Эксперты по ИИ недооценили скорость прогресса: что это значит для нас

Что случилось: главные факты об ошибках прогнозов

Ведущие специалисты по искусственному интеллекту и экономисты систематически недооценивали скорость прогресса. ИИ достиг уровня золотой медали на Международной математической олимпиаде в июле 2025 года: на пять лет раньше медианного прогноза экспертов и на десять лет раньше медианного прогноза суперпрогнозистов. Годовая выручка Anthropic в сентябре 2026 года составила около 100 млрд долларов, тогда как медианный прогноз экспертов на конец 2026 года был 20 млрд, экономистов - 16 млрд, суперпрогнозистов - 25 млрд. Эти расхождения собрало исследование Forecasting Research Institute (FRI).

Практический смысл этих цифр прост: сроки, которые кажутся реалистичными, часто оказываются завышенными. Ошибки в этом исследовании шли в одну сторону - реальность наступала раньше, чем ожидалось.

Forecasting Research Institute - аналитический центр, который с середины 2022 года собирает прогнозы о развитии ИИ в нескольких исследованиях и проектах. Отдельная группа участников - суперпрогнозисты. Это генералисты с подтверждённым опытом точных предсказаний: они не специализируются на ИИ, но умеют работать с вероятностями на широком круге тем.

Кто участвовал в исследовании и как оно проводилось

Первый раунд панели LEAP (Longitudinal Expert AI Panel) охватил 339 специалистов. В их числе 76 компьютерных учёных, 76 отраслевых экспертов, 68 экономистов и 119 специалистов по политике в области ИИ. Среди компьютерных учёных 30 профессоров из топ-20 институтов и 10 авторов из числа 200 самых цитируемых исследователей по ИИ. Состав панели и методология описаны в отчёте FRI.

Прогнозы собирали в формате вероятностей: участник оценивает, с какой вероятностью событие произойдёт к определённой дате. Такой формат позволяет сравнить ожидания с фактами, а не судить о них задним числом.

Три примера, где реальность обогнала прогнозы

Математическая олимпиада. Уровень золотой медали на Международной математической олимпиаде ИИ показал в июле 2025 года. Медианный прогноз экспертов отводил на это ещё пять лет, прогноз суперпрогнозистов - десять. Вероятность, которую участники присваивали событию до его наступления: 8,6% у экспертов и 2,3% у суперпрогнозистов. Прогресс в математике продолжается: OpenAI заявляет о десяти математических результатах модели Astra, включая первый пример не-софической группы. Разбор этих результатов помогает понять, как меняется роль ИИ в доказательствах.

Доходы Anthropic. Годовая выручка компании в сентябре 2026 года достигла примерно 100 млрд долларов. Медианные прогнозы экспертов, экономистов и суперпрогнозистов на конец 2026 года были в разы скромнее: 20 млрд, 16 млрд и 25 млрд долларов. Оценка FRI основана на данных о выручке компании, а не на аудированной отчётности.

Вирусология. В исследовании возможностей ИИ в вирусологии эксперты предсказывали, что модели не сравняются с топ-командой вирусологов на бенчмарке по устранению неполадок раньше 2030 года, суперпрогнозисты называли 2034 год. По данным FRI, это, вероятно, произошло уже в апреле 2025 года.

Есть и незакрытый вопрос: ИИ, возможно, решил одну из задач тысячелетия (Millennium Prize Problem). Пока неясно, соответствует ли решение критериям оценки. В опросе августа и сентября 2025 года медианная вероятность такого события к концу 2027 года оценивалась экспертами в 10%, суперпрогнозистами - в 5,4%.

Общая картина по бенчмаркам: фактически случившимся результатам эксперты в среднем присваивали вероятность 24,6%, суперпрогнозисты - 9,7%. Бенчмарк - стандартизированный тест, по которому сравнивают возможности разных моделей на одинаковых задачах. Низкая заявленная вероятность означает, что участники считали такие результаты маловероятными, а они произошли.

Почему эксперты недооценивают ИИ: механизмы ошибок

Причины ошибок не связаны с недостатком квалификации. Участники панели LEAP - люди с профильным образованием и доступом к самым актуальным данным. Ошибки возникают из-за того, как устроено человеческое мышление и как работают методы прогнозирования.

Линейное мышление против экспоненциального роста

Человек интуитивно оценивает изменения линейно: если за год стало лучше на шаг, то за десять лет - на десять шагов. Технологии растут иначе. Каждое улучшение модели снижает стоимость следующего улучшения: дешевле собирать данные, быстрее проверять гипотезы, больше экспериментов успевает пройти исследовательская команда.

Мысленный эксперимент. Тридцать шагов по метру дают 30 метров. Тридцать шагов с удвоением длины каждого следующего шага дают больше миллиарда метров. На первых шагах разница незаметна, на последних она огромна. Прогноз, построенный по первым шагам, систематически занижает результат.

К этому добавляются другие искажения. Привязка к текущему состоянию: нынешний уровень модели принимается за точку отсчёта, а не за один из кадров быстро меняющейся ленты. Недооценка совокупного эффекта: десятки небольших улучшений складываются в качественный скачок, который не видно в отдельной новости. И профессиональная осторожность: смелое заявление о близком прорыве несёт репутационный риск, поэтому формулировки тяготеют к консервативным срокам.

Ещё одна сложность: момент качественного скачка предсказать трудно по определению. До появления работающего решения никто не может указать точную дату. Прогноз в такой ситуации напоминает навигатор, который перестраивает маршрут по мере движения, а не бумажную карту с раз и навсегда нанесёнными дорогами.

Почему суперпрогнозисты ошиблись сильнее экспертов

Здесь кроется парадокс: люди с репутацией точных предсказаний оказались дальше от реальности, чем профильные специалисты. Фактически случившимся результатам бенчмарков эксперты в среднем давали 24,6%, суперпрогнозисты - 9,7%. Для золотой медали на математической олимпиаде разрыв тот же: 8,6% против 2,3%.

Объяснение в характере метода. Суперпрогнозисты сильны там, где действуют устойчивые закономерности: выборы, экономические показатели, спортивные турниры. Их инструмент - статистика по прошлым событиям. Технологический прорыв плохо описывается статистикой прошлого: у него нет аналогов, по которым можно построить распределение вероятностей. Узкая экспертиза в этом случае даёт больше, чем универсальная методология.

Где прогнозы оказались завышенными: беспилотные автомобили и другие примеры

Картина не односторонняя. Для реальных применений она смешанная: часть ожиданий оказалась завышенной. FRI отмечает это отдельно.

Самый понятный пример - беспилотные автомобили. Обещания вывести полностью автономные машины на дороги общего пользования звучат больше десяти лет, а массового использования без водителя за рулём до сих пор нет в большинстве стран. Причины известны:

• разрыв между демонстрацией и массовым применением: показать работающий прототип на полигоне и обеспечить миллионы поездок в реальном городе - разные задачи;
• регуляторные требования и вопросы безопасности: каждая авария становится публичным событием и меняет правила;
• сложность реальной среды: дождь, ремонт дороги, нестандартное поведение пешеходов;
• экономика: даже работающая технология может оставаться слишком дорогой, чтобы заменить водителя на обычном маршруте.

Обратная сторона той же медали: там, где задача хорошо измеряется тестом, прогресс идёт быстрее ожиданий. Там, где нужен физический мир, ответственность и согласования, сроки растягиваются. Полезный ориентир для чтения любых прогнозов: смотреть, о чём именно речь - о решении задачи на тесте или о массовом использовании.

Ограничения ИИ видны и в 2026 году. На бенчмарке Agents' Last Exam лучшая модель показала 24%, а на самых сложных задачах результат опускался до нуля. Разбор тестирования GPT-5.5, Gemini 3.1 Pro, Fable 5 и Composer 2.5 показывает, где ИИ пока не справляется.

Что это значит для нас: практические выводы

Если специалисты с доступом к полным данным систематически занижают сроки, то личные ожидания человека вне индустрии с большой вероятностью занижены тоже. Это повод пересмотреть привычные ориентиры, а не повод для паники.

• Горизонт планирования. Если решения в работе или бизнесе завязаны на 3-5 лет, проверяйте допущения чаще, чем раз в год: раз в квартал или полгода.
• Ожидание стабилизации. Периода, когда всё успокоится и можно будет спокойно осмотреться, пока не видно. Быстрые изменения стоит принять как фоновое условие.
• Разные скорости в разных областях. В математике, генерации текста и анализе данных прогресс идёт быстрее прогнозов. В физическом труде, медицине и регулируемых отраслях - медленнее, потому что там важны проверки, лицензии и ответственность.
• Личный чек-лист. Выберите два или три процесса в своей работе, которые могут измениться под влиянием ИИ в ближайшие два года, и следите за ними. Не за всей индустрией, а именно за ними.

Отдельная линия - научная работа. Даже сильные модели пока не ведут исследования самостоятельно: в эксперименте Принстона и Института безопасности ИИ агенты на базе Claude Opus 4.8 и GPT-5.6 Sol получили шесть дней, бюджет 3 000 долларов и вычислительные ресурсы, а все подготовленные ими статьи получили Reject и Strong Reject. Разбор эксперимента объясняет, каких навыков не хватает.

Почему прогнозам всё равно стоит уделять внимание

Из ошибок легко сделать неверный вывод: раз прогнозы не сбываются, слушать их незачем. Это не так.

Прогноз описывает диапазон возможных исходов и их вероятности, а не дату в календаре. Если эксперт говорит о 20-процентной вероятности события, это означает, что событие может произойти и к нему имеет смысл подготовиться. Систематическая ошибка в одну сторону добавляет информации: заниженные сроки означают, что реальность может прийти ещё раньше.

Ещё один признак здоровой адаптации: со временем участники панелей пересматривают ожидания в сторону большего влияния ИИ на общество. Прогнозы не застывают, они обновляются по мере новых данных. FRI продолжает собирать ответы: это долгосрочный проект, а не разовое измерение.

Разберём термин, который встречается в новостях о математике. Millennium Prize Problem, или задача тысячелетия, - это семь математических задач, за решение каждой из которых обещан приз в 1 млн долларов. Если ИИ действительно решил одну из них, это историческое событие. Пока неясно, соответствует ли решение критериям оценки, поэтому утверждать факт решения преждевременно.

Глобальный контекст: ИИ развивается быстрее, но неравномерно

ИИ - самая быстро развивающаяся технология в мировой истории: свыше 1,2 млрд пользователей набралось меньше чем за три года. Интернет, персональные компьютеры и смартфон проходили этот путь медленнее.

Выгоды распределяются неравномерно. По отчёту Microsoft AI Economy Institute, в странах Глобального Севера ИИ используют примерно 23% населения, в странах Глобального Юга - около 13%. Разрыв особенно велик в государствах с ВВП на душу населения ниже 20 тысяч долларов. Данные отчёта.

Инфраструктура тоже сконцентрирована. По оценке Международного энергетического агентства на середину 2025 года, США и Китай вместе дают 86% мировых мощностей дата-центров. Оценка МЭА.

Вывод для читателя: скорость прогресса ощущается по-разному в разных регионах и отраслях. Глобальные прогнозы стоит сверять с тем, как ИИ приходит в конкретную сферу и конкретную страну.

Что делать дальше: как не потеряться в быстрых изменениях

• Не пытайтесь уследить за всем. Поток новостей об ИИ больше, чем любой человек способен обработать, и это нормально.
• Следите за направлением, а не за каждой новостью. Отдельный релиз модели быстро устаревает, тренд живёт годами.
• Держите в голове хронологию. Что случилось раньше, что позже: так видны причинно-следственные связи, которых не видно в ленте, отсортированной по популярности.
• Используйте простой ориентир. Если эксперт называет срок в десять лет, мысленно сокращайте его: история последних лет показывает, что реальность часто приходит раньше.

Наша задача в этом потоке - не предсказывать будущее, а помогать понимать настоящее без шума и паники. Есть вопрос или заметили неточность? Напишите нам, мы разберёмся и исправим.