Корпорация Microsoft ускоряет работу над собственными платформами искусственного интеллекта и нацеливается на создание моделей, способных соперничать с наиболее продвинутыми решениями на рынке. В центре стратегии — попытка в ближайшие годы сформировать «внутреннюю экосистему» ИИ, которая станет альтернативой продуктам OpenAI и Anthropic, активно используемым компаниями и разработчиками по всему миру.
Зачем Microsoft нужно «собственное» ИИ
Как заявил Мустафа Сулейман — руководитель подразделения Microsoft AI, — компания рассматривает развитие больших моделей как ключевой элемент долгосрочной технологической независимости. Идея проста: иметь собственные инструменты, которые можно адаптировать под корпоративные задачи, не полагаясь исключительно на внешних поставщиков.
По словам Сулеймана, цель Microsoft — достичь уровня «современных» (state-of-the-art) возможностей к 2027 году сразу в нескольких типах моделей. Речь идет о системах, которые способны отвечать на запросы пользователя и/или генерировать контент в разных форматах: текст, изображения и аудио.
План по срокам: 2027 год и развитие мультимодальности
В контексте ИИ термин «state-of-the-art» обычно означает, что модель показывает результаты на уровне лучших существующих решений в отрасли — по ключевым метрикам качества, точности и надежности. А «мультимодальность» подразумевает работу с разными видами данных: модель одинаково хорошо обрабатывает и производит информацию, например, в виде текста, изображений или звука.
Microsoft, как следует из заявления, делает ставку именно на такой подход — чтобы к 2027 году её модели могли уверенно работать с несколькими медиатипами, а не ограничиваться только текстовыми функциями.
Новый шаг: модель транскрипции речи
В четверг подразделение Сулеймана представило специализированную модель, ориентированную на преобразование речи в текст. Компания называет её инструментом для транскрипции — то есть для расшифровки произнесенной речи.
Microsoft утверждает, что в тестах на производительность её модель демонстрирует превосходство над конкурентами в сравнении результатов на 11 из 25 наиболее распространенных языков. При этом важно подчеркнуть масштаб: 25 самых широко используемых языков — это ориентир, который обычно используют, чтобы оценить охват и применимость технологии в разных регионах и индустриях.
Чем модель отличается от универсальных систем
Согласно описанию Microsoft, новый продукт — специализированный, а не «универсальный» ИИ. В компании отмечают два ключевых отличия:
- ориентация на эффективность — модель разрабатывалась под конкретную задачу транскрипции;
- обучение на меньшем объеме данных по сравнению с общими моделями, такими как Claude 3 Opus и GPT-4.
Уточнение про объем обучающих данных важно для понимания подхода: универсальные модели обычно требуют больших вычислительных ресурсов и массивных датасетов, тогда как специализированные решения иногда быстрее внедряются и проще оптимизируются под определенные сценарии.
Инфраструктура: ставка на Nvidia GB200
Чтобы выводить более мощные модели, Microsoft параллельно наращивает вычислительную инфраструктуру. Сулейман сообщил, что компания уже работает над расширением своих мощностей и готовится к росту в ближайшие периоды.
В октябре Microsoft начала использовать кластер Nvidia GB200 — это аппаратная платформа, разработанная для задач, связанных с обучением и запуском больших моделей. По словам Сулеймана, цель — довести вычисления до уровня, который обычно называют «frontier-level computing capacity», то есть мощности, сопоставимые с возможностями лидеров отрасли.
Очерёдность и темпы масштабирования
Наращивание ресурсов, по заявлению главы Microsoft AI, должно происходить в течение 12–18 месяцев. Это означает, что компания рассматривает развитие как поэтапный процесс: сначала — расширение инфраструктуры и запуск специализированных моделей, затем — постепенный переход к более общим и масштабным системам.
Что это может значить для рынка
Если планы Microsoft будут выполнены, к 2027 году компания сможет предложить корпоративным клиентам и разработчикам альтернативу внешним ИИ-платформам сразу в нескольких форматах данных — от текста до изображений и аудио. В практическом смысле это может повлиять на выбор технологий для голосовых ассистентов, аналитики, контент-генерации и автоматизации процессов, где важны качество, скорость и управляемость.
Инициатива также отражает более широкий тренд: крупные технологические игроки всё чаще стремятся строить собственные модели и инфраструктуру, чтобы лучше контролировать стоимость вычислений, доступность сервисов и соответствие требованиям безопасности и приватности.