Руководитель подразделения искусственного интеллекта Google Cloud обозначил основные направления развития возможностей моделей

В качестве вице-президента по продуктам Google Cloud Майкл Герстенхабер уделяет основное внимание Vertex — комплексной платформе компании для внедрения ИИ в корпоративной среде. Эта должность позволяет ему получить широкое представление о том, как компании на практике внедряют модели ИИ, а также о ключевых препятствиях, которые по-прежнему мешают раскрыть потенциал агентного ИИ.

В моей беседе с Майклом прозвучала особенно оригинальная мысль. Он рассматривает развитие моделей ИИ как одновременное продвижение по трем различным направлениям: сырой интеллект, задержка отклика и третий важнейший фактор — экономическая эффективность. Это третье направление касается не столько чистой производительности, сколько доступности, то есть того, можно ли развернуть модель достаточно дешево, чтобы она работала в огромных, непредсказуемых масштабах. Это ценная концепция для всех, кто хочет направить разработку передовых моделей в новом направлении.

Это интервью было сокращено и отредактировано для большей ясности.

Для начала, не могли бы вы рассказать о своем опыте работы в сфере ИИ и о своей текущей должности в Google?

Я работаю в сфере ИИ примерно два года. Проработав полтора года в Anthropic, я присоединился к Google около шести месяцев назад. Я возглавляю платформу для разработчиков Vertex. Наши основные пользователи — инженеры, создающие пользовательские приложения. Им нужен доступ к агентурным рабочим процессам, надежной агентурной платформе и вычислительной мощности самых передовых в мире моделей. Моя команда предоставляет эту базовую платформу, а конечные приложения разрабатываются нашими клиентами — такими компаниями, как Shopify и Thomson Reuters — в рамках их конкретных отраслей.

Что побудило вас перейти в Google?

Уникальное положение Google заключается в его вертикальной интеграции, охватывающей все от пользовательского интерфейса до уровня инфраструктуры. Мы проектируем собственные центры обработки данных, управляем закупками электроэнергии, разрабатываем специализированные микросхемы (TPU), обучаем собственные базовые модели и контролируем уровни инференса и оркестрации агентов. Мы предлагаем API для таких функций, как управление памятью и генерация кода. Кроме того, мы создали движок агентов для обеспечения соответствия и управления, а также потребительские и корпоративные интерфейсы, такие как Gemini. Этот сквозной контроль является значительным преимуществом и ключевой причиной, по которой я присоединился к компании.

Сэкономьте до 300 долларов или 30% на TechCrunch Founder Summit

Присоединяйтесь к более чем 1000 основателей и инвесторов на TechCrunch Founder Summit 2026, чтобы провести целый день, посвященный росту, реализации и масштабированию. Получите ценные знания от основателей и инвесторов, формирующих отрасль. Общайтесь с коллегами, которые находятся на аналогичных этапах роста. Уезжайте с готовыми к применению стратегиями, которые вы сможете реализовать сразу же.

Предложение действует до 13 марта.

Сэкономьте до 300 долларов или 30% на TechCrunch Founder Summit

Присоединяйтесь к более чем 1000 основателей и инвесторов на TechCrunch Founder Summit 2026, чтобы провести целый день, посвященный росту, реализации и масштабированию. Получите ценные знания от основателей и инвесторов, формирующих отрасль. Общайтесь с коллегами, которые находятся на аналогичных этапах роста. Уезжайте с готовыми к применению стратегиями, которые можно реализовать сразу же.

Предложение действует до 13 марта.

Интересно, что, несмотря на свои различия, три крупнейшие лаборатории искусственного интеллекта кажутся очень похожими по своим основным возможностям. Является ли это просто гонкой за более высоким уровнем интеллекта, или ситуация более сложна?

Я вижу три четких границы производительности. Во-первых, модели типа Gemini Pro оптимизированы для «сырого» интеллекта. Хорошим примером являются такие задачи, как генерация сложного кода: вам нужен результат максимально высокого качества, даже если это займет больше времени, потому что вам предстоит поддерживать и развертывать этот код.

Второе ограничение — это задержка. В сценарии живой поддержки клиентов ИИ нуждается как в интеллекте для применения политики (например, обработка возврата или повышение класса обслуживания), так и в скорости, чтобы дать ответ до того, как пользователь отключится. Здесь нужна самая умная модель, способная работать в рамках строгого временного бюджета.

Третьим ограничением является стоимость при масштабировании. Такие компании, как Reddit или Meta, стремящиеся модерировать огромные объемы контента, сталкиваются с непредсказуемым спросом. Они не могут брать на себя неограниченный корпоративный риск, не зная, как будут масштабироваться затраты. Им нужна самая интеллектуальная модель, которую они могут себе позволить, и которая при этом будет достаточно экономичной, чтобы обрабатывать потенциально бесконечное количество задач.

Постоянно возникает вопрос, почему системы ИИ с агентами не получили более широкого распространения. Возможности моделей и впечатляющие демонстрации существуют, однако трансформационные изменения, которые многие ожидали год назад, не полностью материализовались. Каковы основные препятствия?

Базовой технологии всего около двух лет, и критически важная инфраструктура все еще отсутствует. Нам не хватает устоявшихся шаблонов для аудита действий агентов или авторизации доступа агентов к данным. Внедрение этих готовых к производству шаблонов требует значительной работы. Внедрение в производство всегда отстает от технологических возможностей. Двух лет просто недостаточно, чтобы весь спектр интеллекта нашел отражение в зрелых, развернутых системах, и именно в этом заключается текущая проблема.

Внедрение в области разработки программного обеспечения прошло необычайно быстро, поскольку оно хорошо интегрируется в существующие циклы разработки. У инженеров есть безопасные среды разработки и тестирования. В Google код должен пройти проверку и получить одобрение двух инженеров, прежде чем он будет представлен клиентам под брендом компании. Эти процессы с участием человека делают внедрение очень низкорисковым. Нам необходимо разработать аналогичные безопасные шаблоны для других областей и профессий.