Данные кончились, а жажда растёт: что теперь будет питать искусственный интеллект

Goldman Sachs: интернет-данные для обучения ИИ практически исчерпаны

Когда речь заходит о развитии искусственного интеллекта, чаще всего упоминают вычислительные мощности и алгоритмы. Однако сегодня всё чаще звучит другая проблема — дефицит обучающих данных. По мнению специалистов, именно этот фактор может стать главным ограничителем для ИИ в ближайшие годы.

Позиция Goldman Sachs

Директор по данным и руководитель отдела разработки данных Goldman Sachs Нима Рафаэль в недавнем выступлении отметил, что доступные источники информации уже практически исчерпаны.

"Думаю, самое интересное будет в том, как предыдущие модели будут формировать то, каким окажется следующее воплощение мира в этом отношении", — заявил директор по данным Goldman Sachs Нима Рафаэль.

В качестве примера он привёл китайскую компанию DeepSeek, которая, по предположениям экспертов, могла обучать свои системы не на свежих данных, а на результатах работы других моделей.

Синтетические данные как новый ресурс

Когда интернет перестал быть неисчерпаемым источником, компании обратились к синтетическим данным — машинно-сгенерированному тексту, изображениям и коду. Это выглядит как безграничный ресурс, но у подхода есть существенные риски:

качество синтетики может быть ниже исходных данных;
модели начинают "вариться в собственном соку";
есть опасность деградации результатов, когда ИИ учится на данных, созданных другим ИИ.

Тем не менее, спрос на такие наборы стремительно растёт, особенно на потребительском рынке.

Закрытые корпоративные данные: новый рубеж

Рафаэль отметил, что реальным источником роста станут не публичные интернет-ресурсы, а закрытые базы данных, которыми владеют корпорации. В финансовом секторе, телекоммуникациях, здравоохранении и ритейле накоплены терабайты уникальной информации, которая может стать топливом для следующего поколения ИИ.

Задача бизнеса теперь состоит не только в поиске данных, но и в их правильной подготовке: нормализации, очистке, учёте бизнес-контекста.

Сравнение: источники данных для ИИ

Источник	Преимущества	Недостатки
Интернет	Огромный объём, разное качество	Практически исчерпан
Синтетические данные	Неограниченный ресурс	Риск низкого качества
Корпоративные данные	Уникальность, практическая ценность	Доступ ограничен, нужны инвестиции в обработку

Мнение OpenAI

Ещё в начале года соучредитель OpenAI Илья Суцкевер предупредил, что "все полезные данные из интернета уже использованы". По его словам, эпоха стремительного роста ИИ подошла к концу, и новые достижения будут даваться всё сложнее.

Ошибка → Последствие → Альтернатива

Ошибка: полагаться только на интернет-данные.
Последствие: модели перестают улучшаться.
Альтернатива: работа с закрытыми корпоративными наборами и специализированными архивами.
Ошибка: бесконтрольное использование синтетических данных.
Последствие: деградация качества и появление "шума".
Альтернатива: комбинирование реальных и синтетических данных, внедрение фильтров качества.

А что если синтетика станет основой?

Если будущее ИИ окажется связано в основном с синтетическими данными, возможны два сценария. Первый — ускорение разработки благодаря бесконечному ресурсу. Второй — снижение качества и рост ошибок, если новые модели будут обучаться на "копиях копий".

Плюсы и минусы синтетических данных

Плюсы	Минусы
Потенциально бесконечный источник	Опасность замкнутого цикла
Быстрая генерация	Размывание качества
Можно создавать редкие сценарии	Не всегда отражают реальность
Удобно тестировать алгоритмы	Риск "галлюцинаций" моделей

FAQ

Правда ли, что интернет-данные полностью исчерпаны?
Большинство полезных и уникальных данных уже использовано. Однако остаются корпоративные и нишевые источники.

Заменят ли синтетические данные реальные?
Полностью — вряд ли. Лучший вариант — комбинация синтетики и живой информации.

Как компании могут использовать свои закрытые данные?
Необходимо создать инфраструктуру для безопасной обработки, учитывать контекст и нормализовать информацию для обучения моделей.

Мифы и правда

Миф: синтетические данные лучше реальных.
Правда: они полезны, но не могут полностью заменить живые источники.
Миф: у корпораций нет ценного контента для ИИ.
Правда: именно закрытые архивы могут дать мощный толчок развитию.
Миф: ИИ всегда прогрессирует одинаковыми темпами.
Правда: рост замедляется из-за нехватки новых данных.

3 интересных факта

DeepSeek в Китае подозревают в использовании результатов других моделей вместо уникальных данных.
По оценкам Goldman Sachs, взрывной рост синтетических данных уже заметен на потребительском рынке.
Суцкевер из OpenAI ещё в начале года заявил, что "эпоха быстрого развития ИИ безусловно закончится".