Глубокое погружение на AI Journey в этом году стало не просто вторым треком, а площадкой, где обсуждали не гипотезы, а действующие системы и архитектуры. Если десять лет назад задачей было объяснить, почему ИИ вообще важен, то теперь фокус сместился к тому, как проектировать, внедрять и масштабировать конкретные решения. Корпорации, технологические команды и индустрии пришли за готовыми методиками и инженерными приёмами, а не за вдохновляющими кейсами.
Технический центр притяжения — презентация GigaChat 3.0 от Фёдора Минькина. Линейка расколота на два полюса. Lightning — облегчённая и быстрая модель с сильной русскоязычной компетенцией и заметно более низкой стоимостью обращения, что критично для массовых сценариев в кол-центрах, чат-ботах, документообороте и RPA. Ultra-Preview — гигант с 702 млрд параметров, крупнейшая обученная в стране модель, построенная по принципу Mixture of Experts. MoE-конфигурация распределяет вычисления между «экспертами», включая лишь нужные подзадачи, поэтому итоговая стоимость инференса не растёт пропорционально размеру модели — то, за что классические плотные архитектуры платят слишком дорого.
Ключевой момент — открытая политика. И Lightning, и Ultra-Preview выложены в открытый доступ. Это не просто жест доброй воли, а стратегический инструмент для формирования экосистемы: open source снижает барьеры входа для стартапов и университетов, ускоряет аудит качества, даёт независимым командам шанс адаптировать модели под локальные домены. Вкупе с интеграцией поиска, интерпретатора, долговременной памяти и акустической подсистемы GigaAM это превращает GigaChat в платформу, а не в изолированный продукт.
Синтез речи — второй горячий блок. Команда SberDevices показала прогресс GigaTTS: естественные паузы, ритм, динамика, эмоциональные оттенки и, главное, детальный контроль стиля. От формального дикторского тембра до «фристайла» с живой спонтанной интонацией — набор голосов покрывает задачи от озвучки сервисных уведомлений до дубляжа и игровых реплик. Демонстрации эмоциональной окраски звучали на уровне студийной работы: отличить от профессионального актёра без подсказок было сложно.
Следующая ступень — единая мультимодальная голосовая модель, которая не только произносит текст с заданной интонацией, но и контекстуально реагирует: различает намерение, настроение, распознаёт паузы как семантические маркеры, подстраивает темп и тон. Это уже не «читалка», а собеседник. В таких ассистентах голос перестаёт быть интерфейсом вывода — он становится интерфейсом смысла.
О визуальной генерации рассказали на примере Kandinsky 5.0. Архитектура — собственный диффузионный трансформер и новый VAE; датасет — сотни миллионов изображений и видео. Прорыв — метод NABLA: он почти втрое ускоряет обучение, позволяет удерживать качество на HD-видео и расширяет диапазон задач — от text-to-video и image-to-video до image editing и комбинаций с 3D-референсами. Это уже не игрушка для обложек: решения на базе пятой версии используют в дизайне интерьеров (моментальная визуализация вариантов планировок и отделки) и в электронной коммерции (AR-примерка и адаптивные каталоги).
Примечательно, как Deep Dive подсветил сдвиг от «пилотов ради пилотов» к аккуратному промышленному масштабу. Большие компании обсуждают не только точность и latency, но и бюджет владения, мониторинг деградации качества, MLOps-процессы, тестовые стенды, версии датасетов, контроль дрейфа и регламентированный откат моделей. В реальном секторе — от горнодобывающего комплекса до телекома — без этого стекла и рутины устойчивого эффекта не добиться.
Интерес аудитории к «хардкору» объясним: для продуктовых команд важнее не «магия», а повторяемые паттерны. На сессиях подробно разбирали связку retrieval-augmented generation для внутренних знаний, способы обогащения промптов бизнес-метаданными, выбор между плотной и MoE-архитектурой в зависимости от нагрузки, компромиссы в квантизации, а также гибридные пайплайны, где узкоспециализированные модели решают «края», а универсальная — оркестрирует.
Важно и то, что на площадке прозвучал первый российский мультимодальный бенчмарк MERA Multi. Он снимает давнюю проблему разнородных метрик: сравнение моделей по визуально-текстовым задачам, аудио и видео становится более прозрачным. Для бизнеса это язык договорённостей: можно требовать не абстрактного «лучше рисует», а конкретной динамики по наборам подзадач, близких к продакшн-реалиям. Бенчмарки такого класса дисциплинируют рынок и сокращают цикл внедрения.
Глобальный контекст лишь усиливает мотивацию. Релиз нового поколения Google Gemini, оказавший впечатление даже на конкурентов, показывает, насколько быстро растёт потолок мультимодальности: единая модель уверенно держит тексты, изображение и звук, а значит, локальным командам нужно ускорять R&D, чтобы не оказаться в нише сугубо локализованных интеграторов. Deep Dive демонстрирует, что у российских игроков сформирован ответ: опора на русскоязычную экспертизу, открытые модели, фокус на экономике инференса и на задачах, где мультимодальность даёт немедленную отдачу.
Отдельного внимания заслуживает тема данных. Сильная русскоязычная компетенция моделей — следствие системной работы с корпусами: очистка, дедупликация, приоритизация доменов, синтетическое дополнение редких классов и продуманные схемы RLHF. На треке обсуждали и безопасную эксплуатацию: от фильтров токсичности и конфиденциальности до объяснимости решений. Для многих отраслей, особенно финансов и госсектора, это критичнее «креативности».
Переход к голосовым сервисам диктует новые требования к инфраструктуре. Нагрузка в диалогах неравномерная, пиковая — жёсткая, а задержка должна оставаться в пределах комфортного общения. Это заставляет проектировать смешанные кластеры с ускорителями и CPU, распределённые очереди, умное кэширование, а также применять адаптивные профили качества: «экономный» режим для простых запросов и «премиальный» — для сложных, что делает уместной линейку вроде Lightning/Ultra-Preview.
Визуальные модели, как Kandinsky 5.0, ускоряют не только маркетинг. В ритейле это динамические витрины, A/B-тесты креативов и персонализированные каталоги; в недвижимости — конфигураторы квартир и мебели; в образовании — генерация иллюстраций и коротких видеовставок под уроки. Везде решает не только «красота», но и интеграция: грамотные API, потоки модерации, юридически чистые пресеты.
Наконец, человеческий фактор. Хардкорный контент собирает тех, кто готов смотреть на ИИ как на инженерную систему со своими ограничениями. Эти люди спрашивают не «когда AGI?», а «какая латентность у пайплайна с RAG на 10 млн документов» и «как повлияет квантизация до 4-бит на точность диалоговых актов». Именно они превращают презентации в чек-листы внедрения, а конференцию — в производственный митап.
Если смотреть вперёд, получится вычленить несколько практических шагов для компаний, которые хотят не отстать:
- Начинайте с бенчмаркинга под свои задачи, используйте мультимодальные наборы критериев, а не общие отзывы.
- Стройте архитектуру «тонкий продукт — толстый MLOps»: версионирование данных и моделей, мониторинг качества, трассировка.
- Экономьте на инференсе разумно: используйте MoE и квантизацию там, где это не ломает качество ключевых метрик.
- Комбинируйте открытые модели с доменной дообучкой и изоляцией чувствительных данных.
- Планируйте голосовые интерфейсы как стратегический канал: это не «ещё один виджет», а способ снизить порог входа для клиентов и сотрудников.
AIJ Deep Dive показал зрелость рынка: от исследовательских прорывов до скучной, но жизненно важной эксплуатационной дисциплины. Прогнозы о «когда-нибудь» сменились заданием на ближайший квартал: внедрить мультимодальность, оптимизировать стоимость инференса, навести порядок в данных и научиться объяснять решения моделей. Именно этот набор задач и формирует сегодняшнюю повестку искусственного интеллекта — без магии, но с ощутимым эффектом.
