Компания из окружения Нанкинского университета ставит на четвёртый фактор роста ИИ

Последние десятилетия способности ИИ росли по трём осям: вычисления, алгоритмы, данные. Нанкинская команда, о которой пишет китайское издание Jiqizhixin, предлагает добавить четвёртую, то есть связность самих моделей. В анонсе ставка выглядит так: если сильных моделей уже много и каждая хорошо изучена, их можно соединить в сеть и заставить работать сообща. Это логичный ход для рынка, где рост одиночных моделей дорожает быстрее, чем улучшаются результаты. Но в доступном фрагменте материала нет ни названия продукта, ни бенчмарков, ни цифр, и это важно держать в голове.

Три оси и их цена

Большие языковые модели выросли на понятной формуле. Кластеры становились крупнее, число параметров увеличивалось, корпуса текстов раздувались до сотен миллиардов и триллионов токенов. Так появился набор моделей-«суперединиц»: каждая сильна сама по себе и обучалась на собственной инфраструктуре.

У этой траектории есть два предела. Первый экономический: каждый следующий шаг по вычислениям и энергии стоит заметно дороже предыдущего. Второй информационный: качественных открытых данных становится меньше, а синтетика не всегда их заменяет. На этом фоне идея «собрать» способности из уже обученных моделей выглядит рациональной альтернативой дальнейшему росту одиночек.

Четвёртый элемент: что именно предлагается

Из вводного фрагмента следует главный тезис: модели, о возможностях которых известно достаточно, можно соединять и организовывать их взаимодействие. Автор материала формулирует это как вопрос о том, что возникнет, когда сильных моделей станет достаточно много. Слово «возникнет» намекает на ожидание эмерджентного эффекта: результат сети должен превзойти сумму её частей.

По одному вводному абзацу нельзя понять, как команда собирается это реализовать. Вот что известно и что остаётся неизвестным:

• Исходные три оси: вычисления, алгоритмы, данные.
• Предлагаемая четвёртая ось: связность и кооперация моделей, которые «хорошо поняты» друг другом.
• Организация-автор: компания из экосистемы Нанкинского университета (в оригинале «南大系»).
• Не раскрыто: название продукта, архитектура взаимодействия, протоколы, бенчмарки и список подключаемых моделей.

Похожие направления уже существуют. Мультиагентные фреймворки, маршрутизация запросов между моделями и ансамбли специализированных LLM давно используются на практике. Для обмена между агентами появились открытые протоколы вроде MCP и A2A. Новизна заявки Нанкина, если она есть, должна быть в том, как именно модели «узнают» возможности друг друга и распределяют задачи. Источник пока этого не показывает.

Что проверять, когда появятся детали

Ставка на связность будет убедительной, если команда покажет три вещи. Первая: выигрыш на открытых задачах по сравнению с лучшей одиночной моделью в той же ценовой категории. Вторая: сколько стоит координация, то есть сколько дополнительных токенов, задержки и ошибок добавляет каждый «переход» между моделями. Третья: насколько система устойчива, если одна из подключённых моделей меняется или деградирует после обновления.

Для разработчиков и команд, которые строят агентные системы, полезно уже сейчас измерить две вещи на собственных задачах: где одиночная модель упирается в потолок качества и сколько вы готовы платить за маршрутизацию между несколькими. Если разрыв большой, идея сети моделей стоит эксперимента. Если нет, дешевле улучшить промпты, данные и инструменты. Следить стоит за оригинальной публикацией Jiqizhixin и за тем, раскроет ли компания название продукта и результаты тестов. Пока это заявка на концепцию, а не подтверждённый технический результат.