OpenAI, Google DeepMind і xAI — йдуть у межах 25 пунктів Elo одна від одної. Це мізерний розрив. Практично це означає, що «найкращої моделі взагалі» не існує: є найкраща під конкретну задачу.
Орієнтовний розподіл сильних сторін:
| Задача | Хто зазвичай сильніший |
|---|---|
| Код і довгі агентні задачі | Claude від Anthropic, GPT від OpenAI |
| Мультимодальність і швидкість | Gemini від Google |
| Генерація відео | Veo від Google, Sora-подібні моделі |
| Художні зображення | Midjourney — за естетику, моделі OpenAI — за точність до промпту |
| Наукові міркування | лідер змінюється майже щокварталу |
| Дешевий масовий обсяг | китайські відкриті моделі |
Важливіше за назви — принцип: на ринку більше немає одного переможця, є профілі. Перевіряти актуальний розклад варто не в статтях (зокрема не в цій), а на живих рейтингах на кшталт LMArena чи Artificial Analysis, де моделі порівнюють щодня.
Китай проти США — це дві різні гонки
Тут найцікавіше, бо на поверхні відповідь виглядає протилежною до реальності.
На вершині якості американці досі попереду — але ледь-ледь. За Stanford AI Index розрив між найкращою американською і найкращою китайською моделлю — 2,7%. Це навіть не прірва, це похибка.
А на ринку розробників Китай уже переміг. На OpenRouter — великому нейтральному маршрутизаторі, через який розробники ганяють запити до різних моделей — китайські відкриті моделі становлять близько 61% усіх спожитих токенів. За півтора року. Llama від Meta, яка ще недавно була синонімом «відкритої моделі», впала нижче 1%.
Причина прозаїчна: ціна. Порівнянна якість коштує в рази дешевше, а ваги можна завантажити й запустити у себе.
Але є і зворотний рух, про який говорять менше: розрив між найкращою закритою і найкращою відкритою моделлю за рік не зменшився, а виріс — із 0,5% до 3,3%. Тобто відкриті моделі виграють обсяг і ціну, закриті — утримують саму вершину.
Підсумок, який навряд чи зміниться: це не одна гонка з одним переможцем, а дві паралельні — за вершину якості й за масовий ринок. Їх виграють різні гравці.
AI виходить із хмари — світ IoT
Донедавна будь-який запит летів у датацентр. Зараз усе більше моделей живуть прямо в пристрої.
Виросло покоління малих мовних моделей (SLM) — компактних версій тих самих трансформерів. Їх стискають (квантизація, обрізання зайвих зв'язків) і запускають на NPU — окремому чипі для нейромереж, який тепер стоїть у телефонах, ноутбуках і навіть побутовій техніці. Понад два мільярди смартфонів уже виконують якісь моделі локально.
Чому це не просто технічна деталь:
- Приватність. Дані не покидають пристрій — для медицини, юристів і корпоративних документів це не перевага, а вимога закону.
- Затримка. Немає дороги до сервера й назад — відповідь миттєва.
- Автономність. Працює без інтернету.
- Ціна. Не треба платити за кожен запит.
Найімовірніша конфігурація найближчих років — гібрид: дрібні рутинні задачі робить модель у пристрої, а по-справжньому складне вона делегує у хмару. Приблизно так само, як телефон сам розпізнає обличчя на фото, але за пошуком в інтернет іде назовні.
Чому AI дорожчає, хоча токени дешевшають
Ось парадокс, який ламає бюджети компаніям.
Ціна за токен обвалилася. Якість рівня GPT-4, що у 2023-му коштувала близько $30 за мільйон токенів, зараз коштує менше долара. Падіння у тридцять разів.
А рахунки при цьому виросли. Бо змінився характер споживання: агент на одну задачу робить не один запит, а десяток-другий — планує, читає файли, пробує, перевіряє. Плюс великі контексти, плюс фонові процеси, що працюють цілодобово.
Це як із дешевими авіаквитками: квиток подешевшав у п'ять разів, тож ти літаєш у десять разів частіше — і витрачаєш більше, ніж раніше.
А під цим — друга, повільніша хвиля. Вартість тренування передових моделей за даними Epoch AI подвоюється приблизно кожні вісім місяців. GPT-4 коштував близько $80 млн; сьогоднішній фронтир — сотні мільйонів; прогноз на найближчі роки — мільярди за один запуск. Енергія теж не безкоштовна: велике тренування споживає стільки, скільки середня електростанція виробляє.
Що з цього випливає: топові моделі дедалі більше стають інфраструктурою кількох дуже багатих компаній, а все, що можна віддати дрібній локальній моделі, туди й піде. Не з ідеології, а з арифметики.
Що з цього варто запам'ятати
Назви моделей застаріють. Ці речі — ні:
- Модель не шукає, а продовжує текст. Звідси і впевнений тон, і галюцинації.
- Найкращої моделі не існує — є найкраща під задачу.
- Дві гонки, не одна: вершина якості й масовий ринок виграються різними гравцями.
- Вартість інтелекту падає, витрати на нього ростуть — бо росте обсяг.
- Частина AI переїжджає з хмари у твій пристрій — і це не тимчасово.
Якщо якийсь термін звідси лишився незрозумілим — я зібрав усе в одному місці: словник AI-термінів простими словами. Токени, ваги, контекстне вікно, RAG, fine-tuning, MoE, агенти — усе з поясненнями на пальцях.
А якщо ти тільки думаєш заходити в розробку: AI не скасував потребу розуміти код — він зробив її гострішою. Починати все одно варто з основ, і програма курсу для цього безкоштовна.