Prospects for Artificial Intelligence: From Scaling Limits to Specialization, Neural Infrastructure and Autonomous Machine BuildingПерспективы развития искусственного интеллекта: от пределов масштабирования к специализации, нейронной инфраструктуре и автономному машиностроениюЖасанды интеллекттің даму перспективалары: масштабтау шектерінен мамандануға, нейрондық инфрақұрылымға және автономды машина жасауға дейін

Why the limits of scaling will push AI towards specialization, the absorption of software and the Web, AI-designed hardware and autonomous machines.Почему пределы масштабирования направят ИИ к специализации, поглощению программ и веба, процессорам, спроектированным ИИ, и автономным машинам.Масштабтау шектері ЖИ-ді мамандануға, бағдарламалар мен вебті сіңіруге, ЖИ жобалаған процессорларға және автономды машиналарға қалай бағыттайды.

Open accessОткрытый доступАшық қолжетімділік CC BY 4.0 Article typeТип статьиМақала түрі: PerspectiveПерспективаПерспектива DOI: 10.66273/3134-6359.2026.1.3.006
— viewsпросмотровқаралым — uniqueуникальныхбірегей
AuthorsАвторыАвторлар
Ruslan KalendarРуслан КалендарьРуслан Календарь
Corresponding author:Автор для переписки:Хат алмасатын автор: ruslan.kalendar@nu.edu.kz
AffiliationsАффилиацииАффилиациялар
Nazarbayev University, Astana, KazakhstanНазарбаев Университет, Астана, КазахстанНазарбаев Университеті, Астана, Қазақстан
KeywordsКлючевые словаТүйін сөздер
artificial intelligence; scaling laws; technology S-curve; specialized models; Software 2.0; neuromorphic computing; chip design; embodied AI; robotics; AI governance; agentic webискусственный интеллект; законы масштабирования; S-кривая технологий; специализированные модели; ПО 2.0; нейроморфные вычисления; проектирование чипов; воплощённый ИИ; робототехника; управление ИИ; агентный вебжасанды интеллект; масштабтау заңдары; технологиялардың S-қисығы; мамандандырылған модельдер; БЖ 2.0; нейроморфты есептеулер; чиптерді жобалау; денеленген ЖИ; робототехника; ЖИ-ді басқару; агенттік веб
Graphical abstract: artificial intelligence on an S-shaped curve — the scaling paradigm meets limits of compute, data, energy and architecture in the late 2020s to early 2030s, redirecting development towards narrow specialized models, the absorption of the intermediate software layer, AI-designed processors and autonomous machines, with verifiability, energy efficiency, security and accountability left open
Graphical abstract.Графический абстракт.Графикалық аңдатпа.

AbstractАннотацияАңдатпа

Artificial intelligence, like any technology, develops along an S-shaped curve and has a limit. In this Perspective we argue that the current paradigm of scaling neural networks is running into diminishing returns on compute, exhaustion of human-generated data, energy constraints and theoretical limits of architectures. Published estimates suggest that these constraints will become binding by the late 2020s to early 2030s. We show that saturation of general-purpose capabilities will redirect the development of AI along four lines. First, towards narrowly specialized models that penetrate governance, control, resource allocation, legislation, the economy, security and even the spiritual sphere. Second, towards the gradual absorption of the intermediate layer — programming languages, operating systems and drivers, as well as websites, search engines and the personal computer as we know it — by neural systems and AI agents that become a universal means of controlling machines and accessing information. Third, towards processor architectures that are specialized for AI and designed with the help of AI. Fourth, towards mechanical engineering — the design and manufacture of robots and autonomous machines. For each thesis we present published evidence, a testable prediction and the main objections: verifiability, energy efficiency, security and accountability.Искусственный интеллект, как и любая технология, развивается по S-образной кривой и имеет предел. В статье-перспективе мы утверждаем, что нынешняя парадигма масштабирования нейросетей упирается в убывающую отдачу вычислений, исчерпание данных, созданных человеком, энергетические ограничения и теоретические пределы архитектур. По опубликованным оценкам, эти ограничения станут определяющими к концу 2020-х — началу 2030-х годов. Мы показываем, что насыщение роста универсальных способностей перенаправит развитие ИИ по четырём направлениям. Во-первых, к узкоспециализированным моделям, проникающим в управление, контроль, распределение ресурсов, законодательство, хозяйство, безопасность и духовную сферу. Во-вторых, к постепенному поглощению промежуточного слоя — языков программирования, операционных систем и драйверов, а также веб-сайтов, поисковых систем и привычного персонального компьютера — нейронными системами и ИИ-агентами, становящимися универсальным средством управления машинами и доступа к информации. В-третьих, к процессорным архитектурам, специализированным под ИИ и спроектированным с помощью ИИ. В-четвёртых, к машиностроению — проектированию и производству роботов и автономных машин. Для каждого тезиса приводятся опубликованные данные, проверяемое предсказание и основные возражения: верифицируемость, энергоэффективность, безопасность и ответственность.Жасанды интеллект кез келген технология сияқты S тәрізді қисық бойымен дамиды және оның шегі бар. Осы перспективалық мақалада біз нейрондық желілерді масштабтаудың қазіргі парадигмасы есептеулердің кемімелі қайтарымына, адам жасаған деректердің сарқылуына, энергетикалық шектеулерге және архитектуралардың теориялық шектеріне тірелетінін көрсетеміз. Жарияланған бағалауларға сәйкес, бұл шектеулер 2020 жылдардың соңы — 2030 жылдардың басында шешуші болады. Әмбебап қабілеттер өсуінің қанығуы ЖИ дамуын төрт бағытқа бұратынын көрсетеміз. Біріншіден, басқаруға, бақылауға, ресурстарды бөлуге, заңнамаға, шаруашылыққа, қауіпсіздікке және рухани салаға енетін тар мамандандырылған модельдерге. Екіншіден, аралық қабатты — бағдарламалау тілдерін, операциялық жүйелер мен драйверлерді, сондай-ақ веб-сайттарды, іздеу жүйелерін және бізге таныс дербес компьютерді — машиналарды басқарудың және ақпаратқа қол жеткізудің әмбебап құралына айналатын нейрондық жүйелер мен ЖИ-агенттердің біртіндеп сіңіруіне. Үшіншіден, ЖИ-ге мамандандырылған және ЖИ көмегімен жобаланған процессорлық архитектураларға. Төртіншіден, машина жасауға — роботтар мен автономды машиналарды жобалау мен өндіруге. Әр тезис үшін жарияланған деректер, тексерілетін болжам және негізгі қарсы уәждер келтіріледі: верификациялануы, энергия тиімділігі, қауіпсіздік және жауапкершілік.

KeywordsКлючевые словаТүйін сөздер

artificial intelligence искусственный интеллект жасанды интеллект scaling laws законы масштабирования масштабтау заңдары technology S-curve S-кривая технологий технологиялардың S-қисығы specialized models специализированные модели мамандандырылған модельдер Software 2.0 ПО 2.0 БЖ 2.0 neuromorphic computing нейроморфные вычисления нейроморфты есептеулер chip design проектирование чипов чиптерді жобалау embodied AI воплощённый ИИ денеленген ЖИ robotics робототехника робототехника AI governance управление ИИ ЖИ-ді басқару agentic web агентный веб агенттік веб

1. Introduction1. Введение1. Кіріспе

Artificial intelligence (AI) has become a general-purpose technology, but, like any technology, it develops along an S-shaped curve and has a limit. We argue that approaching this limit will not stop the development of AI but will change its direction: from growth in general-purpose capabilities towards specialization and towards the absorption of the underlying technological layers.Искусственный интеллект (ИИ) стал технологией общего назначения, но, как и любая технология, он развивается по S-образной кривой и имеет предел. Мы утверждаем, что приближение к этому пределу не остановит развитие ИИ, а сменит его вектор: от роста универсальных способностей — к специализации и к поглощению нижележащих технологических слоёв.Жасанды интеллект (ЖИ) жалпы мақсаттағы технологияға айналды, бірақ кез келген технология сияқты ол S тәрізді қисық бойымен дамиды және оның шегі бар. Біз бұл шекке жақындау ЖИ дамуын тоқтатпайды, керісінше оның векторын өзгертеді деп есептейміз: әмбебап қабілеттердің өсуінен мамандануға және төменгі технологиялық қабаттарды сіңіруге қарай.

Within a decade, deep learning has progressed from image recognition to general-purpose generative models (LeCun et al., 2015; Vaswani et al., 2017; Bommasani et al., 2021). Estimates indicate that large language models affect a substantial share of tasks in the economy, that is, they show the hallmarks of a general-purpose technology (Bresnahan & Trajtenberg, 1995; Eloundou et al., 2024). Public debate, meanwhile, oscillates between two extremes: extrapolation of exponential growth and expectation of a new "AI winter".За десятилетие глубокое обучение прошло путь от распознавания изображений до генеративных моделей общего назначения (LeCun et al., 2015; Vaswani et al., 2017; Bommasani et al., 2021). Оценки показывают, что большие языковые модели затрагивают значительную долю задач в экономике, то есть обладают признаками технологии общего назначения (Bresnahan & Trajtenberg, 1995; Eloundou et al., 2024). Публичная дискуссия при этом колеблется между двумя крайностями: экстраполяцией экспоненциального роста и ожиданием новой «зимы ИИ».Он жыл ішінде терең оқыту кескіндерді танудан жалпы мақсаттағы генеративтік модельдерге дейінгі жолдан өтті (LeCun et al., 2015; Vaswani et al., 2017; Bommasani et al., 2021). Бағалаулар үлкен тілдік модельдердің экономикадағы міндеттердің едәуір бөлігін қамтитынын, яғни жалпы мақсаттағы технологияның белгілеріне ие екенін көрсетеді (Bresnahan & Trajtenberg, 1995; Eloundou et al., 2024). Ал қоғамдық пікірталас екі шеткі көзқарас арасында ауытқиды: экспоненциалдық өсуді экстраполяциялау мен жаңа «ЖИ қысын» күту.

The history of technology suggests a third scenario. Every technological paradigm first grows at an accelerating pace and then reaches a plateau bounded by physics and economics (Foster, 1986). Yet the main economic impact often arrives precisely on the plateau, when the technology reorganizes production around itself. This was the case with electrification: electric motors were improved for decades, but productivity gains came only after factories were reorganized around electric drive (David, 1990; Perez, 2002).История технологий подсказывает третий сценарий. Каждая технологическая парадигма сначала растёт ускоренно, затем выходит на плато, ограниченное физикой и экономикой (Foster, 1986). Но главный экономический эффект часто наступает именно на плато, когда технология перестраивает производство вокруг себя. Так было с электрификацией: двигатели совершенствовались десятилетиями, а рост производительности пришёл лишь после реорганизации фабрик под электропривод (David, 1990; Perez, 2002).Технологиялар тарихы үшінші сценарийді ұсынады. Әрбір технологиялық парадигма алдымен үдемелі өседі, содан кейін физика мен экономика шектеген платоға шығады (Foster, 1986). Бірақ негізгі экономикалық әсер көбіне дәл платода, технология өндірісті өз төңірегінде қайта құрған кезде пайда болады. Электрлендіруде де солай болды: қозғалтқыштар ондаған жыл бойы жетілдірілді, ал өнімділіктің өсуі зауыттар электр жетегіне бейімделіп қайта ұйымдастырылғаннан кейін ғана келді (David, 1990; Perez, 2002).

In this Perspective we put forward five interrelated theses:В настоящей статье-перспективе мы формулируем пять взаимосвязанных тезисов:Осы перспективалық мақалада біз өзара байланысты бес тезисті тұжырымдаймыз:

  1. The limit. The current paradigm — scaling neural networks on human-generated data — is running into informational, energy and theoretical constraints. Saturation of general-purpose capabilities is expected in the foreseeable future.Предел. Текущая парадигма — масштабирование нейросетей на данных, созданных человеком, — упирается в информационные, энергетические и теоретические ограничения. Насыщение роста общих способностей ожидается в обозримой перспективе.Шек. Қазіргі парадигма — нейрондық желілерді адам жасаған деректерде масштабтау — ақпараттық, энергетикалық және теориялық шектеулерге тіреледі. Жалпы қабілеттер өсуінің қанығуы жақын болашақта күтіледі.
  2. Specialization. On the plateau, value shifts from general-purpose models to narrowly specialized models trained for a specific domain. AI penetrates every sphere: governance, control, resource allocation, legislation, the economy, security and even spiritual life.Специализация. На плато ценность смещается от универсальных моделей к узкоспециализированным, обученным под конкретную область. ИИ проникает во все сферы: управление, контроль, распределение ресурсов, законодательство, хозяйство, безопасность и даже духовную жизнь.Мамандану. Платода құндылық әмбебап модельдерден нақты салаға арнап оқытылған тар мамандандырылған модельдерге ауысады. ЖИ барлық салаға енеді: басқаруға, бақылауға, ресурстарды бөлуге, заңнамаға, шаруашылыққа, қауіпсіздікке және тіпті рухани өмірге.
  3. Disappearance of the intermediate layer. Programming languages, operating systems and drivers are a historical intermediary between human intent and the machine. In the long run this layer is absorbed by neural systems, which themselves become a universal means of specifying and executing computation. The same fate awaits websites, search engines and the familiar personal computer: the Internet becomes an entry point to a personal AI service.Исчезновение промежуточного слоя. Языки программирования, операционные системы и драйверы — исторический посредник между намерением человека и машиной. В долгосрочной перспективе этот слой поглощается нейронными системами, которые сами становятся универсальным средством задания и исполнения вычислений. Та же участь ждёт веб-сайты, поисковые системы и привычный персональный компьютер: Интернет становится входом в личный ИИ-сервис.Аралық қабаттың жойылуы. Бағдарламалау тілдері, операциялық жүйелер мен драйверлер — адамның ниеті мен машина арасындағы тарихи делдал. Ұзақ мерзімді перспективада бұл қабатты нейрондық жүйелер сіңіреді, олар есептеулерді тапсырудың және орындаудың әмбебап құралына айналады. Дәл осындай тағдыр веб-сайттарды, іздеу жүйелерін және бізге таныс дербес компьютерді де күтеді: Интернет жеке ЖИ-сервиске кіру нүктесіне айналады.
  4. Hardware co-evolution. Processor architectures specialize for AI and are designed with the help of AI. General-purpose architectures recede into the background.Аппаратная коэволюция. Архитектуры процессоров специализируются под ИИ и проектируются с помощью ИИ. Универсальные архитектуры общего назначения уходят на второй план.Аппараттық коэволюция. Процессор архитектуралары ЖИ-ге мамандандырылады және ЖИ көмегімен жобаланады. Жалпы мақсаттағы әмбебап архитектуралар екінші орынға ығысады.
  5. Mechanical engineering. The next stage is AI entering the physical world: the design and manufacture of robots and autonomous machines.Машиностроение. Следующий этап — выход ИИ в физический мир: проектирование и производство роботов и автономных машин.Машина жасау. Келесі кезең — ЖИ-дің физикалық әлемге шығуы: роботтар мен автономды машиналарды жобалау және өндіру.

These theses form a single line of reasoning. The limit to growth "upwards" (generality) redirects development "outwards" (specialization) and "downwards" (into the software, hardware and machine-building layers). Sections 2–6 substantiate each thesis in turn with published evidence. Section 7 addresses the main objections, and Section 8 concludes. The forecasts in this article are the authors' position; we state them as testable hypotheses and indicate which observations could refute them.Эти тезисы образуют единую логику. Предел роста «вверх» (универсальность) переводит развитие «вширь» (специализация) и «вглубь» (программный, аппаратный и машиностроительный слои). Разделы 2–6 последовательно обосновывают каждый тезис опубликованными данными. Раздел 7 рассматривает основные возражения, раздел 8 подводит итог. Прогнозы статьи — позиция авторов; мы формулируем их как проверяемые гипотезы и указываем, какие наблюдения могли бы их опровергнуть.Бұл тезистер біртұтас логика құрайды. «Жоғары» қарай өсудің шегі (әмбебаптық) дамуды «кеңінен» (мамандану) және «тереңге» (бағдарламалық, аппараттық және машина жасау қабаттары) бағыттайды. 2–6-бөлімдер әр тезисті жарияланған деректермен дәйектейді. 7-бөлім негізгі қарсы уәждерді қарастырады, 8-бөлім қорытынды жасайды. Мақаладағы болжамдар — авторлардың ұстанымы; біз оларды тексерілетін гипотезалар ретінде тұжырымдап, қандай бақылаулар оларды теріске шығара алатынын көрсетеміз.

Figure 1. Today's and the prospective technology stack Рисунок 1. Сегодняшний и перспективный технологический стек 1-сурет. Бүгінгі және болашақ технологиялық стек

Figure 1. The technology stack: today and in prospect. The current (left) and prospective (right) technology stack. Websites and search engines, programming languages, operating systems and drivers are absorbed by specialized neural models and AI agents that run on AI-oriented processors and control the machine directly.

Рисунок 1. Технологический стек: сегодня и в перспективе. Сегодняшний (слева) и перспективный (справа) технологический стек. Сайты и поисковики, языки программирования, ОС и драйверы поглощаются специализированными нейронными моделями и ИИ-агентами, которые работают на ИИ-ориентированных процессорах и напрямую управляют машиной.

1-сурет. Технологиялық стек: бүгін және болашақта. Бүгінгі (сол жақта) және болашақ (оң жақта) технологиялық стек. Сайттар мен іздеу жүйелері, бағдарламалау тілдері, ОЖ мен драйверлер ЖИ-ге бағдарланған процессорларда жұмыс істейтін және машинаны тікелей басқаратын мамандандырылған нейрондық модельдер мен ЖИ-агенттерге сіңіріледі.

2. The Limits of Development: AI on the S-Curve2. Пределы развития: ИИ на S-кривой2. Даму шектері: S-қисықтағы ЖИ

The current scaling paradigm is running into four constraints at once: diminishing returns on compute, data exhaustion, energy, and theoretical limits of architectures. According to published estimates, by the late 2020s to early 2030s these constraints will make further scaling of general-purpose models economically unjustified.Текущая парадигма масштабирования упирается одновременно в четыре ограничения: убывающую отдачу вычислений, исчерпание данных, энергию и теоретические пределы архитектур. По опубликованным оценкам, к концу 2020-х — началу 2030-х годов эти ограничения сделают дальнейшее наращивание универсальных моделей экономически неоправданным.Масштабтаудың қазіргі парадигмасы бір мезгілде төрт шектеуге тіреледі: есептеулердің кемімелі қайтарымы, деректердің сарқылуы, энергия және архитектуралардың теориялық шектері. Жарияланған бағалауларға сәйкес, 2020 жылдардың соңы — 2030 жылдардың басына қарай бұл шектеулер әмбебап модельдерді одан әрі ұлғайтуды экономикалық тұрғыдан негізсіз етеді.

2.1. Diminishing returns to scaling2.1. Убывающая отдача масштабирования2.1. Масштабтаудың кемімелі қайтарымы

Scaling laws show that the loss of a language model decreases as a power law with the number of parameters, the amount of data and the compute budget (Kaplan et al., 2020). The compute exponent is small (αC ≈ 0.050), which implies that a tenfold increase in compute reduces the loss by only about 11%. Subsequent work refined the balance: parameters and data should grow in proportion, and a 70-billion-parameter model outperformed a 280-billion-parameter model at the same compute budget (Hoffmann et al., 2022).Законы масштабирования показывают, что ошибка языковой модели снижается по степенному закону с ростом числа параметров, данных и вычислений (Kaplan et al., 2020). Показатель степени по вычислениям мал (αC ≈ 0,050): из него следует, что десятикратное увеличение вычислений снижает потери лишь примерно на 11%. Последующая работа уточнила баланс: параметры и объём данных должны расти пропорционально, и модель на 70 млрд параметров превзошла модель на 280 млрд при том же бюджете вычислений (Hoffmann et al., 2022).Масштабтау заңдары тілдік модельдің қатесі параметрлер санының, деректер көлемінің және есептеулердің өсуімен дәрежелік заң бойынша кемитінін көрсетеді (Kaplan et al., 2020). Есептеулер бойынша дәреже көрсеткіші кіші (αC ≈ 0,050): одан есептеулерді он есе арттыру шығынды тек шамамен 11%-ға азайтатыны шығады. Кейінгі жұмыс теңгерімді нақтылады: параметрлер мен деректер көлемі пропорционалды өсуі керек, ал 70 млрд параметрлі модель дәл сондай есептеу бюджетімен 280 млрд параметрлі модельден асып түсті (Hoffmann et al., 2022).

A power law in itself contains no ceiling, but it means exponential costs for linear progress. Training compute for leading models doubled roughly every 20 months before 2010 and every 6 months in the deep-learning era (Sevilla et al., 2022); according to the AI Index, every 5 months (Maslej et al., 2025). For ImageNet, the required compute grew roughly as the ninth power of performance. Reducing the error from 11.5% to 5% would require about 10⁵ times more compute (Thompson et al., 2020).Степенной закон сам по себе не содержит потолка, но он означает экспоненциальные затраты на линейный прогресс. Вычисления для обучения ведущих моделей удваивались примерно раз в 20 месяцев до 2010 г. и раз в 6 месяцев в эпоху глубокого обучения (Sevilla et al., 2022); по данным AI Index, — раз в 5 месяцев (Maslej et al., 2025). Для задачи ImageNet потребные вычисления росли примерно как девятая степень качества. Снижение ошибки с 11,5% до 5% потребовало бы примерно в 10⁵ раз больше вычислений (Thompson et al., 2020).Дәрежелік заңның өзінде шек жоқ, бірақ ол сызықтық прогресс үшін экспоненциалдық шығынды білдіреді. Жетекші модельдерді оқытуға арналған есептеулер 2010 жылға дейін шамамен әр 20 айда, ал терең оқыту дәуірінде әр 6 айда екі есе өсіп отырды (Sevilla et al., 2022); AI Index деректері бойынша — әр 5 айда (Maslej et al., 2025). ImageNet міндеті үшін қажетті есептеулер сапаның шамамен тоғызыншы дәрежесіндей өсті. Қатені 11,5%-дан 5%-ға дейін азайту шамамен 10⁵ есе көп есептеуді қажет етер еді (Thompson et al., 2020).

Equally important is what scaling laws do not promise. "Emergent" jumps in capability turn out in most cases to be an artefact of discontinuous metrics; with continuous metrics, growth is smooth and predictable (Schaeffer et al., 2023). Hence there is no basis for expecting a qualitative leap from scale alone.Важно и то, чего законы масштабирования не обещают. «Эмерджентные» скачки способностей в большинстве случаев оказываются артефактом разрывных метрик; при непрерывных метриках рост плавный и предсказуемый (Schaeffer et al., 2023). Следовательно, рассчитывать на качественный скачок за счёт одного только масштаба оснований нет.Масштабтау заңдары нені уәде етпейтіні де маңызды. Қабілеттердің «эмерджентті» секірістері көп жағдайда үзілісті метрикалардың артефактісі болып шығады; үздіксіз метрикаларда өсу бірқалыпты және болжамды (Schaeffer et al., 2023). Демек, тек масштаб есебінен сапалық секіріс күтуге негіз жоқ.

2.2. Data exhaustion2.2. Исчерпание данных2.2. Деректердің сарқылуы

The stock of publicly available human-generated text is estimated at about 300 trillion tokens. If current trends continue, it will be fully used for training between 2026 and 2032 (median 2028) (Villalobos et al., 2024). Human data cannot be replaced by synthetic data without loss. Training without filtering on data generated by previous generations of models leads to irreversible "model collapse", in which the rare events of the original distribution disappear (Shumailov et al., 2024). The informational resource of the paradigm is therefore finite.Объём публично доступного текста, созданного человеком, оценивается примерно в 300 трлн токенов. При сохранении текущих тенденций он будет полностью использован для обучения между 2026 и 2032 гг. (медиана — 2028 г.) (Villalobos et al., 2024). Заменить человеческие данные синтетическими без потерь нельзя. Обучение на данных, сгенерированных предыдущими поколениями моделей, без фильтрации ведёт к необратимому «коллапсу модели»: исчезают редкие события исходного распределения (Shumailov et al., 2024). Информационный ресурс парадигмы, таким образом, конечен.Адам жасаған жалпыға қолжетімді мәтіннің көлемі шамамен 300 трлн токен деп бағаланады. Қазіргі үрдістер сақталса, ол 2026–2032 жылдар аралығында (медианасы — 2028 ж.) оқытуға толық пайдаланылып болады (Villalobos et al., 2024). Адам деректерін синтетикалық деректермен шығынсыз алмастыру мүмкін емес. Модельдердің алдыңғы буындары жасаған деректерде сүзгісіз оқыту қайтымсыз «модель коллапсына» әкеледі: бастапқы таралымның сирек оқиғалары жоғалады (Shumailov et al., 2024). Осылайша, парадигманың ақпараттық ресурсы шектеулі.

2.3. Energy and the physics of computation2.3. Энергия и физика вычислений2.3. Энергия және есептеулер физикасы

In 2024, data centres consumed about 415 TWh (roughly 1.5% of global electricity); the base case projects about 945 TWh by 2030 (IEA, 2025). The largest training runs already draw more than 100 MW, and their power demand is growing about 2.2-fold per year. By 2030 a single run may require 4–16 GW, the output of several large power plants (You et al., 2025). Training emissions have grown from 588 t CO₂ for GPT-3 to 8,930 t for Llama 3.1 405B (Maslej et al., 2025; cf. Strubell et al., 2019).В 2024 г. центры обработки данных потребили около 415 ТВт·ч (примерно 1,5% мировой электроэнергии); базовый сценарий предусматривает около 945 ТВт·ч к 2030 г. (IEA, 2025). Крупнейшие обучающие прогоны уже потребляют более 100 МВт, а их энергопотребление растёт примерно в 2,2 раза в год. К 2030 г. один прогон может потребовать 4–16 ГВт — мощность нескольких крупных электростанций (You et al., 2025). Выбросы при обучении выросли с 588 т CO₂ для GPT-3 до 8930 т для Llama 3.1 405B (Maslej et al., 2025; ср. Strubell et al., 2019).2024 жылы деректерді өңдеу орталықтары шамамен 415 ТВт·сағ (әлемдік электр энергиясының шамамен 1,5%) тұтынды; базалық сценарий 2030 жылға қарай шамамен 945 ТВт·сағ болжайды (IEA, 2025). Ең ірі оқыту сеанстары қазірдің өзінде 100 МВт-тан астам қуат тұтынады, ал олардың энергия тұтынуы жылына шамамен 2,2 есе өсуде. 2030 жылға қарай бір сеанс 4–16 ГВт қажет етуі мүмкін — бұл бірнеше ірі электр станциясының қуаты (You et al., 2025). Оқыту кезіндегі шығарындылар GPT-3 үшін 588 т CO₂-ден Llama 3.1 405B үшін 8930 т-ға дейін өсті (Maslej et al., 2025; салыст. Strubell et al., 2019).

A systematic analysis by Epoch AI compared four constraints on the scale of a single training run by 2030 (Sevilla et al., 2024). Power supply is likely to bind first:Системный анализ Epoch AI сравнил четыре ограничителя масштаба одного обучающего прогона к 2030 г. (Sevilla et al., 2024). Первым, скорее всего, станет энергоснабжение:Epoch AI жүйелі талдауы 2030 жылға қарай бір оқыту сеансының масштабын шектейтін төрт факторды салыстырды (Sevilla et al., 2024). Бірінші болып энергиямен жабдықтау шектеуші болуы ықтимал:

ConstraintОграничительШектеуші факторResource estimate for 2030Оценка ресурса к 2030 г.2030 жылға қарайғы ресурс бағасыFeasible training run, FLOPПредельный прогон, FLOPШекті оқыту сеансы, FLOP
Power supplyЭнергоснабжениеЭнергиямен жабдықтау1–5 GW at a single site; 2–45 GW distributed1–5 ГВт на одной площадке; 2–45 ГВт распределённобір алаңда 1–5 ГВт; бөлінген түрде 2–45 ГВт10²⁸ – 2·10³⁰10²⁸ – 2·10³⁰10²⁸ – 2·10³⁰
Chip manufacturingПроизводство чиповЧип өндірісі20–400 million H100 equivalents20–400 млн эквивалентов H10020–400 млн H100 баламасы10²⁹ – 5·10³⁰10²⁹ – 5·10³⁰10²⁹ – 5·10³⁰
DataДанныеДеректер400 trillion – 20 quadrillion effective tokens400 трлн – 20 квадриллионов эффективных токенов400 трлн – 20 квадриллион тиімді токен6·10²⁸ – 2·10³²6·10²⁸ – 2·10³²6·10²⁸ – 2·10³²
Latency wallЗадержки (latency wall)Кідірістер (latency wall)physical limit of parallelismфизический предел параллелизмапараллелизмнің физикалық шегі3·10³⁰ – 10³²3·10³⁰ – 10³²3·10³⁰ – 10³²

The authors conclude that a run of about 2·10²⁹ FLOP (roughly 10,000 times GPT-4) is probably feasible by 2030. But this is precisely what marks the horizon: the lower bounds of all four constraints lie within one to two orders of magnitude of this value. Moreover, hardware no longer guarantees cheaper computation: Dennard scaling ended in the mid-2000s, and Moore's law is slowing (Theis & Wong, 2017; Leiserson et al., 2020).Авторы заключают, что прогон около 2·10²⁹ FLOP (примерно в 10 000 раз больше GPT-4) к 2030 г., вероятно, осуществим. Но именно это и обозначает горизонт: нижние границы всех четырёх ограничителей лежат в пределах одного-двух порядков от этой величины. При этом аппаратное удешевление вычислений больше не гарантировано: масштабирование Деннарда прекратилось в середине 2000-х, а закон Мура замедляется (Theis & Wong, 2017; Leiserson et al., 2020).Авторлар 2030 жылға қарай шамамен 2·10²⁹ FLOP (GPT-4-тен шамамен 10 000 есе көп) сеанс жүзеге асырылуы ықтимал деп қорытындылайды. Бірақ дәл осы көкжиекті белгілейді: төрт шектеуші фактордың барлығының төменгі шекаралары осы шамадан бір-екі реттік деңгей аралығында жатыр. Сонымен қатар есептеулердің аппараттық арзандауына енді кепілдік жоқ: Деннард масштабтауы 2000 жылдардың ортасында тоқтады, ал Мур заңы баяулап келеді (Theis & Wong, 2017; Leiserson et al., 2020).

2.4. Theoretical constraints2.4. Теоретические ограничения2.4. Теориялық шектеулер

The universal approximation theorem guarantees that a neural network can represent any function (Hornik et al., 1989). But it is an existence theorem: it says nothing about how efficiently such a network can be trained. For large language models it has been shown formally that hallucinations cannot be eliminated completely if the model is used as a general problem solver (Xu et al., 2024).Теорема об универсальной аппроксимации гарантирует, что нейросеть может представить любую функцию (Hornik et al., 1989). Но это теорема существования: она ничего не говорит о том, как эффективно такую сеть можно обучить. Для больших языковых моделей формально показано, что галлюцинации нельзя устранить полностью, если модель используется как универсальный решатель задач (Xu et al., 2024).Әмбебап аппроксимация теоремасы нейрондық желінің кез келген функцияны бере алатынына кепілдік береді (Hornik et al., 1989). Бірақ бұл — бар болу теоремасы: ол мұндай желіні қаншалықты тиімді оқытуға болатыны туралы ештеңе айтпайды. Үлкен тілдік модельдер үшін, егер модель міндеттердің әмбебап шешушісі ретінде қолданылса, галлюцинацияларды толық жою мүмкін еместігі формалды түрде көрсетілген (Xu et al., 2024).

Transformers solve multi-step compositional tasks mainly by matching previously seen fragments rather than by systematic reasoning. GPT-4, for example, multiplied three-digit numbers correctly in only 59% of cases (Dziri et al., 2023; cf. Marcus, 2018). Finally, the "no free lunch" theorems state that, averaged over all problems, no optimization algorithm is better than any other (Wolpert & Macready, 1997). A gain is possible only by tailoring to a class of problems — and that is exactly specialization (Section 3).Трансформеры решают многошаговые композиционные задачи в основном сопоставлением с увиденными фрагментами, а не систематическим выводом. Так, GPT-4 верно умножал трёхзначные числа лишь в 59% случаев (Dziri et al., 2023; ср. Marcus, 2018). Наконец, теоремы «об отсутствии бесплатного обеда» утверждают: усреднённо по всем задачам ни один алгоритм оптимизации не лучше другого (Wolpert & Macready, 1997). Выигрыш возможен только за счёт подстройки под класс задач — а это и есть специализация (раздел 3).Трансформерлер көпқадамды композициялық міндеттерді жүйелі қорытынды арқылы емес, негізінен бұрын көрген үзінділермен сәйкестендіру арқылы шешеді. Мәселен, GPT-4 үш таңбалы сандарды тек 59% жағдайда дұрыс көбейтті (Dziri et al., 2023; салыст. Marcus, 2018). Ақырында, «тегін түскі ас болмайды» теоремалары барлық міндеттер бойынша орташаланғанда ешбір оңтайландыру алгоритмі екіншісінен артық емес екенін айтады (Wolpert & Macready, 1997). Ұтыс тек міндеттер класына бейімделу арқылы мүмкін — ал бұл дәл мамандану (3-бөлім).

2.5. Signs of a plateau2.5. Признаки выхода на плато2.5. Платоға шығу белгілері

The first signs of saturation are already visible. Leading models are converging in quality: within a year, the gap between the first- and tenth-ranked models on Chatbot Arena narrowed from 11.9% to 5.4%, and the gap between open- and closed-weight models from 8.0% to 1.7% (Maslej et al., 2025). According to the International AI Safety Report, since 2025 a substantial part of capability gains has come not from larger models but from post-training and inference-time compute; diminishing economic returns may slow scaling (Bengio et al., 2026).Первые признаки насыщения уже наблюдаются. Ведущие модели сближаются по качеству: за год разрыв между первой и десятой моделью рейтинга Chatbot Arena сократился с 11,9% до 5,4%, а между открытыми и закрытыми моделями — с 8,0% до 1,7% (Maslej et al., 2025). По данным Международного доклада по безопасности ИИ, с 2025 г. значительная часть прироста способностей обеспечивается не увеличением моделей, а дообучением и вычислениями во время вывода; убывающая экономическая отдача может замедлить масштабирование (Bengio et al., 2026).Қанығудың алғашқы белгілері қазірдің өзінде байқалады. Жетекші модельдер сапасы бойынша жақындасып келеді: бір жыл ішінде Chatbot Arena рейтингіндегі бірінші және оныншы модельдер арасындағы алшақтық 11,9%-дан 5,4%-ға, ал ашық және жабық модельдер арасындағы алшақтық 8,0%-дан 1,7%-ға дейін қысқарды (Maslej et al., 2025). ЖИ қауіпсіздігі жөніндегі халықаралық баяндамаға сәйкес, 2025 жылдан бастап қабілеттер өсімінің едәуір бөлігі модельдерді үлкейту есебінен емес, қосымша оқыту мен шығару кезеңіндегі есептеулер есебінен қамтамасыз етілуде; кемімелі экономикалық қайтарым масштабтауды баяулатуы мүмкін (Bengio et al., 2026).

We interpret the shift to "reasoning" models and inference-time scaling as a classic jump to the next S-curve (Foster, 1986). A smaller model with additional inference-time compute can outperform a model 14 times larger (Snell et al., 2025). Reinforcement learning on reasoning tasks raised accuracy on the AIME 2024 benchmark from 15.6% to 77.9% (Guo et al., 2025). However, the new curve shifts costs from training to every individual query and does not remove the energy constraints of Section 2.3.Переход к «рассуждающим» моделям и масштабированию вывода мы трактуем как классический прыжок на следующую S-кривую (Foster, 1986). Меньшая модель с дополнительными вычислениями на выводе может превзойти модель в 14 раз больше (Snell et al., 2025). Обучение с подкреплением на задачах рассуждения подняло точность на тесте AIME 2024 с 15,6% до 77,9% (Guo et al., 2025). Однако новая кривая смещает затраты с обучения на каждый запрос и не отменяет энергетических ограничений раздела 2.3.«Пайымдаушы» модельдерге және шығару кезеңін масштабтауға көшуді біз келесі S-қисыққа классикалық секіріс ретінде түсіндіреміз (Foster, 1986). Шығару кезеңінде қосымша есептеулері бар кішірек модель 14 есе үлкен модельден асып түсе алады (Snell et al., 2025). Пайымдау міндеттерінде нығайту арқылы оқыту AIME 2024 тестіндегі дәлдікті 15,6%-дан 77,9%-ға дейін көтерді (Guo et al., 2025). Алайда жаңа қисық шығынды оқытудан әрбір сұранысқа ауыстырады және 2.3-бөлімдегі энергетикалық шектеулерді жоймайды.

Sutton's "bitter lesson" holds that general methods that leverage growing computation have always beaten methods that rely on domain knowledge (Sutton, 2019). We suggest that this lesson holds as long as computation becomes exponentially cheaper. Once the growth of available compute and energy slows, the balance will shift towards specialization and domain knowledge.«Горький урок» Саттона гласит, что общие методы, использующие растущие вычисления, всегда обыгрывали методы, опирающиеся на знания о предметной области (Sutton, 2019). Мы предполагаем, что этот урок верен, пока вычисления дешевеют экспоненциально. Когда рост доступных вычислений и энергии замедлится, баланс сместится к специализации и предметным знаниям.Саттонның «ащы сабағы» есептеулердің өсуін пайдаланатын жалпы әдістер пәндік білімге сүйенетін әдістерден әрдайым озып шыққанын айтады (Sutton, 2019). Біздің болжамымызша, бұл сабақ есептеулер экспоненциалды түрде арзандап тұрғанда ғана дұрыс. Қолжетімді есептеулер мен энергияның өсуі баяулағанда, теңгерім мамандану мен пәндік білімге қарай ығысады.

Testable prediction. If by 2030 models trained with a budget of the order of 10²⁹ FLOP show a qualitative increase in capability beyond the extrapolation of power laws, Thesis 1 should be considered refuted.Проверяемое предсказание. Если к 2030 г. модели, обученные с бюджетом порядка 10²⁹ FLOP, покажут качественный рост способностей сверх экстраполяции степенных законов, тезис 1 следует считать опровергнутым.Тексерілетін болжам. Егер 2030 жылға қарай шамамен 10²⁹ FLOP бюджетпен оқытылған модельдер дәрежелік заңдардың экстраполяциясынан асатын сапалық өсуді көрсетсе, 1-тезис теріске шығарылды деп есептелуі тиіс.

3. Specialization: From a Universal Model to an Ecosystem of Narrow Models3. Специализация: от универсальной модели к экосистеме узких моделей3. Мамандану: әмбебап модельден тар модельдер экожүйесіне

As the growth of general-purpose capabilities slows, competitive advantage passes to narrowly specialized models. At the same time, AI moves beyond the IT sector and becomes embedded in public administration, control, resource allocation, legislation, the economy, security and even the spiritual sphere.Когда рост универсальных способностей замедляется, конкурентное преимущество переходит к узкоспециализированным моделям. Одновременно ИИ выходит за пределы ИТ-отрасли и встраивается в государственное управление, контроль, распределение ресурсов, законодательство, хозяйство, безопасность и даже в духовную сферу.Әмбебап қабілеттердің өсуі баяулағанда, бәсекелестік артықшылық тар мамандандырылған модельдерге өтеді. Сонымен бірге ЖИ АТ саласының шегінен шығып, мемлекеттік басқаруға, бақылауға, ресурстарды бөлуге, заңнамаға, шаруашылыққа, қауіпсіздікке және тіпті рухани салаға енеді.

3.1. Why specialization is inevitable3.1. Почему специализация неизбежна3.1. Мамандану неліктен сөзсіз

Already today, the most significant scientific results of AI have been obtained by specialized models. AlphaFold was the first to predict protein structures routinely with atomic accuracy (Jumper et al., 2021). GraphCast produces a 10-day global weather forecast in under a minute and outperforms the operational ECMWF HRES system on 90% of 1,380 verification targets (Lam et al., 2023). Domain-specific language models in finance and medicine outperform general-purpose models of comparable size in their fields (Wu et al., 2023; Singhal et al., 2023).Уже сегодня наиболее весомые научные результаты ИИ получены специализированными моделями. AlphaFold впервые стал систематически предсказывать структуру белков с атомной точностью (Jumper et al., 2021). GraphCast строит 10-дневный глобальный прогноз погоды менее чем за минуту и превосходит оперативную систему ECMWF HRES на 90% из 1380 показателей (Lam et al., 2023). Предметные языковые модели в финансах и медицине превосходят универсальные модели сопоставимого размера в своих областях (Wu et al., 2023; Singhal et al., 2023).Бүгіннің өзінде ЖИ-дің ең салмақты ғылыми нәтижелері мамандандырылған модельдермен алынған. AlphaFold алғаш рет ақуыздардың құрылымын атомдық дәлдікпен жүйелі түрде болжай бастады (Jumper et al., 2021). GraphCast 10 күндік жаһандық ауа райы болжамын бір минуттан аз уақытта жасайды және 1380 көрсеткіштің 90%-ы бойынша ECMWF HRES жедел жүйесінен асып түседі (Lam et al., 2023). Қаржы мен медицинадағы пәндік тілдік модельдер өз салаларында көлемі салыстырмалы әмбебап модельдерден озады (Wu et al., 2023; Singhal et al., 2023).

Specialization makes it possible to substitute data quality for scale. The phi-1 model, with 1.3 billion parameters and trained on about 7 billion tokens of "textbook-quality" data, solved 50.6% of HumanEval problems (Gunasekar et al., 2023). Mixture-of-experts architectures implement specialization within a single network and speed up pre-training up to sevenfold at the same compute (Shazeer et al., 2017; Fedus et al., 2022). Knowledge distillation transfers the capabilities of a large model into a compact one (Hinton et al., 2015). For agentic systems it has already been proposed to use small language models by default, reserving large models for rare general-purpose tasks (Belcak et al., 2025).Специализация позволяет заменить масштаб качеством данных. Модель phi-1 с 1,3 млрд параметров, обученная примерно на 7 млрд токенов «учебного» качества, решила 50,6% задач HumanEval (Gunasekar et al., 2023). Архитектуры смеси экспертов реализуют специализацию внутри одной сети и ускоряют предобучение до 7 раз при тех же вычислениях (Shazeer et al., 2017; Fedus et al., 2022). Дистилляция знаний переносит способности большой модели в компактную (Hinton et al., 2015). Для агентных систем уже предлагается по умолчанию использовать малые языковые модели, оставляя большие лишь для редких универсальных задач (Belcak et al., 2025).Мамандану масштабты деректер сапасымен алмастыруға мүмкіндік береді. «Оқулық» сапасындағы шамамен 7 млрд токенде оқытылған 1,3 млрд параметрлі phi-1 моделі HumanEval міндеттерінің 50,6%-ын шешті (Gunasekar et al., 2023). Сарапшылар қоспасы архитектуралары бір желі ішінде мамандануды жүзеге асырады және сол есептеулермен алдын ала оқытуды 7 есеге дейін жеделдетеді (Shazeer et al., 2017; Fedus et al., 2022). Білімді дистилляциялау үлкен модельдің қабілеттерін ықшам модельге көшіреді (Hinton et al., 2015). Агенттік жүйелер үшін әдепкі бойынша шағын тілдік модельдерді пайдалану, ал үлкендерін тек сирек әмбебап міндеттерге қалдыру ұсынылып отыр (Belcak et al., 2025).

Economics reinforces this trend. Between November 2022 and October 2024, the cost of inference at GPT-3.5 level fell more than 280-fold, and leading models converged in quality (Maslej et al., 2025). The general-purpose model is becoming a commodity with shrinking margins, and value is shifting to domain data, integration and accountability for outcomes. Theoretically, this follows from the "no free lunch" theorems (Wolpert & Macready, 1997): for any fixed class of problems there will always be a specialized system that solves it more cheaply than a general-purpose one.Экономика усиливает эту тенденцию. С ноября 2022 по октябрь 2024 г. стоимость вывода на уровне GPT-3.5 упала более чем в 280 раз, а ведущие модели сблизились по качеству (Maslej et al., 2025). Универсальная модель превращается в товар с падающей маржой, а ценность переходит к предметным данным, интеграции и ответственности за результат. Теоретически это следует из теорем «об отсутствии бесплатного обеда» (Wolpert & Macready, 1997): для фиксированного класса задач всегда найдётся специализированная система, которая решает его дешевле универсальной.Экономика бұл үрдісті күшейтеді. 2022 жылдың қарашасынан 2024 жылдың қазанына дейін GPT-3.5 деңгейіндегі шығару құны 280 еседен астам төмендеді, ал жетекші модельдер сапасы бойынша жақындасты (Maslej et al., 2025). Әмбебап модель маржасы азаятын тауарға айналады, ал құндылық пәндік деректерге, интеграцияға және нәтиже үшін жауапкершілікке ауысады. Теориялық тұрғыдан бұл «тегін түскі ас болмайды» теоремаларынан туындайды (Wolpert & Macready, 1997): міндеттердің кез келген тұрақты класы үшін оны әмбебап жүйеден арзанырақ шешетін мамандандырылған жүйе әрқашан табылады.

We expect a two-tier structure. A small number of foundation models (Bommasani et al., 2021) will become infrastructure, like the electricity grid. On top of them, a multitude of specialized models will grow — for each industry, process and device.Мы ожидаем двухуровневую структуру. Небольшое число фундаментальных моделей (Bommasani et al., 2021) станет инфраструктурой, как электросети. Над ними вырастет множество специализированных моделей — для каждой отрасли, процесса и устройства.Біз екі деңгейлі құрылымды күтеміз. Іргелі модельдердің шағын саны (Bommasani et al., 2021) электр желілері сияқты инфрақұрылымға айналады. Олардың үстінде әр сала, процесс және құрылғы үшін көптеген мамандандырылған модельдер өсіп шығады.

3.2. Penetration into every sphere3.2. Проникновение во все сферы3.2. Барлық салаға ену

AI is already applied in all the spheres named in Thesis 2, including those traditionally considered exclusively human:ИИ уже применяется во всех сферах, названных в тезисе 2, включая те, что традиционно считались исключительно человеческими:ЖИ 2-тезисте аталған барлық салада, соның ішінде дәстүрлі түрде тек адамға тән деп саналған салаларда да қолданылуда:

SphereСфераСалаCharacteristic exampleХарактерный примерСипатты мысалSourceИсточникДереккөз
Public administrationГосударственное управлениеМемлекеттік басқаруBy 2020, 64 of 142 US federal agencies (45%) had used AI in 157 use cases64 из 142 федеральных ведомств США (45%) уже к 2020 г. использовали ИИ в 157 сценариях2020 жылға қарай АҚШ-тың 142 федералдық ведомствосының 64-і (45%) ЖИ-ді 157 сценарийде қолданғанEngstrom et al., 2020; Coglianese & Lehr, 2017Engstrom et al., 2020; Coglianese & Lehr, 2017Engstrom et al., 2020; Coglianese & Lehr, 2017
LegislationЗаконодательствоЗаңнамаIn 2023 the Porto Alegre city council unanimously passed an ordinance whose text was written by ChatGPT; GPT-4 passed the US Uniform Bar ExamВ 2023 г. горсовет Порту-Алегри единогласно принял постановление, текст которого написал ChatGPT; GPT-4 сдал единый адвокатский экзамен США2023 жылы Порту-Алегри қалалық кеңесі мәтінін ChatGPT жазған қаулыны бірауыздан қабылдады; GPT-4 АҚШ-тың бірыңғай адвокаттық емтиханын тапсырдыJeantet & Savarese, 2023; Katz et al., 2024Jeantet & Savarese, 2023; Katz et al., 2024Jeantet & Savarese, 2023; Katz et al., 2024
Resource allocationРаспределение ресурсовРесурстарды бөлуReinforcement learning designs tax policies that improve the equality–productivity trade-off in simulated economiesОбучение с подкреплением подбирает налоговую политику, улучшающую баланс равенства и производительности в модельных экономикахНығайту арқылы оқыту модельдік экономикаларда теңдік пен өнімділік арасындағы теңгерімді жақсартатын салық саясатын іріктейдіZheng et al., 2022Zheng et al., 2022Zheng et al., 2022
Control of physical systemsКонтроль физических системФизикалық жүйелерді бақылауA neural controller commands all magnetic coils of the TCV tokamak and shapes the plasma as specifiedНейросетевой регулятор управляет всеми магнитными катушками токамака TCV и формирует плазму заданной формыНейрожелілік реттегіш TCV токамагының барлық магниттік катушкаларын басқарып, плазмаға берілген пішін бередіDegrave et al., 2022Degrave et al., 2022Degrave et al., 2022
Economy and healthcareХозяйство и здравоохранениеШаруашылық және денсаулық сақтауThe FDA approved 223 AI-enabled medical devices in 2023, compared with 6 in 2015FDA одобрило 223 медицинских изделия с ИИ в 2023 г. против 6 в 2015 г.FDA 2023 жылы ЖИ қолданылған 223 медициналық бұйымды мақұлдады (2015 жылы — 6)Maslej et al., 2025; Topol, 2019Maslej et al., 2025; Topol, 2019Maslej et al., 2025; Topol, 2019
SecurityБезопасностьҚауіпсіздікAI changes the threat landscape in the digital, physical and political domains — both as a means of defence and as a means of attackИИ меняет ландшафт угроз в цифровой, физической и политической сферах — как средство защиты и как средство нападенияЖИ цифрлық, физикалық және саяси салалардағы қатерлер ландшафтын өзгертеді — қорғаныс құралы ретінде де, шабуыл құралы ретінде деBrundage et al., 2018Brundage et al., 2018Brundage et al., 2018
Spiritual sphereДуховная сфераРухани салаThe robot preacher Mindar (Kyoto), the blessing robot BlessU-2 (Wittenberg), a church service written by ChatGPT (2023)Робот-проповедник Mindar (Киото), благословляющий робот BlessU-2 (Виттенберг), богослужение, написанное ChatGPT (2023)Mindar робот-уағызшысы (Киото), BlessU-2 бата беретін роботы (Виттенберг), ChatGPT жазған құлшылық рәсімі (2023)Jackson et al., 2023; Löffler et al., 2021; Simmerlein, 2025Jackson et al., 2023; Löffler et al., 2021; Simmerlein, 2025Jackson et al., 2023; Löffler et al., 2021; Simmerlein, 2025

Growth is especially notable in legislation. In 2024, AI was mentioned 1,889 times in the legislative proceedings of 75 countries, more than nine times as often as in 2016; US federal agencies issued 59 AI-related regulations (Maslej et al., 2025). The European Commission is studying the integration of language models into its LEOS legislative drafting system (Fitsilis & Mikros, 2024). However, general-purpose models hallucinate on at least 58% of verifiable legal questions (Dahl et al., 2024). Specialized legal tools reduce this figure to 17–33%, but not to zero (Magesh et al., 2025). This is a direct argument for Thesis 2: in high-stakes domains, only a specialized and verifiable system is fit for purpose.В сфере законодательства рост особенно заметен. В 2024 г. ИИ упоминался в законодательных слушаниях 75 стран 1889 раз, что более чем вдевятеро больше, чем в 2016 г.; ведомства США выпустили 59 нормативных актов об ИИ (Maslej et al., 2025). Европейская комиссия изучает встраивание языковых моделей в систему подготовки законопроектов LEOS (Fitsilis & Mikros, 2024). Однако универсальные модели галлюцинируют не менее чем в 58% проверяемых юридических вопросов (Dahl et al., 2024). Специализированные юридические инструменты снижают этот показатель до 17–33%, но не до нуля (Magesh et al., 2025). Это прямой аргумент в пользу тезиса 2: в ответственных областях пригодна только специализированная и проверяемая система.Заңнама саласында өсу ерекше байқалады. 2024 жылы ЖИ 75 елдің заң шығару тыңдауларында 1889 рет аталды, бұл 2016 жылмен салыстырғанда тоғыз еседен астам көп; АҚШ ведомстволары ЖИ туралы 59 нормативтік акт шығарды (Maslej et al., 2025). Еуропалық комиссия тілдік модельдерді LEOS заң жобаларын дайындау жүйесіне енгізуді зерттеуде (Fitsilis & Mikros, 2024). Алайда әмбебап модельдер тексерілетін құқықтық сұрақтардың кемінде 58%-ында галлюцинация жасайды (Dahl et al., 2024). Мамандандырылған құқықтық құралдар бұл көрсеткішті 17–33%-ға дейін төмендетеді, бірақ нөлге дейін емес (Magesh et al., 2025). Бұл 2-тезистің пайдасына тікелей уәж: жауапты салаларда тек мамандандырылған және тексерілетін жүйе жарамды.

Regulation itself pushes towards specialization. The EU Artificial Intelligence Act classifies systems not by technology but by area of application (Regulation (EU) 2024/1689, 2024). Eight areas are classified as high-risk, including critical infrastructure, law enforcement, the administration of justice and democratic processes. A model with a clearly delimited scope of application is easier to certify than a general-purpose one. The "society-in-the-loop" principle requires that stakeholder values be embedded in algorithmic governance (Rahwan, 2018); this is achievable for a narrow task but hardly for a "model of everything".Регулирование само по себе подталкивает к специализации. Регламент ЕС об искусственном интеллекте классифицирует системы не по технологии, а по области применения (Regulation (EU) 2024/1689, 2024). К высокому риску отнесены восемь областей, включая критическую инфраструктуру, правоохранительную деятельность, правосудие и демократические процедуры. Сертифицировать модель с чётко очерченной областью применения проще, чем универсальную. Принцип «общество в контуре управления» (society-in-the-loop) требует, чтобы ценности заинтересованных сторон были встроены в алгоритмическое управление (Rahwan, 2018); для узкой задачи это реализуемо, для «модели всего» — едва ли.Реттеудің өзі мамандануға итермелейді. ЕО-ның жасанды интеллект туралы регламенті жүйелерді технология бойынша емес, қолдану саласы бойынша жіктейді (Regulation (EU) 2024/1689, 2024). Жоғары тәуекелге сегіз сала жатқызылған, соның ішінде маңызды инфрақұрылым, құқық қорғау қызметі, сот төрелігі және демократиялық рәсімдер. Қолдану саласы нақты белгіленген модельді сертификаттау әмбебап модельге қарағанда оңай. «Басқару контурындағы қоғам» (society-in-the-loop) қағидаты мүдделі тараптардың құндылықтары алгоритмдік басқаруға енгізілуін талап етеді (Rahwan, 2018); тар міндет үшін бұл жүзеге асырылады, ал «бәріне арналған модель» үшін — екіталай.

The spiritual sphere is instructive because it reveals both the possibilities and the limits of penetration. In three studies (Japan, Singapore, the USA), robot preachers were perceived as less credible, which reduced religious commitment and donations (Jackson et al., 2023). Religious institutions respond with their own normative frameworks. By 2024 the Rome Call for AI Ethics (2020) had been signed by representatives of the Abrahamic religions and of eleven other world religions (Pontifical Academy for Life, 2020). The Vatican note Antiqua et nova (2025) states that the intelligence of AI is functional and that moral responsibility remains with humans (Dicastery for the Doctrine of the Faith, 2025). In other words, even here AI enters as a specialized tool with a delimited role rather than as a universal substitute for the human being.Духовная сфера показательна тем, что демонстрирует и возможности, и границы проникновения. В трёх исследованиях (Япония, Сингапур, США) роботы-проповедники воспринимались как менее заслуживающие доверия, что снижало религиозную вовлечённость и пожертвования (Jackson et al., 2023). Религиозные институты отвечают собственными нормативными рамками. «Римский призыв к этике ИИ» (2020) к 2024 г. подписали представители авраамических религий и ещё одиннадцати мировых религий (Pontifical Academy for Life, 2020). Ватиканская нота Antiqua et nova (2025) фиксирует, что интеллект ИИ функционален и моральная ответственность остаётся за человеком (Dicastery for the Doctrine of the Faith, 2025). Иными словами, даже здесь ИИ входит как специализированный инструмент с очерченной ролью, а не как универсальный заменитель человека.Рухани сала енудің мүмкіндіктерін де, шекараларын да көрсететіндіктен ерекше назар аударарлық. Үш зерттеуде (Жапония, Сингапур, АҚШ) робот-уағызшылар сенімге азырақ лайық ретінде қабылданды, бұл діни белсенділік пен қайырымдылықты төмендетті (Jackson et al., 2023). Діни институттар өздерінің нормативтік шеңберлерімен жауап береді. «ЖИ этикасына Рим үндеуіне» (2020) 2024 жылға қарай авраамдық діндердің және тағы он бір әлемдік діннің өкілдері қол қойды (Pontifical Academy for Life, 2020). Ватиканның Antiqua et nova (2025) ноталық құжаты ЖИ интеллектісінің функционалдық сипатта екенін және моральдық жауапкершілік адамда қалатынын белгілейді (Dicastery for the Doctrine of the Faith, 2025). Басқаша айтқанда, мұнда да ЖИ адамның әмбебап алмастырушысы ретінде емес, рөлі белгіленген мамандандырылған құрал ретінде енеді.

Testable prediction. By 2030, most AI queries in the corporate and public sectors will be served by specialized or small models rather than by the largest general-purpose ones. The opposite outcome would refute Thesis 2.Проверяемое предсказание. К 2030 г. большинство запросов к ИИ в корпоративном и государственном секторах будет обслуживаться специализированными или малыми моделями, а не крупнейшими универсальными. Обратная картина опровергла бы тезис 2.Тексерілетін болжам. 2030 жылға қарай корпоративтік және мемлекеттік секторлардағы ЖИ-ге сұраныстардың көпшілігіне ең ірі әмбебап модельдер емес, мамандандырылған немесе шағын модельдер қызмет көрсететін болады. Керісінше көрініс 2-тезисті теріске шығарар еді.

4. The Disappearance of the Intermediate Layer: From Programs to Neural Control4. Исчезновение промежуточного слоя: от программ к нейронному управлению4. Аралық қабаттың жойылуы: бағдарламалардан нейрондық басқаруға

Programming languages, operating systems and drivers arose as a translator between human intent and the machine. When the machine itself understands intent, and the neural network itself becomes the executable "program", the translator loses its function. Websites and search engines belong to the same layer (Section 4.4). This is the most radical of our theses, and we state it as a long-term hypothesis.Языки программирования, операционные системы и драйверы возникли как переводчик между намерением человека и машиной. Когда машина сама понимает намерение, а нейросеть сама становится исполняемой «программой», переводчик теряет свою функцию. К этому же слою относятся веб-сайты и поисковые системы (раздел 4.4). Это самый радикальный из наших тезисов, и мы формулируем его как долгосрочную гипотезу.Бағдарламалау тілдері, операциялық жүйелер мен драйверлер адамның ниеті мен машина арасындағы аудармашы ретінде пайда болды. Машина ниетті өзі түсінгенде, ал нейрондық желінің өзі орындалатын «бағдарламаға» айналғанда, аудармашы өз функциясын жоғалтады. Осы қабатқа веб-сайттар мен іздеу жүйелері де жатады (4.4-бөлім). Бұл біздің тезистеріміздің ең радикалдысы, сондықтан біз оны ұзақ мерзімді гипотеза ретінде тұжырымдаймыз.

4.1. Programming as a historical intermediary4.1. Программирование как исторический посредник4.1. Бағдарламалау тарихи делдал ретінде

The history of programming is a steady rise in the level of abstraction: machine code, assembly language, high-level languages, frameworks. Each step brought the way a task is specified closer to natural language. The logical end point of this sequence is the specification of intent without any formal language at all. This is how the concepts of "the end of programming" (Welsh, 2023) and "Software 2.0" — in which neural-network weights found by optimization replace hand-written code (Karpathy, 2017) — are formulated.История программирования — это последовательное повышение уровня абстракции: машинные коды, ассемблер, языки высокого уровня, фреймворки. Каждый шаг приближал способ задания задачи к естественному языку. Логическая конечная точка этого ряда — задание намерения без какого-либо формального языка. Именно так формулируется концепция «конца программирования» (Welsh, 2023) и «ПО 2.0», где веса нейросети, найденные оптимизацией, заменяют написанный вручную код (Karpathy, 2017).Бағдарламалау тарихы — абстракция деңгейінің біртіндеп көтерілуі: машиналық кодтар, ассемблер, жоғары деңгейлі тілдер, фреймворктер. Әр қадам міндетті тапсыру тәсілін табиғи тілге жақындатты. Бұл қатардың логикалық соңғы нүктесі — ниетті ешқандай формалды тілсіз тапсыру. Дәл осылай «бағдарламалаудың соңы» (Welsh, 2023) және «БЖ 2.0» тұжырымдамалары тұжырымдалады; соңғысында оңтайландыру арқылы табылған нейрондық желі салмақтары қолмен жазылған кодты алмастырады (Karpathy, 2017).

Automated code writing is advancing faster than any other application of AI. In 2021 Codex solved 28.8% of HumanEval problems on the first attempt (Chen et al., 2021), and AlphaCode reached the upper half of participants in Codeforces competitions (Li et al., 2022). On SWE-bench, built from real GitHub issues, the best model of 2023 resolved only 1.96% of tasks (Jimenez et al., 2024). By 2026, developers report scores above 90% on SWE-bench Verified (Anthropic, 2026), although the validity of this benchmark is itself now being questioned (OpenAI, 2026). In industry, Google reported that AI generated more than a quarter of new code in October 2024 and about 75% in April 2026 (Pichai, 2024, 2026). These are company self-reports without a public methodology, but the direction of travel is clear.Автоматизация написания кода развивается быстрее любого другого приложения ИИ. В 2021 г. Codex решал 28,8% задач HumanEval с первой попытки (Chen et al., 2021), а AlphaCode вошёл в верхнюю половину участников соревнований Codeforces (Li et al., 2022). На тесте SWE-bench, составленном из реальных задач GitHub, лучшая модель 2023 г. решала лишь 1,96% задач (Jimenez et al., 2024). К 2026 г. разработчики сообщают о результатах выше 90% на версии SWE-bench Verified (Anthropic, 2026), хотя сама валидность этого теста уже оспаривается (OpenAI, 2026). В промышленности Google сообщала, что ИИ генерирует более четверти нового кода в октябре 2024 г. и около 75% в апреле 2026 г. (Pichai, 2024, 2026). Это самооценки компаний без публичной методики, но направление движения очевидно.Код жазуды автоматтандыру ЖИ-дің кез келген басқа қолданысынан жылдам дамуда. 2021 жылы Codex HumanEval міндеттерінің 28,8%-ын бірінші әрекеттен шешті (Chen et al., 2021), ал AlphaCode Codeforces жарыстары қатысушыларының жоғарғы жартысына кірді (Li et al., 2022). GitHub-тың нақты міндеттерінен құрастырылған SWE-bench тестінде 2023 жылғы ең үздік модель міндеттердің тек 1,96%-ын шешті (Jimenez et al., 2024). 2026 жылға қарай әзірлеушілер SWE-bench Verified нұсқасында 90%-дан жоғары нәтижелер туралы хабарлайды (Anthropic, 2026), дегенмен бұл тесттің валидтілігінің өзі даулы болып отыр (OpenAI, 2026). Өнеркәсіпте Google 2024 жылдың қазанында жаңа кодтың төрттен бірінен астамын, ал 2026 жылдың сәуірінде шамамен 75%-ын ЖИ генерациялайтынын хабарлады (Pichai, 2024, 2026). Бұл — жария әдістемесі жоқ компаниялардың өзіндік бағалаулары, бірақ қозғалыс бағыты айқын.

It is particularly significant that AI is already improving low-level algorithms, including the infrastructure of AI itself. Sorting routines discovered by AlphaDev have been incorporated into the standard LLVM libc++ library (Mankowitz et al., 2023). AlphaTensor and FunSearch discovered new matrix multiplication algorithms and combinatorial constructions (Fawzi et al., 2022; Romera-Paredes et al., 2024). AlphaEvolve found an algorithm for multiplying 4×4 complex matrices with 48 multiplications — the first improvement on Strassen's result in 56 years — and sped up one of the kernels used to train the Gemini model by 23% (Novikov et al., 2025). Thus even the development and maintenance of AI itself is gradually passing to AI.Особенно важно, что ИИ уже улучшает низкоуровневые алгоритмы, включая инфраструктуру самого ИИ. Процедуры сортировки, найденные AlphaDev, включены в стандартную библиотеку LLVM libc++ (Mankowitz et al., 2023). AlphaTensor и FunSearch нашли новые алгоритмы умножения матриц и комбинаторные конструкции (Fawzi et al., 2022; Romera-Paredes et al., 2024). AlphaEvolve нашёл алгоритм умножения комплексных матриц 4×4 за 48 умножений — первое улучшение результата Штрассена за 56 лет — и ускорил одно из ядер обучения модели Gemini на 23% (Novikov et al., 2025). Таким образом, даже разработка и поддержка самого ИИ постепенно переходят к ИИ.Әсіресе маңыздысы — ЖИ төменгі деңгейлі алгоритмдерді, соның ішінде ЖИ-дің өз инфрақұрылымын жетілдіріп отыр. AlphaDev тапқан сұрыптау процедуралары LLVM libc++ стандартты кітапханасына енгізілді (Mankowitz et al., 2023). AlphaTensor мен FunSearch матрицаларды көбейтудің жаңа алгоритмдері мен комбинаторлық конструкцияларды тапты (Fawzi et al., 2022; Romera-Paredes et al., 2024). AlphaEvolve 4×4 кешенді матрицаларды 48 көбейтумен көбейту алгоритмін тапты — бұл Штрассен нәтижесінің 56 жылдағы алғашқы жақсаруы — және Gemini моделін оқыту ядроларының бірін 23%-ға жеделдетті (Novikov et al., 2025). Осылайша, ЖИ-дің өзін әзірлеу мен қолдау да біртіндеп ЖИ-ге өтуде.

4.2. The neural network as an execution environment4.2. Нейросеть как исполняемая среда4.2. Нейрондық желі орындалатын орта ретінде

There are no theoretical obstacles to such a transition: recurrent neural networks are computationally universal and can simulate any Turing machine (Siegelmann & Sontag, 1995). The differentiable neural computer learns by itself to read and write an external memory and solves graph problems (Graves et al., 2016).Теоретических препятствий для такого перехода нет: рекуррентные нейронные сети вычислительно универсальны и могут моделировать любую машину Тьюринга (Siegelmann & Sontag, 1995). Дифференцируемый нейронный компьютер сам обучается читать и писать внешнюю память и решает задачи на графах (Graves et al., 2016).Мұндай көшуге теориялық кедергілер жоқ: рекуррентті нейрондық желілер есептеу тұрғысынан әмбебап және кез келген Тьюринг машинасын модельдей алады (Siegelmann & Sontag, 1995). Дифференциалданатын нейрондық компьютер сыртқы жадқа оқу мен жазуды өзі үйренеді және графтардағы міндеттерді шешеді (Graves et al., 2016).

In practice, neural networks are already displacing classical components of system software. Learned indexes are up to 70% faster than cache-optimized B-trees and require an order of magnitude less memory (Kraska et al., 2018). A small neural network inside the operating-system kernel predicts slow SSD I/O operations with 87–97% accuracy and reduces average latency by 9.6–79.6% (Hao et al., 2020). In cars and robots, a single network maps camera pixels directly to steering commands and actuator torques, without a hand-crafted processing pipeline (Bojarski et al., 2016; Levine et al., 2016).На практике нейросети уже вытесняют классические компоненты системного ПО. Обученные индексы работают до 70% быстрее оптимизированных B-деревьев и требуют на порядок меньше памяти (Kraska et al., 2018). Небольшая нейросеть в ядре ОС предсказывает медленные операции ввода-вывода SSD с точностью 87–97% и снижает среднюю задержку на 9,6–79,6% (Hao et al., 2020). В автомобилях и роботах единая сеть преобразует пиксели камеры непосредственно в команды руля и моменты приводов, без рукописного конвейера обработки (Bojarski et al., 2016; Levine et al., 2016).Іс жүзінде нейрондық желілер жүйелік бағдарламалық жасақтаманың классикалық компоненттерін ығыстырып жатыр. Оқытылған индекстер оңтайландырылған B-ағаштардан 70%-ға дейін жылдам жұмыс істейді және бір реттік деңгейге аз жад қажет етеді (Kraska et al., 2018). ОЖ ядросындағы шағын нейрондық желі SSD-дің баяу енгізу-шығару операцияларын 87–97% дәлдікпен болжайды және орташа кідірісті 9,6–79,6%-ға азайтады (Hao et al., 2020). Автокөліктер мен роботтарда бір желі камераның пикселдерін қолмен жазылған өңдеу конвейерінсіз тікелей рульдік командаларға және жетектердің моменттеріне түрлендіреді (Bojarski et al., 2016; Levine et al., 2016).

Moreover, a neural network can replace a program entirely. GameNGen runs the game DOOM entirely inside a diffusion model at 20 frames per second, without a game engine (Valevski et al., 2025). NeuralOS generates the graphical interface of the Ubuntu operating system, including launching applications, directly from mouse and keyboard input (Rivard et al., 2026). The "language model as an operating system" concepts treat the model as the kernel, the context as memory, tools as peripherals and applications as agents programmed in natural language (Packer et al., 2023; Ge et al., 2023).Более того, нейросеть способна заменить программу целиком. GameNGen исполняет игру DOOM полностью внутри диффузионной модели со скоростью 20 кадров в секунду, без игрового движка (Valevski et al., 2025). NeuralOS генерирует графический интерфейс ОС Ubuntu, включая запуск приложений, непосредственно из сигналов мыши и клавиатуры (Rivard et al., 2026). Концепции «языковая модель как ОС» рассматривают модель как ядро, контекст как память, инструменты как периферию, а приложения — как агентов, программируемых на естественном языке (Packer et al., 2023; Ge et al., 2023).Оның үстіне нейрондық желі бағдарламаны толығымен алмастыра алады. GameNGen DOOM ойынын ойын қозғалтқышынсыз, толығымен диффузиялық модель ішінде секундына 20 кадр жылдамдықпен орындайды (Valevski et al., 2025). NeuralOS Ubuntu ОЖ-ның графикалық интерфейсін, соның ішінде қосымшаларды іске қосуды, тінтуір мен пернетақта сигналдарынан тікелей генерациялайды (Rivard et al., 2026). «Тілдік модель ОЖ ретінде» тұжырымдамалары модельді ядро, контекстті жад, құралдарды перифериялық құрылғылар, ал қосымшаларды табиғи тілде бағдарламаланатын агенттер ретінде қарастырады (Packer et al., 2023; Ge et al., 2023).

4.3. The trajectory of transition4.3. Траектория перехода4.3. Көшу траекториясы

We distinguish three phases, which will arrive at different times in different industries:Мы выделяем три фазы, которые в разных отраслях наступят в разное время:Біз әртүрлі салаларда әртүрлі уақытта басталатын үш кезеңді бөліп көрсетеміз:

  1. Assisted programming (today). Humans write code with the help of AI and are responsible for it. Programming languages, operating systems and drivers remain in their current form.Ассистированное программирование (сегодня). Человек пишет код с помощью ИИ и отвечает за него. Языки программирования, ОС и драйверы сохраняются в прежнем виде.Көмекші бағдарламалау (бүгін). Адам кодты ЖИ көмегімен жазады және ол үшін жауап береді. Бағдарламалау тілдері, ОЖ мен драйверлер бұрынғы күйінде сақталады.
  2. Code as the machine's internal representation. AI writes and maintains code itself; humans set goals and verify results. Code becomes what assembly language is today: it exists, but almost nobody writes it by hand. A precursor of this phase is robots that write their own control programs from natural-language commands (Liang et al., 2023).Код как внутреннее представление машины. ИИ пишет и сопровождает код сам; человек задаёт цели и проверяет результат. Код превращается в то, чем сегодня является ассемблер: он существует, но его почти никто не пишет вручную. Предвестник этой фазы — роботы, которые сами пишут управляющие программы по команде на естественном языке (Liang et al., 2023).Код машинаның ішкі көрінісі ретінде. ЖИ кодты өзі жазады және сүйемелдейді; адам мақсаттарды қойып, нәтижені тексереді. Код бүгінгі ассемблер сияқты болады: ол бар, бірақ оны қолмен ешкім дерлік жазбайды. Бұл кезеңнің алғышарты — табиғи тілдегі пәрмен бойынша басқару бағдарламаларын өздері жазатын роботтар (Liang et al., 2023).
  3. Neural control. Neural systems map intent directly onto machine behaviour. The functions of application programs, operating systems and drivers are absorbed into model weights and hardware architecture (Section 5).Нейронное управление. Нейронные системы напрямую отображают намерение в поведение машины. Функции прикладных программ, ОС и драйверов поглощаются весами моделей и аппаратной архитектурой (раздел 5).Нейрондық басқару. Нейрондық жүйелер ниетті машинаның мінез-құлқына тікелей бейнелейді. Қолданбалы бағдарламалардың, ОЖ мен драйверлердің функцияларын модельдердің салмақтары мен аппараттық архитектура сіңіреді (5-бөлім).

The transition will not be linear. A controlled experiment in 2023 showed a 55.8% speed-up in development (Peng et al., 2023). A randomized trial in 2025 on mature projects, by contrast, found that experienced developers were 19% slower (Becker et al., 2025). About 40% of generated programs in security-relevant scenarios contained vulnerabilities (Pearce et al., 2022). These findings do not refute the direction, but they show that the second phase will require new verification tools (Section 7).Переход не будет линейным. Контролируемое исследование 2023 г. показало ускорение разработки на 55,8% (Peng et al., 2023). Рандомизированное исследование 2025 г. на зрелых проектах, напротив, зафиксировало замедление опытных разработчиков на 19% (Becker et al., 2025). Примерно 40% сгенерированных программ в критичных сценариях содержали уязвимости (Pearce et al., 2022). Эти данные не опровергают направление, но показывают, что вторая фаза потребует новых средств верификации (раздел 7).Көшу сызықтық болмайды. 2023 жылғы бақыланатын зерттеу әзірлеудің 55,8%-ға жеделдегенін көрсетті (Peng et al., 2023). Ал 2025 жылғы жетілген жобалардағы рандомизацияланған зерттеу, керісінше, тәжірибелі әзірлеушілердің 19%-ға баяулағанын тіркеді (Becker et al., 2025). Қауіпсіздік тұрғысынан маңызды сценарийлерде генерацияланған бағдарламалардың шамамен 40%-ында осалдықтар болды (Pearce et al., 2022). Бұл деректер бағытты теріске шығармайды, бірақ екінші кезең верификацияның жаңа құралдарын талап ететінін көрсетеді (7-бөлім).

Testable prediction. By 2035, the share of production code written by hand by humans at leading technology companies will fall below 10%. Mass-produced devices will appear in which control is implemented by a neural network without a conventional operating system and drivers. The absence of both developments would weaken Thesis 3.Проверяемое предсказание. К 2035 г. доля промышленного кода, написанного человеком вручную, в ведущих технологических компаниях опустится ниже 10%. Появятся серийные устройства, в которых управление реализовано нейронной сетью без традиционной ОС и драйверов. Отсутствие обоих явлений ослабит тезис 3.Тексерілетін болжам. 2035 жылға қарай жетекші технологиялық компанияларда адам қолмен жазған өнеркәсіптік кодтың үлесі 10%-дан төмен түседі. Басқаруы дәстүрлі ОЖ мен драйверлерсіз нейрондық желі арқылы жүзеге асырылатын сериялық құрылғылар пайда болады. Екі құбылыстың да болмауы 3-тезисті әлсіретеді.

4.4. An Internet without websites and a computer without programs4.4. Интернет без сайтов и компьютер без программ4.4. Сайтсыз Интернет және бағдарламасыз компьютер

The same process of absorption will affect the Internet and the personal computer itself. Websites, search engines and personal pages are the same kind of intermediate layer between human intent and information or services as programming languages are between intent and the machine. When an AI assistant itself finds and compares information, gives an answer and carries out an action, this layer is no longer needed.Тот же процесс поглощения затронет Интернет и сам персональный компьютер. Веб-сайты, поисковые системы и личные страницы — такой же промежуточный слой между намерением человека и информацией или услугой, как языки программирования — между намерением и машиной. Когда ИИ-ассистент сам находит и сопоставляет сведения, даёт ответ и выполняет действие, этот слой становится не нужен.Сіңірудің дәл осы процесі Интернетке де, дербес компьютердің өзіне де әсер етеді. Веб-сайттар, іздеу жүйелері және жеке парақшалар — бағдарламалау тілдері ниет пен машина арасында тұрғаны сияқты, адамның ниеті мен ақпарат немесе қызмет арасындағы дәл сондай аралық қабат. ЖИ-ассистент мәліметтерді өзі тауып, салыстырып, жауап беріп, әрекетті орындағанда, бұл қабат қажетсіз болып қалады.

The shift is already measurable. When Google shows an AI summary, users click on result links in 8% of visits compared with 15% without one, and on links inside the summary in only 1% (Chapekis & Lieb, 2025). Human pageviews of Wikipedia in 2025 fell by about 8% compared with 2024; the Wikimedia Foundation attributes this in part to search engines answering questions directly with generative AI (Miller, 2025). Activity on Stack Overflow fell by about 25% within six months of the release of ChatGPT (del Rio-Chanona et al., 2024). As early as 2024, Gartner predicted a 25% drop in traditional search volume by 2026 (Gartner, 2024). In 2024, automated traffic exceeded human traffic for the first time in a decade, accounting for 51% of all web traffic (Imperva, 2025). AI crawlers take content while returning almost no visitors: in July 2025 there were between 195 and more than 38,000 crawler requests per referral to a site, depending on the platform (Tomé, 2025). Meanwhile, by October 2025 more than 800 million people were using ChatGPT every week (Bellan, 2025), and 15% of people under 25 were getting news from AI chatbots weekly (Newman et al., 2025).Сдвиг уже измерим. Когда Google показывает ИИ-сводку, пользователи переходят по ссылкам в 8% случаев против 15% без неё, а по ссылкам внутри сводки — лишь в 1% (Chapekis & Lieb, 2025). Человеческие просмотры Википедии в 2025 г. сократились примерно на 8% по сравнению с 2024 г.; Фонд Викимедиа связывает это в том числе с тем, что поисковые системы сами отвечают на вопросы с помощью генеративного ИИ (Miller, 2025). Активность на Stack Overflow за первые полгода после появления ChatGPT упала примерно на 25% (del Rio-Chanona et al., 2024). Gartner ещё в 2024 г. прогнозировала сокращение объёма традиционного поиска на 25% к 2026 г. (Gartner, 2024). В 2024 г. автоматизированный трафик впервые за десятилетие превысил человеческий и составил 51% всего веб-трафика (Imperva, 2025). ИИ-краулеры забирают контент, почти не возвращая посетителей: в июле 2025 г. на один переход на сайт приходилось от 195 до более чем 38 тыс. обращений краулера, в зависимости от платформы (Tomé, 2025). Одновременно к октябрю 2025 г. ChatGPT еженедельно пользовались более 800 млн человек (Bellan, 2025), а среди молодёжи до 25 лет 15% еженедельно получали новости через ИИ-чат-ботов (Newman et al., 2025).Ығысу қазірдің өзінде өлшенеді. Google ЖИ-түйіндемесін көрсеткенде, пайдаланушылар сілтемелерге түйіндемесіз жағдайдағы 15%-бен салыстырғанда 8% жағдайда ғана өтеді, ал түйіндеме ішіндегі сілтемелерге — тек 1% жағдайда (Chapekis & Lieb, 2025). 2025 жылы Википедияны адамдардың қарауы 2024 жылмен салыстырғанда шамамен 8%-ға қысқарды; Викимедиа қоры мұны ішінара іздеу жүйелерінің сұрақтарға генеративтік ЖИ көмегімен өздері жауап беруімен байланыстырады (Miller, 2025). ChatGPT пайда болғаннан кейінгі алғашқы жарты жылда Stack Overflow-дағы белсенділік шамамен 25%-ға төмендеді (del Rio-Chanona et al., 2024). Gartner 2024 жылы-ақ дәстүрлі іздеу көлемі 2026 жылға қарай 25%-ға қысқарады деп болжаған (Gartner, 2024). 2024 жылы автоматтандырылған трафик соңғы он жылда алғаш рет адам трафигінен асып, барлық веб-трафиктің 51%-ын құрады (Imperva, 2025). ЖИ-краулерлер мазмұнды алады, бірақ келушілерді іс жүзінде қайтармайды: 2025 жылдың шілдесінде сайтқа бір өтуге платформаға байланысты краулердің 195-тен 38 мыңнан астамға дейін сұранысы келді (Tomé, 2025). Сонымен бір мезгілде 2025 жылдың қазанына қарай ChatGPT-ді апта сайын 800 млн-нан астам адам пайдаланды (Bellan, 2025), ал 25 жасқа дейінгі жастардың 15%-ы жаңалықтарды апта сайын ЖИ-чат-боттар арқылы алды (Newman et al., 2025).

An organization's representative website is turning into its AI agent. Open protocols already allow organizations to expose data and services directly to AI systems: the Model Context Protocol (Anthropic, 2024), Agent2Agent (Surapaneni et al., 2025) and NLWeb, which adds to any website a conversational interface accessible to AI agents (Microsoft, 2025). Researchers describe an "agentic web" whose main users are not people but AI agents interacting with one another (Yang et al., 2025; Chen et al., 2025). Search engine optimization is already giving way to optimization for generative engines (Aggarwal et al., 2024). In the logic of Thesis 2, an organization's representative website becomes its specialized model — an agent that answers questions and performs transactions on its behalf. Standard websites, personal pages and search engines are passing into history. The Internet becomes a network of agents and, for a person, an entry point to their own AI service on a computer, tablet or phone.Представительский сайт организации превращается в её ИИ-агента. Открытые протоколы уже позволяют организациям предоставлять данные и услуги непосредственно ИИ-системам: Model Context Protocol (Anthropic, 2024), Agent2Agent (Surapaneni et al., 2025) и NLWeb, который добавляет к любому сайту диалоговый интерфейс, доступный ИИ-агентам (Microsoft, 2025). Исследователи описывают «агентный веб», основными пользователями которого становятся не люди, а взаимодействующие друг с другом ИИ-агенты (Yang et al., 2025; Chen et al., 2025). Оптимизация под поисковые системы уже уступает место оптимизации под генеративные системы (Aggarwal et al., 2024). В логике тезиса 2 представительский сайт становится специализированной моделью организации — агентом, который отвечает на вопросы и совершает операции от её имени. Стандартные сайты, личные страницы и поисковики уходят в прошлое. Интернет становится сетью агентов, а для человека — входом в собственный ИИ-сервис на компьютере, планшете или телефоне.Ұйымның өкілдік сайты оның ЖИ-агентіне айналуда. Ашық хаттамалар қазірдің өзінде ұйымдарға деректер мен қызметтерді ЖИ-жүйелерге тікелей ұсынуға мүмкіндік береді: Model Context Protocol (Anthropic, 2024), Agent2Agent (Surapaneni et al., 2025) және кез келген сайтқа ЖИ-агенттерге қолжетімді диалогтық интерфейс қосатын NLWeb (Microsoft, 2025). Зерттеушілер негізгі пайдаланушылары адамдар емес, бір-бірімен өзара әрекеттесетін ЖИ-агенттер болатын «агенттік вебті» сипаттайды (Yang et al., 2025; Chen et al., 2025). Іздеу жүйелеріне оңтайландыру генеративтік жүйелерге оңтайландыруға орын бере бастады (Aggarwal et al., 2024). 2-тезистің логикасында ұйымның өкілдік сайты оның мамандандырылған моделіне — сұрақтарға жауап беретін және оның атынан операциялар жасайтын агентке айналады. Стандартты сайттар, жеке парақшалар мен іздеу жүйелері өткенге кетеді. Интернет агенттер желісіне, ал адам үшін — компьютердегі, планшеттегі немесе телефондағы өзінің ЖИ-сервисіне кіру нүктесіне айналады.

The computer itself is changing too. The familiar way of working with it — files, folders, windows, applications and a browser — took shape around the graphical interface and manual control of programs. Generative AI introduces a new interface paradigm in which the user specifies the desired outcome rather than a sequence of actions (Nielsen, 2023). Even the graphical interface of an operating system can already be generated by a neural network (Rivard et al., 2026). As early as 1991, Weiser wrote that the most profound technologies "disappear", weaving themselves into everyday life (Weiser, 1991). We expect the personal computer as a universal tool for manually operating programs to lose its purpose, because the familiar ways of using it will disappear. The device will become a terminal for accessing a personal AI service, and computation will move to specialized hardware (Section 5).Меняется и сам компьютер. Привычный способ работы с ним — файлы, папки, окна, приложения и браузер — сложился вокруг графического интерфейса и ручного управления программами. Генеративный ИИ вводит новую парадигму интерфейса: человек задаёт желаемый результат, а не последовательность действий (Nielsen, 2023). Даже сам графический интерфейс ОС уже может генерироваться нейросетью (Rivard et al., 2026). Ещё в 1991 г. Вайзер писал, что самые глубокие технологии «исчезают», растворяясь в повседневной жизни (Weiser, 1991). Мы ожидаем, что персональный компьютер как универсальный инструмент ручной работы с программами потеряет смысл, поскольку привычные способы его использования исчезнут. Устройство станет терминалом доступа к личному ИИ-сервису, а вычисления переместятся на специализированную аппаратуру (раздел 5).Компьютердің өзі де өзгеруде. Онымен жұмыс істеудің таныс тәсілі — файлдар, қалталар, терезелер, қосымшалар және браузер — графикалық интерфейс пен бағдарламаларды қолмен басқару төңірегінде қалыптасты. Генеративтік ЖИ интерфейстің жаңа парадигмасын енгізеді: адам әрекеттер тізбегін емес, қалаған нәтижені тапсырады (Nielsen, 2023). Тіпті ОЖ-ның графикалық интерфейсінің өзін нейрондық желі генерациялай алады (Rivard et al., 2026). 1991 жылы-ақ Вайзер ең терең технологиялар күнделікті өмірге сіңіп, «жоғалып кетеді» деп жазған (Weiser, 1991). Біз дербес компьютер бағдарламалармен қолмен жұмыс істеудің әмбебап құралы ретінде мәнін жоғалтады деп күтеміз, өйткені оны пайдаланудың таныс тәсілдері жойылады. Құрылғы жеке ЖИ-сервиске қол жеткізу терминалына айналады, ал есептеулер мамандандырылған аппаратураға ауысады (5-бөлім).

Testable prediction. By 2035, most information queries will be served by AI assistants without a visit to a website, and large organizations will provide their services primarily through AI agents accessible via open protocols. If the share of clicks from search to websites stays at its 2024 level, this part of Thesis 3 will be refuted.Проверяемое предсказание. К 2035 г. большинство информационных запросов будет обслуживаться ИИ-ассистентами без перехода на сайты, а крупные организации будут предоставлять свои услуги прежде всего через ИИ-агентов, доступных по открытым протоколам. Если доля переходов из поиска на сайты останется на уровне 2024 г., эта часть тезиса 3 будет опровергнута.Тексерілетін болжам. 2035 жылға қарай ақпараттық сұраныстардың көпшілігіне сайтқа өтусіз ЖИ-ассистенттер қызмет көрсетеді, ал ірі ұйымдар өз қызметтерін ең алдымен ашық хаттамалар арқылы қолжетімді ЖИ-агенттер арқылы ұсынады. Егер іздеуден сайттарға өту үлесі 2024 жылғы деңгейде қалса, 3-тезистің бұл бөлігі теріске шығарылады.

5. The Hardware Foundation: Processors for AI, Designed by AI5. Аппаратная основа: процессоры для ИИ, спроектированные ИИ5. Аппараттық негіз: ЖИ жобалаған, ЖИ-ге арналған процессорлар

General-purpose processors no longer deliver their former performance gains. Growth now comes from architectures specialized for AI, and these are increasingly designed with the participation of AI itself. This closes a loop of co-evolution: AI designs the chips on which the next generation of AI is trained.Универсальные процессоры больше не дают прежнего прироста производительности. Рост теперь обеспечивают специализированные под ИИ архитектуры, и всё чаще они проектируются с участием самого ИИ. Так замыкается контур коэволюции: ИИ проектирует чипы, на которых обучается следующее поколение ИИ.Әмбебап процессорлар енді бұрынғыдай өнімділік өсімін бермейді. Өсімді енді ЖИ-ге мамандандырылған архитектуралар қамтамасыз етеді және оларды барған сайын ЖИ-дің өзі қатысып жобалайды. Осылайша коэволюция контуры тұйықталады: ЖИ келесі буын ЖИ оқытылатын чиптерді жобалайды.

5.1. The end of general-purpose growth5.1. Конец универсального роста5.1. Әмбебап өсудің соңы

Dennard's scaling rule made it possible to shrink transistors at constant power density (Dennard et al., 1974). It ceased to hold in the mid-2000s (Theis & Wong, 2017). Since then, the performance of general-purpose processors has grown by only a few per cent per year, compared with about 50% per year in 1986–2002. This is why Hennessy and Patterson identified domain-specific architectures as the main path forward (Hennessy & Patterson, 2019).Правило масштабирования Деннарда позволяло уменьшать транзисторы при постоянной плотности мощности (Dennard et al., 1974). Оно перестало действовать в середине 2000-х годов (Theis & Wong, 2017). С тех пор производительность процессоров общего назначения растёт лишь на несколько процентов в год против примерно 50% в 1986–2002 гг. Именно поэтому Хеннесси и Паттерсон назвали предметно-ориентированные архитектуры основным путём развития (Hennessy & Patterson, 2019).Деннардтың масштабтау ережесі транзисторларды қуат тығыздығын тұрақты сақтай отырып кішірейтуге мүмкіндік берді (Dennard et al., 1974). Ол 2000 жылдардың ортасында күшін жойды (Theis & Wong, 2017). Содан бері жалпы мақсаттағы процессорлардың өнімділігі 1986–2002 жылдардағы жылына шамамен 50%-бен салыстырғанда жылына бірнеше пайызға ғана өседі. Сондықтан Хеннесси мен Паттерсон пәндік-бағдарланған архитектураларды дамудың негізгі жолы деп атады (Hennessy & Patterson, 2019).

The main constraint of modern architectures is not arithmetic but data movement. An access to external DRAM costs two to three orders of magnitude more energy than an arithmetic operation (Horowitz, 2014; Sze et al., 2017). The von Neumann architecture, with its separation of processor and memory, is poorly suited to neural networks, in which billions of weights are read at every step.Главное ограничение современных архитектур — не арифметика, а перемещение данных. Обращение к внешней памяти DRAM обходится по энергии на два-три порядка дороже арифметической операции (Horowitz, 2014; Sze et al., 2017). Архитектура фон Неймана с разделением процессора и памяти плохо подходит для нейросетей, где миллиарды весов читаются на каждом шаге.Қазіргі архитектуралардың басты шектеуі — арифметика емес, деректердің орын ауыстыруы. Сыртқы DRAM жадына жүгіну энергия бойынша арифметикалық операциядан екі-үш реттік деңгейге қымбат (Horowitz, 2014; Sze et al., 2017). Процессор мен жадты бөлетін фон Нейман архитектурасы әр қадамда миллиардтаған салмақ оқылатын нейрондық желілерге нашар сәйкес келеді.

5.2. Architectural specialization5.2. Специализация архитектур5.2. Архитектуралардың мамандануы

Google's first tensor processing unit (TPU) was 15–30 times faster than contemporary CPUs and GPUs on production inference workloads and 30–80 times more energy-efficient (Jouppi et al., 2017). TPU v4 connects 4,096 chips through optical circuit switches and is 1.2–1.7 times faster than the NVIDIA A100 while using 1.3–1.9 times less power (Jouppi et al., 2023). Further examples include accelerators with optimized dataflows (Chen et al., 2017), deterministic streaming processors scheduled at compile time (Abts et al., 2020) and wafer-scale processors with 2.6 trillion transistors and 850,000 cores (Lie, 2023).Первый тензорный процессор Google (TPU) на реальных задачах вывода был в 15–30 раз быстрее современных ему CPU и GPU и в 30–80 раз энергоэффективнее (Jouppi et al., 2017). TPU v4 объединяет 4096 чипов через оптические коммутаторы и на 1,2–1,7 раза быстрее NVIDIA A100 при в 1,3–1,9 раза меньшем энергопотреблении (Jouppi et al., 2023). Появились ускорители с оптимизированными потоками данных (Chen et al., 2017), детерминированные потоковые процессоры с планированием на этапе компиляции (Abts et al., 2020) и процессоры размером с целую кремниевую пластину — 2,6 трлн транзисторов и 850 тыс. ядер (Lie, 2023).Google-дың алғашқы тензорлық процессоры (TPU) нақты шығару міндеттерінде өз заманындағы CPU мен GPU-дан 15–30 есе жылдам және 30–80 есе энергия тиімді болды (Jouppi et al., 2017). TPU v4 оптикалық коммутаторлар арқылы 4096 чипті біріктіреді және NVIDIA A100-ден 1,2–1,7 есе жылдам, ал энергияны 1,3–1,9 есе аз тұтынады (Jouppi et al., 2023). Деректер ағыны оңтайландырылған үдеткіштер (Chen et al., 2017), компиляция кезеңінде жоспарланатын детерминирленген ағындық процессорлар (Abts et al., 2020) және бүкіл кремний пластинасындай процессорлар — 2,6 трлн транзистор және 850 мың ядро — пайда болды (Lie, 2023).

The next step is to abandon the von Neumann principle itself. In-memory computing performs matrix–vector multiplication where the weights are stored (Sebastian et al., 2020). IBM's analogue AI chip with 35 million phase-change memory devices reaches 12.4 TOPS/W on speech recognition with accuracy close to that of software (Ambrogio et al., 2023; cf. Ambrogio et al., 2018). The TrueNorth neuromorphic chip, with one million neurons, recognizes objects in a video stream while consuming about 63 mW (Merolla et al., 2014; see also Davies et al., 2018). The prospects for scaling neuromorphic systems and photonic processors are being actively investigated (Kudithipudi et al., 2025; Shen et al., 2017). In such architectures the neural network is not executed by a program but is physically embodied in hardware — and this is exactly what makes the intermediate software layer of Section 4 redundant.Следующий шаг — отказ от самого принципа фон Неймана. Вычисления в памяти выполняют матрично-векторное умножение там же, где хранятся веса (Sebastian et al., 2020). Аналоговый ИИ-чип IBM на 35 млн ячеек фазовой памяти достигает 12,4 TOPS/Вт на задаче распознавания речи при точности, близкой к программной (Ambrogio et al., 2023; ср. Ambrogio et al., 2018). Нейроморфный чип TrueNorth с миллионом нейронов распознаёт объекты в видеопотоке, потребляя около 63 мВт (Merolla et al., 2014; см. также Davies et al., 2018). Перспективы масштабирования нейроморфных систем и фотонных вычислителей активно исследуются (Kudithipudi et al., 2025; Shen et al., 2017). В таких архитектурах нейросеть не исполняется программой, а физически воплощена в железе — именно это делает промежуточный программный слой раздела 4 избыточным.Келесі қадам — фон Нейман қағидатының өзінен бас тарту. Жадтағы есептеулер матрицалық-векторлық көбейтуді салмақтар сақталатын жерде орындайды (Sebastian et al., 2020). Фазалық жадтың 35 млн ұяшығындағы IBM аналогтық ЖИ-чипі сөйлеуді тану міндетінде бағдарламалық дәлдікке жақын дәлдікпен 12,4 TOPS/Вт-қа жетеді (Ambrogio et al., 2023; салыст. Ambrogio et al., 2018). Миллион нейроны бар TrueNorth нейроморфты чипі шамамен 63 мВт тұтына отырып, бейне ағынындағы нысандарды таниды (Merolla et al., 2014; сондай-ақ қараңыз Davies et al., 2018). Нейроморфты жүйелер мен фотондық есептегіштерді масштабтау перспективалары белсенді зерттелуде (Kudithipudi et al., 2025; Shen et al., 2017). Мұндай архитектураларда нейрондық желі бағдарламамен орындалмайды, физикалық түрде жабдықта іске асырылады — дәл осы 4-бөлімдегі аралық бағдарламалық қабатты артық етеді.

The market already reflects this shift. NVIDIA's data-centre revenue grew from US$115.2 billion in fiscal year 2025 (February 2024 – January 2025) to US$193.7 billion in fiscal year 2026 (NVIDIA, 2025, 2026). In the fourth quarter of 2025, servers with embedded GPUs accounted for more than half of server market revenue (IDC, 2026). At the same time, spending on general-purpose servers is still growing in absolute terms (Dell'Oro Group, 2026): general-purpose processors are receding in share rather than disappearing.Рынок уже отражает этот сдвиг. Выручка NVIDIA в сегменте центров обработки данных выросла с 115,2 млрд долл. в 2025 финансовом году (февраль 2024 — январь 2025) до 193,7 млрд долл. в 2026 финансовом году (NVIDIA, 2025, 2026). В четвёртом квартале 2025 г. серверы с встроенными GPU составили более половины выручки серверного рынка (IDC, 2026). При этом расходы на универсальные серверы в абсолютном выражении пока растут (Dell'Oro Group, 2026): универсальные процессоры уходят на второй план по доле, а не исчезают.Нарық бұл ығысуды қазірдің өзінде көрсетіп отыр. NVIDIA-ның деректерді өңдеу орталықтары сегментіндегі түсімі 2025 қаржы жылындағы (2024 ж. ақпан — 2025 ж. қаңтар) 115,2 млрд доллардан 2026 қаржы жылында 193,7 млрд долларға дейін өсті (NVIDIA, 2025, 2026). 2025 жылдың төртінші тоқсанында кіріктірілген GPU бар серверлер сервер нарығы түсімінің жартысынан астамын құрады (IDC, 2026). Сонымен бірге әмбебап серверлерге жұмсалатын шығындар абсолюттік мәнде әзірге өсуде (Dell'Oro Group, 2026): әмбебап процессорлар жойылмайды, үлесі бойынша екінші орынға ығысады.

Specialization also has a downside — the "hardware lottery". Ideas often win not because they are better but because they suit the existing hardware (Hooker, 2021). Hardware tailored to transformers may slow the transition to the next S-curve. In our reasoning, this is one more mechanism that locks in the limit of the current paradigm (Section 2).У специализации есть и обратная сторона — «аппаратная лотерея». Идеи часто побеждают не потому, что они лучше, а потому, что подходят к существующему железу (Hooker, 2021). Железо, заточенное под трансформеры, может затормозить переход на следующую S-кривую. В нашей логике это ещё один механизм фиксации предела текущей парадигмы (раздел 2).Маманданудың кері жағы да бар — «аппараттық лотерея». Идеялар көбіне жақсырақ болғандықтан емес, бар жабдыққа сәйкес келгендіктен жеңеді (Hooker, 2021). Трансформерлерге бейімделген жабдық келесі S-қисыққа көшуді тежеуі мүмкін. Біздің логикамызда бұл қазіргі парадигманың шегін бекітетін тағы бір механизм (2-бөлім).

5.3. AI designs processors5.3. ИИ проектирует процессоры5.3. ЖИ процессорларды жобалайды

A reinforcement-learning method for placing macro blocks on a chip produces a floorplan in under six hours (Mirhoseini et al., 2021). According to its developers, it has been used in every TPU generation since 2020 (Goldie et al., 2024; Google DeepMind, 2024). The result is disputed: independent evaluations found that carefully tuned simulated annealing and commercial electronic design automation tools achieve comparable or better results (Cheng et al., 2023; Markov, 2024). A commercial reinforcement-learning design optimization tool had already been used in 100 commercial chip tape-outs by February 2023 (Synopsys, 2023).Метод размещения блоков на кристалле с помощью обучения с подкреплением создаёт топологию менее чем за 6 часов (Mirhoseini et al., 2021). По данным разработчиков, он используется во всех поколениях TPU с 2020 г. (Goldie et al., 2024; Google DeepMind, 2024). Результат оспаривается: независимые проверки показали, что тщательно настроенная имитация отжига и коммерческие системы автоматизации проектирования дают сопоставимый или лучший результат (Cheng et al., 2023; Markov, 2024). Коммерческий инструмент оптимизации проектирования на основе обучения с подкреплением уже к февралю 2023 г. использовался в 100 коммерческих проектах чипов, доведённых до производства (Synopsys, 2023).Нығайту арқылы оқыту көмегімен кристалда блоктарды орналастыру әдісі топологияны 6 сағаттан аз уақытта жасайды (Mirhoseini et al., 2021). Әзірлеушілердің деректері бойынша ол 2020 жылдан бері TPU-дің барлық буындарында қолданылады (Goldie et al., 2024; Google DeepMind, 2024). Нәтиже даулы: тәуелсіз тексерулер мұқият бапталған жасыту имитациясы мен жобалауды автоматтандырудың коммерциялық жүйелері салыстырмалы немесе жақсырақ нәтиже беретінін көрсетті (Cheng et al., 2023; Markov, 2024). Нығайту арқылы оқытуға негізделген жобалауды оңтайландырудың коммерциялық құралы 2023 жылдың ақпанына қарай өндіріске дейін жеткізілген 100 коммерциялық чип жобасында пайдаланылған (Synopsys, 2023).

Language models are also reaching higher levels of design. Fine-tuned models write hardware descriptions in Verilog and outperform general-purpose models in doing so (Thakur et al., 2023, 2024). ChipNeMo, a model adapted for chip design, outperformed GPT-4 in two of three engineering use cases (Liu et al., 2023). Both examples also support Thesis 2: in hardware design, the specialized model wins.Языковые модели проникают и на более высокие уровни проектирования. Дообученные модели пишут описания аппаратуры на Verilog и при этом превосходят универсальные модели (Thakur et al., 2023, 2024). Модель ChipNeMo, адаптированная под проектирование чипов, в двух из трёх инженерных сценариев превзошла GPT-4 (Liu et al., 2023). Оба примера подтверждают и тезис 2: в проектировании аппаратуры выигрывает специализированная модель.Тілдік модельдер жобалаудың жоғарырақ деңгейлеріне де енуде. Қосымша оқытылған модельдер аппаратураның сипаттамаларын Verilog тілінде жазады және бұл ретте әмбебап модельдерден асып түседі (Thakur et al., 2023, 2024). Чиптерді жобалауға бейімделген ChipNeMo моделі үш инженерлік сценарийдің екеуінде GPT-4-тен асып түсті (Liu et al., 2023). Екі мысал да 2-тезисті растайды: аппаратураны жобалауда мамандандырылған модель ұтады.

Testable prediction. By 2035, mass-produced processors will appear for which an AI system proposed not only the physical layout but also the microarchitecture, with humans performing only verification. The share of analogue, neuromorphic or photonic accelerators in model inference on edge devices will become significant.Проверяемое предсказание. К 2035 г. в серийном производстве появятся процессоры, у которых ИИ-система предложила не только топологию, но и микроархитектуру, а человек выполнил лишь верификацию. Доля аналоговых, нейроморфных или фотонных ускорителей в выводе моделей на периферийных устройствах станет заметной.Тексерілетін болжам. 2035 жылға қарай ЖИ-жүйесі тек топологияны емес, микроархитектураны да ұсынған, ал адам тек верификацияны орындаған процессорлар сериялық өндірісте пайда болады. Перифериялық құрылғыларда модельдерді шығаруда аналогтық, нейроморфты немесе фотондық үдеткіштердің үлесі айтарлықтай болады.

6. Mechanical Engineering, Robots and Autonomous Machines6. Машиностроение, роботы и автономные машины6. Машина жасау, роботтар және автономды машиналар

The logical continuation of this trajectory is AI entering the physical world. Neural models control robots directly, AI designs machines, and production becomes autonomous. All the preceding theses converge here: a specialized model (Thesis 2) without intermediate code (Thesis 3) on specialized hardware (Thesis 4) controls a machine built by other machines.Логическое продолжение описанной траектории — выход ИИ в физический мир. Нейронные модели управляют роботами напрямую, ИИ проектирует машины, а производство становится автономным. Здесь сходятся все предыдущие тезисы: специализированная модель (тезис 2) без промежуточного кода (тезис 3) на специализированном железе (тезис 4) управляет машиной, созданной другими машинами.Сипатталған траекторияның логикалық жалғасы — ЖИ-дің физикалық әлемге шығуы. Нейрондық модельдер роботтарды тікелей басқарады, ЖИ машиналарды жобалайды, ал өндіріс автономды болады. Мұнда барлық алдыңғы тезистер тоғысады: аралық кодсыз (3-тезис) мамандандырылған жабдықта (4-тезис) жұмыс істейтін мамандандырылған модель (2-тезис) басқа машиналар жасаған машинаны басқарады.

6.1. Overcoming Moravec's paradox6.1. Преодоление парадокса Моравека6.1. Моравек парадоксын еңсеру

For a long time, perception and movement remained harder for machines than abstract reasoning: a computer could play checkers but could not match a one-year-old child in motor skills (Moravec, 1988). The embodied approach held from the outset that intelligence must be built from the bottom up, from direct coupling with the world (Brooks, 1991).Долгое время восприятие и движение оставались сложнее для машин, чем абстрактные рассуждения: компьютер играл в шашки, но не мог сравниться с годовалым ребёнком в моторике (Moravec, 1988). Воплощённый подход изначально утверждал, что интеллект должен строиться снизу, из непосредственной связи с миром (Brooks, 1991).Ұзақ уақыт бойы қабылдау мен қозғалыс машиналар үшін абстрактілі пайымдаудан қиынырақ болып қала берді: компьютер дойбы ойнай алды, бірақ моторика бойынша бір жасар баламен теңесе алмады (Moravec, 1988). Денеленген тәсіл бастапқыдан-ақ интеллект төменнен, әлеммен тікелей байланыстан құрылуы тиіс деп тұжырымдады (Brooks, 1991).

Deep learning has substantially narrowed this gap. Convolutional policies map images directly to motor torques (Levine et al., 2016). Policies trained in simulation transfer to real legged robots (Hwangbo et al., 2019). The autonomous quadrotor Swift won 15 of 25 races against three world champions (Kaufmann et al., 2023). Fine bimanual manipulation tasks are learned with 80–90% success from only 50 demonstrations on hardware costing about US$20,000 (Zhao et al., 2023).Глубокое обучение существенно сократило этот разрыв. Свёрточные политики напрямую преобразуют изображение в моменты приводов (Levine et al., 2016). Политики, обученные в симуляции, переносятся на реальных шагающих роботов (Hwangbo et al., 2019). Автономный квадрокоптер Swift выиграл 15 из 25 гонок у трёх чемпионов мира (Kaufmann et al., 2023). Тонкие двуручные операции осваиваются с успехом 80–90% всего по 50 демонстрациям на оборудовании стоимостью около 20 тыс. долл. (Zhao et al., 2023).Терең оқыту бұл алшақтықты айтарлықтай қысқартты. Үйірткі саясаттар кескінді тікелей жетек моменттеріне түрлендіреді (Levine et al., 2016). Симуляцияда оқытылған саясаттар нақты жүретін роботтарға көшіріледі (Hwangbo et al., 2019). Swift автономды квадрокоптері үш әлем чемпионынан 25 жарыстың 15-інде жеңді (Kaufmann et al., 2023). Нәзік екі қолды операциялар құны шамамен 20 мың доллар жабдықта небәрі 50 демонстрация бойынша 80–90% сәттілікпен меңгеріледі (Zhao et al., 2023).

6.2. Foundation models for robots6.2. Фундаментальные модели для роботов6.2. Роботтарға арналған іргелі модельдер

Vision–language–action (VLA) models take an image and a natural-language command as input and output control actions. This is exactly what the third phase of Section 4.3 looks like: there is no human-written control program between intent and the machine's movement.Модели класса «зрение — язык — действие» (VLA) получают на вход изображение и команду на естественном языке и выдают управляющие воздействия. Именно так выглядит третья фаза раздела 4.3: между намерением и движением машины нет написанной человеком программы управления.«Көру — тіл — әрекет» (VLA) класындағы модельдер кіріске кескін мен табиғи тілдегі пәрменді алып, басқарушы әсерлерді шығарады. 4.3-бөлімдегі үшінші кезең дәл осылай көрінеді: ниет пен машина қозғалысы арасында адам жазған басқару бағдарламасы жоқ.

  • PaLM-E (562 billion parameters) was the first to embed continuous sensor signals into a language model for robot action planning (Driess et al., 2023).PaLM-E (562 млрд параметров) впервые встроил непрерывные сигналы датчиков в языковую модель для планирования действий робота (Driess et al., 2023).PaLM-E (562 млрд параметр) алғаш рет датчиктердің үздіксіз сигналдарын робот әрекеттерін жоспарлау үшін тілдік модельге енгізді (Driess et al., 2023).
  • RT-2 encodes actions as text tokens and transfers web knowledge into control; success in unseen scenarios rose from 32% to 62% (Brohan et al., 2023).RT-2 кодирует действия как текстовые токены и переносит знания из интернета в управление; успех в новых сценариях вырос с 32% до 62% (Brohan et al., 2023).RT-2 әрекеттерді мәтіндік токендер ретінде кодтайды және интернеттегі білімді басқаруға көшіреді; жаңа сценарийлердегі сәттілік 32%-дан 62%-ға өсті (Brohan et al., 2023).
  • Open X-Embodiment pooled data from 22 robot embodiments across 21 institutions (527 skills, more than 1 million episodes); the shared model was on average 50% more successful than embodiment-specific ones (O'Neill et al., 2024).Open X-Embodiment объединил данные 22 типов роботов из 21 организации (527 навыков, более 1 млн эпизодов); общая модель в среднем на 50% успешнее специализированных (O'Neill et al., 2024).Open X-Embodiment 21 ұйымның роботтардың 22 түрі бойынша деректерін біріктірді (527 дағды, 1 млн-нан астам эпизод); ортақ модель мамандандырылғандардан орта есеппен 50%-ға табысты болды (O'Neill et al., 2024).
  • OpenVLA (7 billion parameters) outperformed a closed model seven times its size by 16.5 percentage points in task success (Kim et al., 2024).OpenVLA (7 млрд параметров) превзошла в 7 раз большую закрытую модель на 16,5 п.п. успешности (Kim et al., 2024).OpenVLA (7 млрд параметр) өзінен 7 есе үлкен жабық модельден сәттілік бойынша 16,5 пайыздық тармаққа асып түсті (Kim et al., 2024).
  • π₀ was trained on more than 10,000 hours of data from 7 robot configurations and controls them at up to 50 Hz (Black et al., 2025).π₀ обучена на более чем 10 000 часов данных с 7 конфигураций роботов и управляет ими с частотой до 50 Гц (Black et al., 2025).π₀ роботтардың 7 конфигурациясынан алынған 10 000 сағаттан астам деректерде оқытылған және оларды 50 Гц-ке дейінгі жиілікпен басқарады (Black et al., 2025).
  • Gemini Robotics and GR00T N1 learn new tasks from about a hundred demonstrations and are trained on synthetic data: 780,000 trajectories for a humanoid were generated in 11 hours (Gemini Robotics Team, 2025; Bjorck et al., 2025).Gemini Robotics и GR00T N1 осваивают новые задачи по сотне демонстраций и обучаются на синтетических данных: 780 тыс. траекторий для гуманоида сгенерированы за 11 часов (Gemini Robotics Team, 2025; Bjorck et al., 2025).Gemini Robotics пен GR00T N1 жаңа міндеттерді жүзге жуық демонстрация бойынша меңгереді және синтетикалық деректерде оқытылады: гуманоид үшін 780 мың траектория 11 сағатта генерацияланды (Gemini Robotics Team, 2025; Bjorck et al., 2025).

We emphasize the pattern: a general robotics model serves as the foundation, but a fine-tuned specialized version runs on each particular machine (Firoozi et al., 2025). In road transport, autonomy already delivers measurable benefits. Over 56.7 million rider-only miles, Waymo vehicles were involved in injury crashes significantly less often than human drivers under comparable conditions; for intersection crashes the reduction was 96% (Kusano et al., 2025).Подчеркнём закономерность: общая робототехническая модель служит основой, но на конкретной машине работает дообученная специализированная версия (Firoozi et al., 2025). В автомобильном транспорте автономия уже даёт измеримый эффект. За 56,7 млн миль без водителя автомобили Waymo попадали в ДТП с пострадавшими достоверно реже, чем водители-люди в сопоставимых условиях. Для столкновений на перекрёстках снижение составило 96% (Kusano et al., 2025).Заңдылыққа назар аударайық: ортақ робототехникалық модель негіз болады, бірақ нақты машинада қосымша оқытылған мамандандырылған нұсқа жұмыс істейді (Firoozi et al., 2025). Автомобиль көлігінде автономия өлшенетін әсер беріп отыр. Жүргізушісіз 56,7 млн миль ішінде Waymo автокөліктері салыстырмалы жағдайлардағы адам жүргізушілерге қарағанда зардап шеккендер бар жол-көлік оқиғаларына айтарлықтай сирек түсті. Қиылыстардағы соқтығысулар үшін төмендеу 96% болды (Kusano et al., 2025).

6.3. Machines that build machines6.3. Машины, которые создают машины6.3. Машиналар жасайтын машиналар

The idea of an automaton capable of building machines goes back to von Neumann (von Neumann, 1966). The first practical demonstration came in 2000: robot bodies and their neural controllers were co-evolved by an evolutionary algorithm and automatically fabricated on a 3D printer (Lipson & Pollack, 2000). Today, deep generative models are used in topology optimization, shape synthesis and materials design (Regenwetter et al., 2022). Digital twins link design with operation (Tao et al., 2019), and the concept of "Industry 5.0" places at its centre not technology but people and sustainability (Xu et al., 2021).Идея автомата, способного строить машины, восходит к фон Нейману (von Neumann, 1966). Первая практическая демонстрация состоялась в 2000 г.: конструкция роботов и их нейронные контроллеры были совместно выведены эволюционным алгоритмом и автоматически изготовлены на 3D-принтере (Lipson & Pollack, 2000). Сегодня глубокие генеративные модели применяются в топологической оптимизации, синтезе формы и проектировании материалов (Regenwetter et al., 2022). Цифровые двойники связывают проектирование с эксплуатацией (Tao et al., 2019), а концепция «Индустрии 5.0» ставит в центр уже не технологию, а человека и устойчивость (Xu et al., 2021).Машиналар жасай алатын автомат идеясы фон Нейманға барып тіреледі (von Neumann, 1966). Алғашқы практикалық демонстрация 2000 жылы болды: роботтардың конструкциясы мен олардың нейрондық контроллерлері эволюциялық алгоритммен бірге шығарылып, 3D-принтерде автоматты түрде дайындалды (Lipson & Pollack, 2000). Бүгін терең генеративтік модельдер топологиялық оңтайландыруда, пішін синтезінде және материалдарды жобалауда қолданылады (Regenwetter et al., 2022). Цифрлық егіздер жобалауды пайдаланумен байланыстырады (Tao et al., 2019), ал «Индустрия 5.0» тұжырымдамасы орталыққа енді технологияны емес, адам мен тұрақтылықты қояды (Xu et al., 2021).

Autonomous laboratories carry the same principle into science (Wang et al., 2023). A mobile robotic chemist independently performed 688 experiments in 8 days and found a photocatalyst six times more active than the starting formulation (Burger et al., 2020). The A-Lab story, however, shows the cost of haste. After criticism, the number of successfully synthesized target compounds was corrected from 41 of 58 to 36 of 57, and the compounds were no longer described as new to science (Szymanski et al., 2023; Leeman et al., 2024).Автономные лаборатории переносят тот же принцип на науку (Wang et al., 2023). Мобильный робот-химик за 8 дней самостоятельно провёл 688 экспериментов и нашёл фотокатализатор в 6 раз активнее исходного (Burger et al., 2020). Однако история A-Lab показывает цену поспешности. После критики доля успешно синтезированных целевых соединений была скорректирована с 41 из 58 до 36 из 57, а сами соединения перестали называться новыми для науки (Szymanski et al., 2023; Leeman et al., 2024).Автономды зертханалар осы қағидатты ғылымға көшіреді (Wang et al., 2023). Мобильді робот-химик 8 күнде 688 экспериментті өз бетінше жүргізіп, бастапқысынан 6 есе белсенді фотокатализатор тапты (Burger et al., 2020). Алайда A-Lab тарихы асығыстықтың құнын көрсетеді. Сыннан кейін сәтті синтезделген мақсатты қосылыстар саны «58-дің 41-і» деген көрсеткіштен «57-нің 36-сы» дегенге дейін түзетілді, ал қосылыстардың өзі ғылым үшін жаңа деп аталмайтын болды (Szymanski et al., 2023; Leeman et al., 2024).

The scale of robotization is growing rapidly. In 2024, 542,000 industrial robots were installed worldwide — twice as many as ten years earlier (IFR, 2025). In 2025 installations exceeded 600,000, the global operational stock reached 5 million units, and China accounted for 59% of installations (IFR, 2026a). Series production of humanoids has also begun: about 7,000 full-size humanoid robots were sold in 2025 (IFR, 2026b). This is still the early part of the S-curve — the same phase in which language models found themselves at the turn of the 2010s and 2020s.Масштаб роботизации растёт быстро. В 2024 г. в мире установлено 542 тыс. промышленных роботов — вдвое больше, чем десять лет назад (IFR, 2025). В 2025 г. установки превысили 600 тыс., мировой парк достиг 5 млн единиц, а на Китай пришлось 59% установок (IFR, 2026a). Началось и серийное производство гуманоидов: в 2025 г. продано около 7 тыс. полноразмерных гуманоидных роботов (IFR, 2026b). Пока это ранняя часть S-кривой — именно та фаза, в которой на рубеже 2010-х и 2020-х находились языковые модели.Роботтандыру ауқымы жылдам өсуде. 2024 жылы әлемде 542 мың өнеркәсіптік робот орнатылды — он жыл бұрынғыдан екі есе көп (IFR, 2025). 2025 жылы орнатулар 600 мыңнан асты, әлемдік парк 5 млн бірлікке жетті, ал орнатулардың 59%-ы Қытайға тиесілі болды (IFR, 2026a). Гуманоидтарды сериялық өндіру де басталды: 2025 жылы шамамен 7 мың толық өлшемді гуманоид робот сатылды (IFR, 2026b). Бұл әзірге S-қисықтың ерте бөлігі — 2010 және 2020 жылдардың тоғысында тілдік модельдер тұрған дәл сол кезең.

Testable prediction. By 2035, most newly installed robots will be configured through demonstration and natural-language commands via foundation models rather than programmed in industrial robot languages.Проверяемое предсказание. К 2035 г. большинство вновь устанавливаемых роботов будет настраиваться демонстрацией и командами на естественном языке через фундаментальные модели, а не программироваться на промышленных языках роботов.Тексерілетін болжам. 2035 жылға қарай жаңадан орнатылатын роботтардың көпшілігі өнеркәсіптік робот тілдерінде бағдарламаланбайды, іргелі модельдер арқылы демонстрациямен және табиғи тілдегі пәрмендермен бапталатын болады.

7. Objections and Open Questions7. Возражения и открытые вопросы7. Қарсы уәждер және ашық сұрақтар

The most serious objections are directed against Thesis 3. A neural network is hard to verify, it is less energy-efficient at exact computation, and it bears no legal responsibility. Below we consider seven objections and indicate how they modify our forecasts.Самые серьёзные возражения направлены против тезиса 3. Нейросеть трудно верифицировать, она менее энергоэффективна на точных вычислениях и не несёт юридической ответственности. Ниже мы рассматриваем семь возражений и указываем, как они меняют наши прогнозы.Ең маңызды қарсы уәждер 3-тезиске қарсы бағытталған. Нейрондық желіні верификациялау қиын, ол дәл есептеулерде энергия тұрғысынан тиімділігі төмен және заңды жауапкершілік арқалай алмайды. Төменде біз жеті қарсы уәжді қарастырып, олардың біздің болжамдарымызды қалай өзгертетінін көрсетеміз.

7.1. Verifiability. For classical software there are methods for proving correctness (Hoare, 1969). The correctness of the seL4 microkernel, comprising 8,700 lines of C, has been proved by machine (Klein et al., 2009). No comparable guarantees exist for neural networks, and complete elimination of hallucinations is theoretically impossible (Xu et al., 2024). Formal layers will therefore persist longest in safety-critical systems. We expect that human code writing will disappear, while formal specifications will remain as machine-generated and machine-checked artefacts. Verification of neural systems is the main precondition for realizing Thesis 3.7.1. Верифицируемость. Для классического ПО существуют методы доказательства корректности (Hoare, 1969). Корректность микроядра seL4 из 8700 строк на C доказана машинно (Klein et al., 2009). Для нейросетей сопоставимых гарантий нет, а полное устранение галлюцинаций теоретически невозможно (Xu et al., 2024). Поэтому в критических по безопасности системах формальные слои просуществуют дольше всего. Мы ожидаем, что исчезнет написание кода человеком, а формальные спецификации останутся как машинно порождаемый и машинно проверяемый артефакт. Верификация нейронных систем — главное условие реализации тезиса 3.7.1. Верификациялану. Классикалық бағдарламалық жасақтама үшін дұрыстықты дәлелдеу әдістері бар (Hoare, 1969). C тіліндегі 8700 жолдан тұратын seL4 микроядросының дұрыстығы машиналық түрде дәлелденген (Klein et al., 2009). Нейрондық желілер үшін салыстырмалы кепілдіктер жоқ, ал галлюцинацияларды толық жою теориялық тұрғыдан мүмкін емес (Xu et al., 2024). Сондықтан қауіпсіздік тұрғысынан аса маңызды жүйелерде формалды қабаттар ең ұзақ сақталады. Біз адамның код жазуы жойылады, ал формалды спецификациялар машина жасайтын және машина тексеретін артефакт ретінде қалады деп күтеміз. Нейрондық жүйелерді верификациялау — 3-тезисті жүзеге асырудың басты шарты.

7.2. Energy efficiency of exact computation. Adding two numbers in a processor register costs a fraction of a picojoule (Horowitz, 2014), whereas a language model performs about 2N operations per output token, where N is the number of parameters (Kaplan et al., 2020), and still makes mistakes in multi-digit multiplication (Dziri et al., 2023). It follows that what will disappear is not exact computation but the intermediate program between it and intent. Deterministic units will become part of specialized hardware (Section 5), which the neural system invokes directly.7.2. Энергоэффективность точных вычислений. Сложение двух чисел в регистре процессора стоит доли пикоджоуля (Horowitz, 2014), тогда как языковая модель выполняет порядка 2N операций на каждый токен ответа, где N — число параметров (Kaplan et al., 2020), и при этом ошибается в многозначном умножении (Dziri et al., 2023). Отсюда следует, что исчезнет не точное вычисление, а промежуточная программа между ним и намерением. Детерминированные блоки станут частью специализированной аппаратуры (раздел 5), которую нейронная система вызывает напрямую.7.2. Дәл есептеулердің энергия тиімділігі. Процессор регистріндегі екі санды қосу пикоджоульдің бір бөлігіне түседі (Horowitz, 2014), ал тілдік модель жауаптың әр токеніне шамамен 2N операция орындайды, мұндағы N — параметрлер саны (Kaplan et al., 2020), және бұл ретте көп таңбалы көбейтуде қателеседі (Dziri et al., 2023). Бұдан дәл есептеудің емес, онымен ниет арасындағы аралық бағдарламаның жойылатыны шығады. Детерминирленген блоктар нейрондық жүйе тікелей шақыратын мамандандырылған аппаратураның бөлігіне айналады (5-бөлім).

7.3. Technical debt. In real ML systems, the model code itself is a small fraction; most of the complexity and hidden debt accumulates in the surrounding infrastructure (Sculley et al., 2015). Replacing code with weights moves complexity into data but does not eliminate it. This is an argument for self-maintaining AI systems, but also the reason why the transition will take decades rather than years.7.3. Технический долг. В реальных ML-системах сам код модели занимает малую долю; основная сложность и скрытый долг накапливаются в окружающей инфраструктуре (Sculley et al., 2015). Замена кода весами переносит сложность в данные, но не устраняет её. Это аргумент в пользу самосопровождающихся ИИ-систем, но и причина, по которой переход займёт десятилетия, а не годы.7.3. Техникалық қарыз. Нақты ML-жүйелерде модель кодының өзі шағын үлесті алады; негізгі күрделілік пен жасырын қарыз қоршаған инфрақұрылымда жинақталады (Sculley et al., 2015). Кодты салмақтармен алмастыру күрделілікті деректерге ауыстырады, бірақ оны жоймайды. Бұл өзін-өзі сүйемелдейтін ЖИ-жүйелердің пайдасына уәж, бірақ сонымен бірге көшудің жылдарға емес, онжылдықтарға созылатынының себебі.

7.4. Security and dual use. About 40% of AI-generated programs in security-relevant scenarios contained vulnerabilities (Pearce et al., 2022). Autonomous machines and AI in infrastructure management enlarge the attack surface (Brundage et al., 2018; Bengio et al., 2026). The deeper AI penetrates the physical world (Thesis 5), the higher the cost of error and the stricter the certification requirements will become.7.4. Безопасность и двойное назначение. Примерно 40% сгенерированных ИИ программ в критичных сценариях содержали уязвимости (Pearce et al., 2022). Автономные машины и ИИ в управлении инфраструктурой расширяют поверхность атаки (Brundage et al., 2018; Bengio et al., 2026). Чем глубже ИИ проникает в физический мир (тезис 5), тем выше цена ошибки и тем строже будут требования к сертификации.7.4. Қауіпсіздік және қос мақсат. Қауіпсіздік тұрғысынан маңызды сценарийлерде ЖИ генерациялаған бағдарламалардың шамамен 40%-ында осалдықтар болды (Pearce et al., 2022). Автономды машиналар мен инфрақұрылымды басқарудағы ЖИ шабуыл бетін кеңейтеді (Brundage et al., 2018; Bengio et al., 2026). ЖИ физикалық әлемге неғұрлым терең енсе (5-тезис), қатенің құны соғұрлым жоғары және сертификаттауға қойылатын талаптар соғұрлым қатаң болады.

7.5. Accountability and legitimacy. In governance, law and the spiritual sphere, a decision must be not only good but also legitimate. Regulators and religious institutions agree that responsibility remains with humans (Regulation (EU) 2024/1689, 2024; Dicastery for the Doctrine of the Faith, 2025). Evidence of lower trust in robot preachers (Jackson et al., 2023) shows that social acceptance may lag behind technical capability. In these spheres we therefore expect AI to act as a specialized adviser and executor rather than as the subject of decisions.7.5. Ответственность и легитимность. В управлении, праве и духовной сфере решение должно быть не только качественным, но и легитимным. Регуляторы и религиозные институты сходятся в том, что ответственность остаётся за человеком (Regulation (EU) 2024/1689, 2024; Dicastery for the Doctrine of the Faith, 2025). Данные о снижении доверия к роботам-проповедникам (Jackson et al., 2023) показывают, что общественное принятие может отставать от технических возможностей. Поэтому в этих сферах мы ожидаем роль ИИ как специализированного советника и исполнителя, а не субъекта решений.7.5. Жауапкершілік және легитимдік. Басқаруда, құқықта және рухани салада шешім тек сапалы ғана емес, легитимді де болуы тиіс. Реттеушілер мен діни институттар жауапкершілік адамда қалатыны туралы бір пікірге келеді (Regulation (EU) 2024/1689, 2024; Dicastery for the Doctrine of the Faith, 2025). Робот-уағызшыларға сенімнің төмендеуі туралы деректер (Jackson et al., 2023) қоғамдық қабылдау техникалық мүмкіндіктерден қалып қоюы мүмкін екенін көрсетеді. Сондықтан бұл салаларда біз ЖИ-дің шешім субъектісі емес, мамандандырылған кеңесші және орындаушы рөлін күтеміз.

7.6. A new paradigm may push the limit back. The history of AI teaches that general methods that leverage computation win sooner or later (Sutton, 2019). Epoch AI's analysis allows for training runs roughly 10,000 times larger than GPT-4 by 2030 (Sevilla et al., 2024). A fundamentally new architecture could start a new S-curve (Foster, 1986), while hardware specialization for the current paradigm could slow it down (Hooker, 2021). Thesis 1 therefore refers to the current scaling paradigm, not to AI as such. Theses 2–5 remain valid even if scaling continues: they describe the direction in which the technology diffuses, not its ceiling.7.6. Новая парадигма может отодвинуть предел. История ИИ учит, что общие методы, использующие вычисления, рано или поздно побеждают (Sutton, 2019). Анализ Epoch AI допускает к 2030 г. обучающие прогоны примерно в 10 000 раз крупнее GPT-4 (Sevilla et al., 2024). Принципиально новая архитектура может начать новую S-кривую (Foster, 1986), а аппаратная специализация под текущую парадигму может её затормозить (Hooker, 2021). Поэтому тезис 1 относится к текущей парадигме масштабирования, а не к ИИ как таковому. При этом тезисы 2–5 сохраняют силу и при продолжении масштабирования: они описывают направление распространения технологии, а не её потолок.7.6. Жаңа парадигма шекті ысыруы мүмкін. ЖИ тарихы есептеулерді пайдаланатын жалпы әдістер ерте ме, кеш пе жеңетінін үйретеді (Sutton, 2019). Epoch AI талдауы 2030 жылға қарай GPT-4-тен шамамен 10 000 есе ірі оқыту сеанстарын мүмкін деп санайды (Sevilla et al., 2024). Түбегейлі жаңа архитектура жаңа S-қисықты бастауы мүмкін (Foster, 1986), ал қазіргі парадигмаға аппараттық мамандану оны тежеуі мүмкін (Hooker, 2021). Сондықтан 1-тезис ЖИ-дің өзіне емес, масштабтаудың қазіргі парадигмасына қатысты. Бұл ретте 2–5-тезистер масштабтау жалғасқан жағдайда да күшін сақтайды: олар технологияның шегін емес, таралу бағытын сипаттайды.

7.7. Who will create knowledge? If websites and forums disappear, people will have less incentive to publish knowledge openly; the decline of activity on Stack Overflow is a first signal (del Rio-Chanona et al., 2024). Yet it is human data that feeds AI, and training on a model's own outputs leads to model collapse (Shumailov et al., 2024; Villalobos et al., 2024). The agentic Internet will therefore require new mechanisms for rewarding authors; first attempts, such as charging AI crawlers for access, have already appeared (Allen & Newton, 2025). Another risk is the concentration of access to information in the hands of a few AI service operators. This is an argument for open protocols and for many specialized agents rather than a single universal one.7.7. Кто будет создавать знания? Если сайты и форумы исчезнут, у людей ослабнет стимул открыто публиковать знания; падение активности на Stack Overflow — первый сигнал (del Rio-Chanona et al., 2024). Но именно человеческие данные питают ИИ, а обучение на собственных выходах ведёт к коллапсу моделей (Shumailov et al., 2024; Villalobos et al., 2024). Агентный Интернет поэтому потребует новых механизмов вознаграждения авторов; первые попытки, например плата за обращения ИИ-краулеров, уже появились (Allen & Newton, 2025). Другой риск — концентрация доступа к информации у немногих операторов ИИ-сервисов. Это аргумент в пользу открытых протоколов и множества специализированных агентов, а не одного универсального.7.7. Білімді кім жасайды? Егер сайттар мен форумдар жойылса, адамдардың білімді ашық жариялауға ынтасы әлсірейді; Stack Overflow-дағы белсенділіктің төмендеуі — алғашқы белгі (del Rio-Chanona et al., 2024). Бірақ ЖИ-ді дәл адам деректері қоректендіреді, ал модельдің өз нәтижелерінде оқыту модельдер коллапсына әкеледі (Shumailov et al., 2024; Villalobos et al., 2024). Сондықтан агенттік Интернет авторларды ынталандырудың жаңа тетіктерін қажет етеді; ЖИ-краулерлердің сұраныстары үшін ақы алу сияқты алғашқы әрекеттер қазірдің өзінде пайда болды (Allen & Newton, 2025). Тағы бір тәуекел — ақпаратқа қол жеткізудің ЖИ-сервистердің аз ғана операторларының қолында шоғырлануы. Бұл бір әмбебап агенттің емес, ашық хаттамалар мен көптеген мамандандырылған агенттердің пайдасына уәж.

8. Conclusion8. Заключение8. Қорытынды

AI is a technology with a limit, and the current scaling paradigm will in all likelihood reach it by the late 2020s to early 2030s. Yet a limit to growth "upwards" means not a halt but a redirection of development. Outwards — through specialization and penetration into every sphere of life. Downwards — through absorption of the intermediate layer of programs, websites and search engines, specialization of hardware and entry into mechanical engineering.ИИ — технология с пределом, и текущая парадигма масштабирования, по всей видимости, достигнет его к концу 2020-х — началу 2030-х годов. Однако предел роста «вверх» означает не остановку, а перенаправление развития. Вширь — через специализацию и проникновение во все сферы жизни. Вглубь — через поглощение промежуточного слоя программ, сайтов и поисковиков, специализацию аппаратуры и выход в машиностроение.ЖИ — шегі бар технология, ал масштабтаудың қазіргі парадигмасы, сірә, оған 2020 жылдардың соңы — 2030 жылдардың басында жетеді. Алайда «жоғары» өсудің шегі тоқтауды емес, дамудың қайта бағытталуын білдіреді. Кеңінен — мамандану және өмірдің барлық салаларына ену арқылы. Тереңге — бағдарламалардың, сайттар мен іздеу жүйелерінің аралық қабатын сіңіру, аппаратураны мамандандыру және машина жасауға шығу арқылы.

The resulting picture is a short chain, "intent → specialized neural model → AI-oriented hardware → machine", in place of today's multi-layer stack of websites and search engines, programming languages, operating systems, drivers and general-purpose computers. So far this chain has been realized only in fragments: in robots with VLA models, in neural game engines, in AI assistants that replace search and in processors designed with the participation of AI. But every one of its links has already been demonstrated.Итоговая картина — короткая цепочка «намерение → специализированная нейронная модель → ИИ-ориентированная аппаратура → машина» вместо нынешнего многослойного стека из сайтов и поисковиков, языков программирования, ОС, драйверов и универсальных компьютеров. Пока эта цепочка реализована лишь фрагментарно: в роботах с VLA-моделями, нейронных игровых движках, ИИ-ассистентах, заменяющих поиск, и процессорах, спроектированных с участием ИИ. Но все её звенья уже продемонстрированы.Қорытынды көрініс — бүгінгі сайттар мен іздеу жүйелерінен, бағдарламалау тілдерінен, ОЖ-дан, драйверлерден және әмбебап компьютерлерден тұратын көпқабатты стектің орнына «ниет → мамандандырылған нейрондық модель → ЖИ-ге бағдарланған аппаратура → машина» қысқа тізбегі. Әзірге бұл тізбек тек жартылай жүзеге асқан: VLA-модельдері бар роботтарда, нейрондық ойын қозғалтқыштарында, іздеуді алмастыратын ЖИ-ассистенттерде және ЖИ қатысуымен жобаланған процессорларда. Бірақ оның барлық буындары қазірдің өзінде көрсетілген.

This Perspective points to six priorities for research and practice:Из перспективы следуют шесть приоритетов для исследований и практики:Перспективадан зерттеулер мен практика үшін алты басымдық туындайды:

  1. Verification of neural systems — methods for proving and certifying the behaviour of models that replace code.Верификация нейронных систем — методы доказательства и сертификации поведения моделей, заменяющих код.Нейрондық жүйелерді верификациялау — кодты алмастыратын модельдердің мінез-құлқын дәлелдеу және сертификаттау әдістері.
  2. Energy-efficient specialized hardware — in-memory, analogue, neuromorphic and photonic architectures.Энергоэффективная специализированная аппаратура — вычисления в памяти, аналоговые, нейроморфные и фотонные архитектуры.Энергия тиімді мамандандырылған аппаратура — жадтағы есептеулер, аналогтық, нейроморфты және фотондық архитектуралар.
  3. Data-efficient training of domain models — quality and structure of data rather than volume.Эффективное по данным обучение предметных моделей — качество и структура данных вместо их объёма.Пәндік модельдерді деректер бойынша тиімді оқыту — деректердің көлемінің орнына олардың сапасы мен құрылымы.
  4. Frameworks for governance and accountability for AI in public administration, law, security and the spiritual sphere.Рамки управления и ответственности для ИИ в государственном управлении, праве, безопасности и духовной сфере.Мемлекеттік басқарудағы, құқықтағы, қауіпсіздіктегі және рухани саладағы ЖИ үшін басқару мен жауапкершілік шеңберлері.
  5. The knowledge economy of the agentic Internet — reward mechanisms for authors and open protocols, without which AI will run out of fresh human data.Экономика знаний в агентном Интернете — механизмы вознаграждения авторов и открытые протоколы, без которых ИИ лишится свежих человеческих данных.Агенттік Интернеттегі білім экономикасы — авторларды ынталандыру тетіктері мен ашық хаттамалар, оларсыз ЖИ жаңа адам деректерінен айырылады.
  6. Reform of engineering education — a shift of emphasis from programming to problem specification, verification, hardware and mechanical engineering.Пересмотр инженерного образования — смещение акцента с программирования на постановку задач, верификацию, аппаратуру и машиностроение.Инженерлік білім беруді қайта қарау — екпінді бағдарламалаудан міндет қоюға, верификацияға, аппаратураға және машина жасауға ауыстыру.

Specialization also has an important practical consequence. If value shifts from the largest general-purpose models to domain data and integration, then countries, universities and companies without access to gigawatt-scale data centres will be able to compete in their own fields. The limit of general-purpose AI thus becomes the beginning of its democratization.Специализация имеет и важное практическое следствие. Если ценность смещается от крупнейших универсальных моделей к предметным данным и интеграции, то страны, университеты и компании без доступа к гигаваттным центрам обработки данных смогут конкурировать в своих областях. Предел универсального ИИ становится, таким образом, началом его демократизации.Маманданудың маңызды практикалық салдары да бар. Егер құндылық ең ірі әмбебап модельдерден пәндік деректер мен интеграцияға ауысса, гигаватт деңгейіндегі деректерді өңдеу орталықтарына қолжетімділігі жоқ елдер, университеттер мен компаниялар өз салаларында бәсекелесе алады. Осылайша әмбебап ЖИ-дің шегі оның демократиялануының басы болады.

Data AvailabilityДоступность данныхДеректердің қолжетімділігі

No new data were created or analysed in this work. All sources are listed in the References.В работе не создавались и не анализировались новые данные. Все источники приведены в списке литературы.Бұл жұмыста жаңа деректер жасалған жоқ және талданған жоқ. Барлық дереккөздер әдебиеттер тізімінде келтірілген.

FundingФинансированиеҚаржыландыру

This work received no specific funding.Работа не имела специального финансирования.Бұл жұмыс арнайы қаржыландырылған жоқ.

Author ContributionsВклад автораАвтордың үлесі

R.K.: conceptualization, writing — original draft, writing — review and editing.Р.К.: концептуализация, написание исходного текста, редактирование.Р.К.: тұжырымдама, бастапқы мәтінді жазу, өңдеу.

Use of Generative AIИспользование генеративного ИИГенеративті ЖИ-ді пайдалану

Generative AI tools were used to assist with drafting, translation and verification of bibliographic references. The author reviewed and edited all content and takes full responsibility for it.Инструменты генеративного ИИ использовались для помощи в подготовке текста, переводе и проверке библиографических ссылок. Автор проверил и отредактировал весь текст и несёт за него полную ответственность.Генеративті ЖИ құралдары мәтінді дайындауға, аударуға және библиографиялық сілтемелерді тексеруге көмек ретінде пайдаланылды. Автор барлық мәтінді тексеріп, өңдеді және оған толық жауапты.

EthicsЭтикаЭтика

Not applicable.Не применимо.Қолданылмайды.

Competing InterestsКонфликт интересовМүдделер қақтығысы

The author declares that the research was conducted in the absence of any commercial or financial relationships that could be construed as a potential conflict of interest.Автор заявляет, что работа выполнена в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы рассматриваться как потенциальный конфликт интересов.Автор жұмыс мүдделер қақтығысы ретінде қарастырылуы мүмкін қандай да бір коммерциялық немесе қаржылық қатынастарсыз орындалғанын мәлімдейді.

ReferencesЛитератураӘдебиеттер

  1. Abts, D., et al. (2020). Think fast: A tensor streaming processor (TSP) for accelerating deep learning workloads. In 2020 ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA) (pp. 145–158). doi:10.1109/ISCA45697.2020.00023
  2. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative engine optimization. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 5–16). doi:10.1145/3637528.3671900
  3. Allen, W., & Newton, S. (2025, July 1). Introducing pay per crawl: Enabling content owners to charge AI crawlers for access. Cloudflare Blog. blog.cloudflare.com
  4. Ambrogio, S., et al. (2018). Equivalent-accuracy accelerated neural-network training using analogue memory. Nature, 558(7708), 60–67. doi:10.1038/s41586-018-0180-5
  5. Ambrogio, S., et al. (2023). An analog-AI chip for energy-efficient speech recognition and transcription. Nature, 620(7975), 768–775. doi:10.1038/s41586-023-06337-5
  6. Anthropic. (2024, November 25). Introducing the Model Context Protocol. anthropic.com
  7. Anthropic. (2026, April 7). Project Glasswing. https://www.anthropic.com/glasswing
  8. Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity. arXiv:2507.09089. doi:10.48550/arXiv.2507.09089
  9. Belcak, P., et al. (2025). Small language models are the future of agentic AI. arXiv:2506.02153. doi:10.48550/arXiv.2506.02153
  10. Bellan, R. (2025, October 6). Sam Altman says ChatGPT has hit 800M weekly active users. TechCrunch. techcrunch.com
  11. Bengio, Y., et al. (2026). International AI Safety Report 2026 (DSIT 2026/001). arXiv:2602.21012. doi:10.48550/arXiv.2602.21012
  12. Bjorck, J., et al. (2025). GR00T N1: An open foundation model for generalist humanoid robots. arXiv:2503.14734. doi:10.48550/arXiv.2503.14734
  13. Black, K., et al. (2025). π₀: A vision-language-action flow model for general robot control. In Robotics: Science and Systems XXI. doi:10.15607/RSS.2025.XXI.010
  14. Bojarski, M., et al. (2016). End to end learning for self-driving cars. arXiv:1604.07316. doi:10.48550/arXiv.1604.07316
  15. Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. arXiv:2108.07258. doi:10.48550/arXiv.2108.07258
  16. Bresnahan, T. F., & Trajtenberg, M. (1995). General purpose technologies ‘Engines of growth’? Journal of Econometrics, 65(1), 83–108. doi:10.1016/0304-4076(94)01598-T
  17. Brohan, A., et al. (2023). RT-2: Vision-language-action models transfer web knowledge to robotic control. In Proceedings of the 7th Conference on Robot Learning (PMLR 229, pp. 2165–2183). arXiv:2307.15818. doi:10.48550/arXiv.2307.15818
  18. Brooks, R. A. (1991). Intelligence without representation. Artificial Intelligence, 47(1–3), 139–159. doi:10.1016/0004-3702(91)90053-M
  19. Brundage, M., et al. (2018). The malicious use of artificial intelligence: Forecasting, prevention, and mitigation. arXiv:1802.07228. doi:10.48550/arXiv.1802.07228
  20. Burger, B., et al. (2020). A mobile robotic chemist. Nature, 583(7815), 237–241. doi:10.1038/s41586-020-2442-2
  21. Chapekis, A., & Lieb, A. (2025, July 22). Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center. pewresearch.org
  22. Chen, M., et al. (2021). Evaluating large language models trained on code. arXiv:2107.03374. doi:10.48550/arXiv.2107.03374
  23. Chen, W., et al. (2025). Internet of Agents: Weaving a web of heterogeneous agents for collaborative intelligence. In International Conference on Learning Representations (ICLR 2025). arXiv:2407.07061. doi:10.48550/arXiv.2407.07061
  24. Chen, Y.-H., Krishna, T., Emer, J. S., & Sze, V. (2017). Eyeriss: An energy-efficient reconfigurable accelerator for deep convolutional neural networks. IEEE Journal of Solid-State Circuits, 52(1), 127–138. doi:10.1109/JSSC.2016.2616357
  25. Cheng, C.-K., Kahng, A. B., Kundu, S., Wang, Y., & Wang, Z. (2023). Assessment of reinforcement learning for macro placement. In Proceedings of the 2023 International Symposium on Physical Design (pp. 158–166). doi:10.1145/3569052.3578926
  26. Coglianese, C., & Lehr, D. (2017). Regulating by robot: Administrative decision making in the machine-learning era. Georgetown Law Journal, 105, 1147–1223.
  27. Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large legal fictions: Profiling legal hallucinations in large language models. Journal of Legal Analysis, 16(1), 64–93. doi:10.1093/jla/laae003
  28. David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361.
  29. Davies, M., et al. (2018). Loihi: A neuromorphic manycore processor with on-chip learning. IEEE Micro, 38(1), 82–99. doi:10.1109/MM.2018.112130359
  30. Degrave, J., et al. (2022). Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602(7897), 414–419. doi:10.1038/s41586-021-04301-9
  31. del Rio-Chanona, R. M., Laurentsyeva, N., & Wachs, J. (2024). Large language models reduce public knowledge sharing on online Q&A platforms. PNAS Nexus, 3(9), pgae400. doi:10.1093/pnasnexus/pgae400
  32. Dell’Oro Group. (2026, March 17). Data center capex surges 57 percent in 2025 as AI deployments accelerate [Press release]. delloro.com
  33. Dennard, R. H., et al. (1974). Design of ion-implanted MOSFET’s with very small physical dimensions. IEEE Journal of Solid-State Circuits, 9(5), 256–268. doi:10.1109/JSSC.1974.1050511
  34. Dicastery for the Doctrine of the Faith & Dicastery for Culture and Education. (2025). Antiqua et nova: Note on the relationship between artificial intelligence and human intelligence. Vatican City, 28 January 2025. vatican.va
  35. Driess, D., et al. (2023). PaLM-E: An embodied multimodal language model. In Proceedings of the 40th International Conference on Machine Learning (PMLR 202, pp. 8469–8488).
  36. Dziri, N., et al. (2023). Faith and fate: Limits of transformers on compositionality. Advances in Neural Information Processing Systems, 36, 70293–70332. doi:10.52202/075280-3081
  37. Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308. doi:10.1126/science.adj0998
  38. Engstrom, D. F., Ho, D. E., Sharkey, C. M., & Cuéllar, M.-F. (2020). Government by algorithm: Artificial intelligence in federal administrative agencies. Report to the Administrative Conference of the United States. acus.gov doi:10.2139/ssrn.3551505
  39. Fawzi, A., et al. (2022). Discovering faster matrix multiplication algorithms with reinforcement learning. Nature, 610(7930), 47–53. doi:10.1038/s41586-022-05172-4
  40. Fedus, W., Zoph, B., & Shazeer, N. (2022). Switch transformers: Scaling to trillion parameter models with simple and efficient sparsity. Journal of Machine Learning Research, 23(120), 1–39.
  41. Firoozi, R., et al. (2025). Foundation models in robotics: Applications, challenges, and the future. International Journal of Robotics Research, 44(5), 701–739. doi:10.1177/02783649241281508
  42. Fitsilis, F., & Mikros, G. (2024). AI-based solutions for legislative drafting in the EU. European Commission, Interoperable Europe.
  43. Foster, R. N. (1986). Innovation: The attacker’s advantage. Summit Books.
  44. Gartner. (2024, February 19). Gartner predicts search engine volume will drop 25% by 2026, due to AI chatbots and other virtual agents [Press release]. gartner.com
  45. Ge, Y., et al. (2023). LLM as OS, agents as apps: Envisioning AIOS, agents and the AIOS-agent ecosystem. arXiv:2312.03815. doi:10.48550/arXiv.2312.03815
  46. Gemini Robotics Team. (2025). Gemini Robotics: Bringing AI into the physical world. arXiv:2503.20020. doi:10.48550/arXiv.2503.20020
  47. Goldie, A., et al. (2024). Addendum: A graph placement methodology for fast chip design. Nature, 634(8034), E10–E11. doi:10.1038/s41586-024-08032-5
  48. Google DeepMind. (2024, September 26). How AlphaChip transformed computer chip design. deepmind.google
  49. Graves, A., et al. (2016). Hybrid computing using a neural network with dynamic external memory. Nature, 538(7626), 471–476. doi:10.1038/nature20101
  50. Gunasekar, S., et al. (2023). Textbooks are all you need. arXiv:2306.11644. doi:10.48550/arXiv.2306.11644
  51. Guo, D., et al. (2025). DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature, 645(8081), 633–638. doi:10.1038/s41586-025-09422-z
  52. Hao, M., et al. (2020). LinnOS: Predictability on unpredictable flash storage with a light neural network. In 14th USENIX Symposium on Operating Systems Design and Implementation (pp. 173–190).
  53. Hennessy, J. L., & Patterson, D. A. (2019). A new golden age for computer architecture. Communications of the ACM, 62(2), 48–60. doi:10.1145/3282307
  54. Hinton, G., Vinyals, O., & Dean, J. (2015). Distilling the knowledge in a neural network. arXiv:1503.02531. doi:10.48550/arXiv.1503.02531
  55. Hoare, C. A. R. (1969). An axiomatic basis for computer programming. Communications of the ACM, 12(10), 576–580. doi:10.1145/363235.363259
  56. Hoffmann, J., et al. (2022). An empirical analysis of compute-optimal large language model training. Advances in Neural Information Processing Systems, 35, 30016–30030. (Preprint: Training compute-optimal large language models, arXiv:2203.15556.) doi:10.48550/arXiv.2203.15556
  57. Hooker, S. (2021). The hardware lottery. Communications of the ACM, 64(12), 58–65. doi:10.1145/3467017
  58. Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366. doi:10.1016/0893-6080(89)90020-8
  59. Horowitz, M. (2014). Computing’s energy problem (and what we can do about it). In 2014 IEEE International Solid-State Circuits Conference Digest of Technical Papers (pp. 10–14). doi:10.1109/ISSCC.2014.6757323
  60. Hwangbo, J., et al. (2019). Learning agile and dynamic motor skills for legged robots. Science Robotics, 4(26), eaau5872. doi:10.1126/scirobotics.aau5872
  61. IDC. (2026, March 12). Worldwide quarterly server tracker, Q4 2025 [Press release]. idc.com
  62. IEA. (2025). Energy and AI. International Energy Agency. iea.org
  63. IFR. (2025, September 25). Global robot demand in factories doubles over 10 years (World Robotics 2025) [Press release]. ifr.org
  64. IFR. (2026a, September 24). Five million robots now operate in factories globally (World Robotics 2026) [Press release]. ifr.org
  65. IFR. (2026b, September 30). Global sales of professional service robots surge 24% [Press release]. ifr.org
  66. Imperva. (2025, April 15). 2025 Imperva Bad Bot Report: AI fuels rise of hard-to-detect bots that now make up more than half of global internet traffic [Press release]. Thales. cpl.thalesgroup.com
  67. Jackson, J. C., Yam, K. C., Tang, P. M., Liu, T., & Shariff, A. (2023). Exposure to robot preachers undermines religious commitment. Journal of Experimental Psychology: General, 152(12), 3344–3358. doi:10.1037/xge0001443
  68. Jeantet, D., & Savarese, M. (2023, November 30). Brazilian city enacts an ordinance that was secretly written by ChatGPT. Associated Press.
  69. Jimenez, C. E., et al. (2024). SWE-bench: Can language models resolve real-world GitHub issues? In International Conference on Learning Representations (ICLR 2024). arXiv:2310.06770. doi:10.48550/arXiv.2310.06770
  70. Jouppi, N. P., et al. (2017). In-datacenter performance analysis of a tensor processing unit. In Proceedings of the 44th Annual International Symposium on Computer Architecture (pp. 1–12). doi:10.1145/3079856.3080246
  71. Jouppi, N. P., et al. (2023). TPU v4: An optically reconfigurable supercomputer for machine learning with hardware support for embeddings. In Proceedings of the 50th Annual International Symposium on Computer Architecture (pp. 1–14). doi:10.1145/3579371.3589350
  72. Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. doi:10.1038/s41586-021-03819-2
  73. Kaplan, J., et al. (2020). Scaling laws for neural language models. arXiv:2001.08361. doi:10.48550/arXiv.2001.08361
  74. Karpathy, A. (2017, November 11). Software 2.0. Medium. karpathy.medium.com
  75. Katz, D. M., Bommarito, M. J., Gao, S., & Arredondo, P. (2024). GPT-4 passes the bar exam. Philosophical Transactions of the Royal Society A, 382(2270), 20230254. doi:10.1098/rsta.2023.0254
  76. Kaufmann, E., et al. (2023). Champion-level drone racing using deep reinforcement learning. Nature, 620(7976), 982–987. doi:10.1038/s41586-023-06419-4
  77. Kim, M. J., et al. (2024). OpenVLA: An open-source vision-language-action model. In Proceedings of the 8th Conference on Robot Learning (PMLR 270, pp. 2679–2713). arXiv:2406.09246. doi:10.48550/arXiv.2406.09246
  78. Klein, G., et al. (2009). seL4: Formal verification of an OS kernel. In Proceedings of the 22nd ACM Symposium on Operating Systems Principles (pp. 207–220). doi:10.1145/1629575.1629596
  79. Kraska, T., et al. (2018). The case for learned index structures. In Proceedings of the 2018 International Conference on Management of Data (SIGMOD) (pp. 489–504). doi:10.1145/3183713.3196909
  80. Kudithipudi, D., et al. (2025). Neuromorphic computing at scale. Nature, 637(8047), 801–812. doi:10.1038/s41586-024-08253-8
  81. Kusano, K. D., et al. (2025). Comparison of Waymo rider-only crash rates by crash type to human benchmarks at 56.7 million miles. Traffic Injury Prevention, 26(sup1), S8–S20. doi:10.1080/15389588.2025.2499887
  82. Lam, R., et al. (2023). Learning skillful medium-range global weather forecasting. Science, 382(6677), 1416–1421. doi:10.1126/science.adi2336
  83. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. doi:10.1038/nature14539
  84. Leeman, J., et al. (2024). Challenges in high-throughput inorganic materials prediction and autonomous synthesis. PRX Energy, 3(1), 011002. doi:10.1103/PRXEnergy.3.011002
  85. Leiserson, C. E., et al. (2020). There’s plenty of room at the Top: What will drive computer performance after Moore’s law? Science, 368(6495), eaam9744. doi:10.1126/science.aam9744
  86. Levine, S., Finn, C., Darrell, T., & Abbeel, P. (2016). End-to-end training of deep visuomotor policies. Journal of Machine Learning Research, 17(39), 1–40.
  87. Li, Y., et al. (2022). Competition-level code generation with AlphaCode. Science, 378(6624), 1092–1097. doi:10.1126/science.abq1158
  88. Liang, J., et al. (2023). Code as policies: Language model programs for embodied control. In 2023 IEEE International Conference on Robotics and Automation (ICRA) (pp. 9493–9500). doi:10.1109/ICRA48891.2023.10160591
  89. Lie, S. (2023). Cerebras architecture deep dive: First look inside the hardware/software co-design for deep learning. IEEE Micro, 43(3), 18–30. doi:10.1109/MM.2023.3256384
  90. Lipson, H., & Pollack, J. B. (2000). Automatic design and manufacture of robotic lifeforms. Nature, 406(6799), 974–978. doi:10.1038/35023115
  91. Liu, M., et al. (2023). ChipNeMo: Domain-adapted LLMs for chip design. arXiv:2311.00176. doi:10.48550/arXiv.2311.00176
  92. Löffler, D., Hurtienne, J., & Nord, I. (2021). Blessing robot BlessU2: A discursive design study to understand the implications of social robots in religious contexts. International Journal of Social Robotics, 13(4), 569–586. doi:10.1007/s12369-019-00558-3
  93. Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2025). Hallucination-free? Assessing the reliability of leading AI legal research tools. Journal of Empirical Legal Studies, 22(2), 216–242. doi:10.1111/jels.12413
  94. Mankowitz, D. J., et al. (2023). Faster sorting algorithms discovered using deep reinforcement learning. Nature, 618(7964), 257–263. doi:10.1038/s41586-023-06004-9
  95. Marcus, G. (2018). Deep learning: A critical appraisal. arXiv:1801.00631. doi:10.48550/arXiv.1801.00631
  96. Markov, I. L. (2024). Reevaluating Google’s reinforcement learning for IC macro placement. Communications of the ACM, 67(11), 60–71. doi:10.1145/3676845
  97. Maslej, N., et al. (2025). The AI Index 2025 annual report. Stanford Institute for Human-Centered AI. arXiv:2504.07139. hai.stanford.edu doi:10.48550/arXiv.2504.07139
  98. Merolla, P. A., et al. (2014). A million spiking-neuron integrated circuit with a scalable communication network and interface. Science, 345(6197), 668–673. doi:10.1126/science.1254642
  99. Microsoft. (2025, May 19). Introducing NLWeb: Bringing conversational interfaces directly to the web. Microsoft Source. news.microsoft.com
  100. Miller, M. (2025, October 17). New user trends on Wikipedia. Wikimedia Foundation, Diff. diff.wikimedia.org
  101. Mirhoseini, A., et al. (2021). A graph placement methodology for fast chip design. Nature, 594(7862), 207–212. doi:10.1038/s41586-021-03544-w
  102. Moravec, H. (1988). Mind children: The future of robot and human intelligence. Harvard University Press.
  103. Newman, N., et al. (2025). Reuters Institute Digital News Report 2025. Reuters Institute for the Study of Journalism, University of Oxford. reutersinstitute.politics.ox.ac.uk
  104. Nielsen, J. (2023, June 18). AI: First new UI paradigm in 60 years. Nielsen Norman Group. nngroup.com
  105. Novikov, A., et al. (2025). AlphaEvolve: A coding agent for scientific and algorithmic discovery. arXiv:2506.13131. doi:10.48550/arXiv.2506.13131
  106. NVIDIA. (2025, February 26). NVIDIA announces financial results for fourth quarter and fiscal 2025 [Press release]. sec.gov
  107. NVIDIA. (2026, February 25). NVIDIA announces financial results for fourth quarter and fiscal 2026 [Press release]. sec.gov
  108. O’Neill, A., et al. (Open X-Embodiment Collaboration). (2024). Open X-Embodiment: Robotic learning datasets and RT-X models. In 2024 IEEE International Conference on Robotics and Automation (ICRA) (pp. 6892–6903). doi:10.1109/ICRA57147.2024.10611477
  109. OpenAI. (2026, February 23). Why we no longer evaluate SWE-bench Verified. openai.com
  110. Packer, C., et al. (2023). MemGPT: Towards LLMs as operating systems. arXiv:2310.08560. doi:10.48550/arXiv.2310.08560
  111. Pearce, H., Ahmad, B., Tan, B., Dolan-Gavitt, B., & Karri, R. (2022). Asleep at the keyboard? Assessing the security of GitHub Copilot’s code contributions. In 2022 IEEE Symposium on Security and Privacy (pp. 754–768). doi:10.1109/SP46214.2022.9833571
  112. Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv:2302.06590. doi:10.48550/arXiv.2302.06590
  113. Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar. doi:10.4337/9781781005323
  114. Pichai, S. (2024, October 29). Q3 earnings call: CEO’s remarks. Google. blog.google
  115. Pichai, S. (2026, April 22). Cloud Next 2026 [Keynote remarks]. Google. blog.google
  116. Pontifical Academy for Life, et al. (2020). Rome Call for AI Ethics. Rome, 28 February 2020. romecall.org
  117. Rahwan, I. (2018). Society-in-the-loop: Programming the algorithmic social contract. Ethics and Information Technology, 20(1), 5–14. doi:10.1007/s10676-017-9430-8
  118. Regenwetter, L., Nobari, A. H., & Ahmed, F. (2022). Deep generative models in engineering design: A review. Journal of Mechanical Design, 144(7), 071704. doi:10.1115/1.4053859
  119. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). (2024). Official Journal of the European Union, L, 2024/1689. eur-lex
  120. Rivard, L., et al. (2026). NeuralOS: Towards simulating operating systems via neural generative models. In International Conference on Learning Representations (ICLR 2026). arXiv:2507.08800. doi:10.48550/arXiv.2507.08800
  121. Romera-Paredes, B., et al. (2024). Mathematical discoveries from program search with large language models. Nature, 625(7995), 468–475. doi:10.1038/s41586-023-06924-6
  122. Schaeffer, R., Miranda, B., & Koyejo, S. (2023). Are emergent abilities of large language models a mirage? Advances in Neural Information Processing Systems, 36, 55565–55581. doi:10.52202/075280-2425
  123. Sculley, D., et al. (2015). Hidden technical debt in machine learning systems. Advances in Neural Information Processing Systems, 28, 2503–2511.
  124. Sebastian, A., Le Gallo, M., Khaddam-Aljameh, R., & Eleftheriou, E. (2020). Memory devices and applications for in-memory computing. Nature Nanotechnology, 15(7), 529–544. doi:10.1038/s41565-020-0655-z
  125. Sevilla, J., et al. (2022). Compute trends across three eras of machine learning. In 2022 International Joint Conference on Neural Networks (IJCNN) (pp. 1–8). doi:10.1109/IJCNN55064.2022.9891914
  126. Sevilla, J., et al. (2024, August 20). Can AI scaling continue through 2030? Epoch AI. epoch.ai
  127. Shazeer, N., et al. (2017). Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. In International Conference on Learning Representations (ICLR 2017). arXiv:1701.06538. doi:10.48550/arXiv.1701.06538
  128. Shen, Y., et al. (2017). Deep learning with coherent nanophotonic circuits. Nature Photonics, 11(7), 441–446. doi:10.1038/nphoton.2017.93
  129. Shumailov, I., et al. (2024). AI models collapse when trained on recursively generated data. Nature, 631(8022), 755–759. doi:10.1038/s41586-024-07566-y
  130. Siegelmann, H. T., & Sontag, E. D. (1995). On the computational power of neural nets. Journal of Computer and System Sciences, 50(1), 132–150. doi:10.1006/jcss.1995.1013
  131. Simmerlein, J. (2025). Sacred meets synthetic: A multi-method study on the first AI church service. Review of Religious Research, 67(1), 126–145. doi:10.1177/0034673X241282962
  132. Singhal, K., et al. (2023). Large language models encode clinical knowledge. Nature, 620(7972), 172–180. doi:10.1038/s41586-023-06291-2
  133. Snell, C., Lee, J., Xu, K., & Kumar, A. (2025). Scaling LLM test-time compute optimally can be more effective than scaling parameters for reasoning. In International Conference on Learning Representations (ICLR 2025). arXiv:2408.03314. doi:10.48550/arXiv.2408.03314
  134. Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (pp. 3645–3650). doi:10.18653/v1/P19-1355
  135. Surapaneni, R., Jha, M., Vakoc, M., & Segal, T. (2025, April 9). Announcing the Agent2Agent Protocol (A2A). Google Developers Blog. developers.googleblog.com
  136. Sutton, R. S. (2019, March 13). The bitter lesson. incompleteideas.net
  137. Synopsys. (2023, February 7). AI-designed chips reach scale with first 100 commercial tape-outs using Synopsys technology [Press release]. news.synopsys.com
  138. Szymanski, N. J., et al. (2023). An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature, 624(7990), 86–91. doi:10.1038/s41586-023-06734-w (Author Correction: Nature, 650, E1, 2026, doi:10.1038/s41586-025-09992-y)
  139. Sze, V., Chen, Y.-H., Yang, T.-J., & Emer, J. S. (2017). Efficient processing of deep neural networks: A tutorial and survey. Proceedings of the IEEE, 105(12), 2295–2329. doi:10.1109/JPROC.2017.2761740
  140. Tao, F., Zhang, H., Liu, A., & Nee, A. Y. C. (2019). Digital twin in industry: State-of-the-art. IEEE Transactions on Industrial Informatics, 15(4), 2405–2415. doi:10.1109/TII.2018.2873186
  141. Thakur, S., et al. (2023). Benchmarking large language models for automated Verilog RTL code generation. In 2023 Design, Automation & Test in Europe Conference (DATE) (pp. 1–6). doi:10.23919/DATE56975.2023.10137086
  142. Thakur, S., et al. (2024). VeriGen: A large language model for Verilog code generation. ACM Transactions on Design Automation of Electronic Systems, 29(3), 1–31. doi:10.1145/3643681
  143. Theis, T. N., & Wong, H.-S. P. (2017). The end of Moore’s law: A new beginning for information technology. Computing in Science & Engineering, 19(2), 41–50. doi:10.1109/MCSE.2017.29
  144. Thompson, N. C., Greenewald, K., Lee, K., & Manso, G. F. (2020). The computational limits of deep learning. arXiv:2007.05558. doi:10.48550/arXiv.2007.05558
  145. Tomé, J. (2025, August 29). The crawl-to-click gap: Cloudflare data on AI bots, training, and referrals. Cloudflare Blog. blog.cloudflare.com
  146. Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. doi:10.1038/s41591-018-0300-7
  147. Valevski, D., Leviathan, Y., Arar, M., & Fruchter, S. (2025). Diffusion models are real-time game engines. In International Conference on Learning Representations (ICLR 2025). arXiv:2408.14837. doi:10.48550/arXiv.2408.14837
  148. Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008.
  149. Villalobos, P., et al. (2024). Position: Will we run out of data? Limits of LLM scaling based on human-generated data. In Proceedings of the 41st International Conference on Machine Learning (PMLR 235, pp. 49523–49544).
  150. von Neumann, J. (1966). Theory of self-reproducing automata (A. W. Burks, Ed.). University of Illinois Press.
  151. Wang, H., et al. (2023). Scientific discovery in the age of artificial intelligence. Nature, 620(7972), 47–60. doi:10.1038/s41586-023-06221-2
  152. Weiser, M. (1991). The computer for the 21st century. Scientific American, 265(3), 94–104. doi:10.1038/scientificamerican0991-94
  153. Welsh, M. (2023). The end of programming. Communications of the ACM, 66(1), 34–35. doi:10.1145/3570220
  154. Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82. doi:10.1109/4235.585893
  155. Wu, S., et al. (2023). BloombergGPT: A large language model for finance. arXiv:2303.17564. doi:10.48550/arXiv.2303.17564
  156. Xu, X., Lu, Y., Vogel-Heuser, B., & Wang, L. (2021). Industry 4.0 and Industry 5.0—Inception, conception and perception. Journal of Manufacturing Systems, 61, 530–535. doi:10.1016/j.jmsy.2021.10.006
  157. Xu, Z., Jain, S., & Kankanhalli, M. (2024). Hallucination is inevitable: An innate limitation of large language models. arXiv:2401.11817. doi:10.48550/arXiv.2401.11817
  158. Yang, Y., et al. (2025). Agentic Web: Weaving the next web with AI agents. arXiv:2507.21206. doi:10.48550/arXiv.2507.21206
  159. You, J., Owen, D., Porter, D., & Wilson, T. (2025). Scaling intelligence: The exponential growth of AI’s power needs. EPRI & Epoch AI.
  160. Zhao, T. Z., Kumar, V., Levine, S., & Finn, C. (2023). Learning fine-grained bimanual manipulation with low-cost hardware. In Robotics: Science and Systems XIX. doi:10.15607/RSS.2023.XIX.016
  161. Zheng, S., Trott, A., Srinivasa, S., Parkes, D. C., & Socher, R. (2022). The AI Economist: Taxation policy design via two-level deep multiagent reinforcement learning. Science Advances, 8(18), eabk2607. doi:10.1126/sciadv.abk2607
KeywordsКлючевые словаТүйін сөздер
artificial intelligence; scaling laws; technology S-curve; specialized models; Software 2.0; neuromorphic computing; chip design; embodied AI; robotics; AI governance; agentic webискусственный интеллект; законы масштабирования; S-кривая технологий; специализированные модели; ПО 2.0; нейроморфные вычисления; проектирование чипов; воплощённый ИИ; робототехника; управление ИИ; агентный вебжасанды интеллект; масштабтау заңдары; технологиялардың S-қисығы; мамандандырылған модельдер; БЖ 2.0; нейроморфты есептеулер; чиптерді жобалау; денеленген ЖИ; робототехника; ЖИ-ді басқару; агенттік веб
CitationСсылкаДәйексөз
Kalendar R (2026) Prospects for Artificial Intelligence: From Scaling Limits to Specialization, Neural Infrastructure and Autonomous Machine Building. Contig. 1(3):202618. DOI: 10.66273/3134-6359.2026.1.3.006
DatesДатыКүндер
Received: 06.10.2026 · Accepted: 10.10.2026 · Published online: 10.10.2026Поступила: 06.10.2026 · Принята: 10.10.2026 · Опубликована онлайн: 10.10.2026Келіп түсті: 06.10.2026 · Қабылданды: 10.10.2026 · Онлайн жарияланды: 10.10.2026
CorrespondenceПерепискаХат алмасу
Ruslan KalendarРуслан КалендарьРуслан Календарь, ruslan.kalendar@nu.edu.kz

Copyright © 2026 Kalendar. This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply with these terms.

Disclaimer: All claims expressed in this article are solely those of the authors and do not necessarily represent those of their affiliated organizations, or those of the publisher, the editors and the reviewers. Any product that may be evaluated in this article or claim that may be made by its manufacturer is not guaranteed or endorsed by the publisher.