Существующие ИИ-инструменты опережают разработку HavelockAI на рынке программного обеспечения

В недавнем обзоре обсуждались эксперименты по созданию и развертыванию программного обеспечения под названием Havelock.AI. Цель этого инструмента заключается в анализе текста для определения, является ли он письменным или устным, на основе различных лингвистических признаков. Однако на рынке уже существуют более продвинутые альтернативы.

Процесс разработки оказался удивительно плавным и эффективным по сравнению с предыдущим годом. Код, генерируемый моделями вроде Claude с использованием версии Opus 4.5, работает без ошибок с первого раза. Это улучшение связано как с прогрессом в моделях кодирования, так и с тем, что инструмент интегрируется напрямую в компьютер пользователя, имея доступ ко всем файлам для автоматического тестирования и доработки.

Несмотря на гладкость, остаются значительные вызовы. Текущая версия полагается на простые правила и известные маркеры в тексте, что дает приемлемые результаты. Для дальнейшего развития требуется более сложная система машинного обучения, способная выявлять рифмовку или ассонанс в любых наборах слов, включая неизвестные маркеры.

Попытка собрать данные из текстов от древней устной поэзии до академических статей и политических речей для обучения модели обернулась неудачей. Из-за преобладания старых эпических текстов модель ошибочно ассоциировала архаичный язык с устной традицией, что стало confounding переменной.

Альтернативный подход заключался в генерации текстов самой моделью Claude: создание примеров с рифмой и без нее. После проверки на соответствие материалы использовались для обучения. Однако это ограничено узким определением рифмы, которая может проявляться в разных формах, от внутрипредложной до межпараграфной.

Ключевым выводом стало понимание важности разнообразного и хорошо размеченного набора данных. Это объясняет инвестиции крупных компаний, таких как Meta, в Scale.AI в 2024 году для решения проблемы с данными. Синтетические данные, генерируемые моделями, имеют потенциал, хотя и требуют осторожного подхода.

Кроме того, успех зависит от экспертизы в обучении моделей, чтобы избежать очевидных ошибок, таких как игнорирование confounding факторов.

На рынке уже доступны конкуренты Havelock в виде ChatGPT, Claude и Gemini. Например, загрузка речи в Claude с простым запросом позволяет быстро проанализировать стиль и структуру текста.

Это наблюдение важно для инвесторов в программное обеспечение. Многие существующие приложения могут быть реализованы напрямую через ИИ-инструменты, особенно если они интегрированы в локальную среду с доступом к файлам. Более того, новые версии можно создать с нуля без лицензионных платежей за выходные.

Неудивительно, что акции многих компаний в секторе ПО показывают слабые результаты на фондовом рынке.

Использование ИИ имеет недостатки: высокая вычислительная нагрузка по сравнению с простыми скриптами, дефицит GPU и перегрузки серверов. Утром 2025 года, например, запрос в Claude.AI не удалось выполнить из-за высокого спроса.

Однако стоимость ИИ-вычислений резко снижается. Согласно отчету за 2024 год, цена использования модели уровня GPT-3.5 уменьшилась с конца 2022 года с примерно 20 долларов за миллион токенов до 0,07 доллара — в 280 раз дешевле.

Другие проблемы, такие как галлюцинации, существуют, но падение цен уменьшает необходимость в специализированных приложениях с низкой вычислительной интенсивностью.

Аналогия с фильмом 'Терминатор 2' подходит: часть существующего ПО может устоять, но многое рискует быть вытесненным универсальными ИИ-системами.

Даже если Claude уже выполняет функции Havelock, специализированное ПО может иметь преимущества в последовательности оценки, сетевых эффектах и других аспектах.

Возможно, эра 'виброкодирования' продолжит бум ИИ, а все приложения интегрируются в универсальные платформы. Но есть и математические основания для осторожности в росте сектора.

В новом отчете аналитики CreditSights под руководством Энди ДеВриса рассчитали, что коммунальные компании США строят вдвое больше мощностей, чем прогнозируется необходимым к 2030 году для дата-центров.

По спросу: оценки от третьих сторон дают 94 ГВт к 2030 году и 138 ГВт к 2035 году. Минус текущие 35 ГВт — чистый рост 59 ГВт и 103 ГВт соответственно.

По поставкам: запросы на подключение к сетям от коммунальных компаний (только подтвержденные) после корректировки на эффективность использования энергии дают 112 ГВт. Это 190% от прогнозируемого спроса к 2030 году и 108% к 2035 году.

Ключевой фактор — будущий спрос на ИИ. Технологические улучшения повышают энергоэффективность, создавая давление на снижение спроса.

Интересно, что аналитики tech и utilities редко взаимодействуют, несмотря на энергетику как основное ограничение для ИИ. С точки зрения utilities, это история перепроизводства, а не дефицита.

С энергетической перспективы, ожидания цен на природный газ падают, что не предполагает всплеска спроса на энергию.