Исследователи на конференции Neural Information Processing Systems (NeurIPS) в 2025 году представили результаты, свидетельствующие о том, что простое масштабирование моделей обучения с подкреплением (RL) не гарантирует повышения производительности, особенно без достаточной глубины представления. На конференции, проходившей в Новом Орлеане, штат Луизиана, было представлено несколько работ, которые бросили вызов давним предположениям о развитии искусственного интеллекта, указывая на смещение акцента с простого размера модели на архитектурный дизайн, методологии обучения и методы оценки.

Одним из ключевых выводов конференции стало наблюдение, что алгоритмы обучения с подкреплением часто достигают плато в производительности из-за ограничений в их способности представлять сложные среды и задачи. По словам Майтрейи Чаттерджи, исследователя, посетившего NeurIPS, "Представленные в этом году работы в совокупности показывают, что прогресс в области ИИ в настоящее время в меньшей степени ограничен сырой мощностью модели и в большей степени архитектурой, динамикой обучения и стратегией оценки". Это подразумевает, что увеличение размера RL-модели без одновременного улучшения ее способности извлекать значимые признаки из окружающей среды приводит к снижению отдачи.

Деванш Агарвал, еще один участник, отметил, что вопрос глубины представления особенно актуален. "Без достаточной глубины в компоненте обучения представлению RL-системы, модель с трудом обобщается на новые ситуации или эффективно учится на ограниченных данных", - пояснил Агарвал. Глубина представления относится к сложности и изощренности признаков, которые модель может извлекать из входных данных. Поверхностное представление может захватывать только основные закономерности, в то время как более глубокое представление может захватывать более абстрактные и иерархические отношения.

Последствия этих выводов выходят за рамки академических исследований. Многие компании вкладывают значительные средства в обучение с подкреплением для таких приложений, как робототехника, игры и автономное вождение. Если простое масштабирование моделей не является жизнеспособной стратегией, этим компаниям, возможно, придется пересмотреть свой подход к разработке ИИ.

На конференции NeurIPS 2025 также были освещены другие проблемы, стоящие перед сообществом ИИ. В нескольких работах был поставлен под сомнение тезис о том, что большие языковые модели (LLM) автоматически приводят к улучшению способностей к рассуждению. Исследователи представили доказательства, свидетельствующие о том, что LLM могут сходиться в своих ответах, демонстрируя форму поведения "искусственного коллективного разума". Эта конвергенция может ограничивать их креативность и способность генерировать новые идеи.

Кроме того, на конференции были затронуты вопросы оценки систем ИИ. Традиционные метрики оценки часто фокусируются на правильности, но исследователи утверждали, что этого недостаточно для открытых или неоднозначных задач. Они предложили новые методы оценки, которые учитывают такие факторы, как креативность, разнообразие и устойчивость.

Выводы NeurIPS 2025 свидетельствуют о том, что область ИИ вступает в новую фазу развития. Хотя сырая мощность модели остается важной, исследователи и практики все больше сосредотачиваются на архитектурном дизайне, динамике обучения и стратегиях оценки, которые позволяют системам ИИ учиться более эффективно и обобщаться на новые ситуации. В ближайшие годы, вероятно, будет уделяться больше внимания разработке более сложных и нюансированных алгоритмов ИИ, а не простому масштабированию существующих моделей.