Российская цифровая экономика вступает в новую фазу – фазу интеллектуализации платформ. Если в прошлом десятилетии ключевым ресурсом был трафик, то сегодня – способность систем учиться и адаптироваться.
По данным Air Street Capital («State of AI Report», 9 октября 2025 года), глобальный рынок искусственного интеллекта смещается от статичных моделей к системам непрерывного обучения (continual learning), где ИИ способен дообучаться в момент применения.
Концепция Test-Time Fine-Tuning («дообучение в момент применения») меняет представление о том, как работают интеллектуальные платформы.
Модель больше не «заморожена» после тренировки – она корректирует внутренние веса под конкретный запрос. Это делает возможным реальное самообучение в ходе эксплуатации.
«Переход от предобучения к адаптации «на лету» – это новая логика работы с данными. Для России это особенно важно в сферах с быстро меняющейся средой – от кибербезопасности до логистики», – подчёркивает Ярослав Зубов, к. э. н., доцент кафедры бизнес-информатики Финансового университета при Правительстве РФ. «ИИ, способный учиться в момент принятия решения, становится фактором стратегической устойчивости».
Современные методы вроде Local Mixtures of Experts позволяют объединять множество специализированных моделей без потери качества. Это решает одну из главных проблем эры больших языковых моделей – деградацию при «слиянии экспертов».
«Методы наподобие Subspace Boosting дают возможность создавать управляемые ИИ-экосистемы, где каждая подмодель сохраняет свою специализацию, – отмечает Степан Сергеев, заместитель заведующего кафедрой бизнес-информатики Финансового университета. – Такой подход позволяет строить “архитектуру согласованных экспертов”, когда разные интеллектуальные блоки работают как единая организация».
2025 год стал поворотным и в инженерной части. Новый алгоритм Muon Optimizer впервые за семь лет превзошёл классический AdamW, сократив время обучения на 10–15 % при тех же результатах. Это означает снижение стоимости экспериментов и энергоэффективное масштабирование моделей.
«Оптимизаторы нового поколения – шанс для исследовательских центров без гигантских кластеров. Обучение мирового уровня становится экономически достижимым», – комментирует Степан Сергеев.
Параллельно метод Cut Cross Entropy, предложенный Apple, снизил потребление памяти в 24 раза – с 24 ГБ до 1 МБ на этапе вычисления потерь. Это позволяет обучать большие языковые модели даже на оборудовании среднего уровня, что открывает путь университетам и ИТ-компаниям к собственным решениям класса LLM.
Эксперты Финансового университета отмечают: тренд на «умные вычисления» меняет стратегию развития корпоративного ИИ.
ИТ-директорам сегодня важно мыслить не масштабом, а гибкостью. Ставка на адаптивные модели уже оправдывает себя: компактные системы, способные к непрерывному обучению, приносят больший возврат инвестиций, чем тяжеловесные архитектуры, требующие постоянного сопровождения. Новый вектор – «экосистемное обучение». Когда ИИ-платформа объединяет модули из разных областей – финансов, логистики, маркетинга – она становится устойчивее и быстрее реагирует на изменения. В такой среде алгоритмы не просто анализируют данные, а учатся взаимодействовать между собой. Экономить можно и на вычислениях. Современные алгоритмы Muon и CCE позволяют снизить затраты на обучение моделей примерно на пятую часть, не жертвуя качеством. Это открывает возможность развивать проекты без увеличения серверной инфраструктуры. И, наконец, основа любого ИИ – данные. Те компании, которые системно инвестируют в чистоту, разметку и актуальность своих корпоративных массивов, получают кратный эффект: модели обучаются быстрее, решения становятся точнее, а конкурентные преимущества – устойчивее.
По сути, ИИ-платформы становятся цифровыми организмами, способными к самообучению, оптимизации и коллективному взаимодействию.
Это уже не инструмент анализа, а основа новой промышленной логики – от управления городами до предиктивных финансовых систем.
«Мы видим переход от цифровизации к интеллектуализации. Платформы перестают быть инфраструктурой и становятся субъектами экономики, способными к адаптации», – заключает Ярослав Зубов.
В выигрыше окажутся те, кто сделает ставку на интеграцию данных, адаптивные алгоритмы и прозрачные механизмы обучения.
ИИ в платформенной экономике – это не просто технологический тренд, а инструмент устойчивости, где каждый процент эффективности превращается в новый уровень конкурентоспособности.