С развитием агентных систем ИИ требует непрерывного обучения. NVIDIA предлагает платформу Vera Rubin и новую метрику «интеллект на доллар» для оптимизации этого процесса.
3 мин
Индустрия искусственного интеллекта переходит от генеративных моделей к агентным системам. Если генеративный ИИ просто отвечает на запрос, то агентный ИИ получает цель, планирует шаги, использует инструменты и исправляет собственные ошибки в процессе работы. Это фундаментально меняет подход к вычислениям. NVIDIA представила платформу Vera Rubin, оптимизированную специально для непрерывного пост-обучения агентных моделей, и ввела новую метрику для оценки эффективности инвестиций — «интеллект на доллар» (intelligence per dollar).
Традиционно создание модели делилось на два этапа: масштабное предварительное обучение (pre-training) на сырых данных и короткое пост-обучение (post-training) для настройки поведения. Предварительное обучение дает модели базовое понимание языка, но не делает ее умной. Именно на этапе пост-обучения ИИ учится писать код, планировать задачи и пользоваться поиском.
В эру агентных систем пост-обучение перестает быть разовым завершающим штрихом. Среда, в которой работают агенты, постоянно меняется: обновляются инструменты, меняются кодовые базы, возникают непредвиденные пограничные случаи (edge cases). Поэтому пост-обучение становится непрерывным циклом, куда постоянно возвращаются данные об ошибках из реальной эксплуатации.
Изображение из источника
Поскольку для сложных задач нет готовых правильных ответов, агентные модели обучаются с помощью методов обучения с подкреплением (reinforcement learning, RL). Модель делает попытку решения (прямой проход, или forward pass), получает оценку, и на основе этого обновляет свои веса (обратный проход, или backward pass). Этот процесс требует колоссальных вычислительных ресурсов для запуска тысяч параллельных сред.
NVIDIA предлагает комплексное решение для этой задачи:
NVIDIA Vera Rubin Maximizes Intelligence per Dollar for Post-Training Workloads — a Key Metric for Agentic AI - Image 1
NVIDIA проводит четкую границу между двумя экономическими показателями. «Стоимость за токен» (cost per token) измеряет операционную эффективность на этапе вывода (inference). Это метрика фабрики по производству ответов.
«Интеллект на доллар» стоит на уровень выше. Эта метрика отвечает на вопрос: сколько стоит создать модель, которую вообще имеет смысл использовать, и поддерживать ее актуальность в меняющейся среде? Эти показатели взаимосвязаны: снижение стоимости генерации токена в процессе непрерывного обучения напрямую увеличивает объем интеллекта, который компания может получить за каждый вложенный доллар.
Вычислительная нагрузка в индустрии растет не потому, что единичные тренировочные циклы становятся бесконечно большими, а потому, что эти циклы теперь никогда не останавливаются.
Развитие агентного ИИ стирает жесткую границу между обучением и использованием модели. В ближайшие годы фабрики ИИ будут все больше напоминать системы непрерывной интеграции в классической разработке программного обеспечения. Модели будут постоянно тестироваться в песочницах, получать обратную связь и обновлять свои веса в фоновом режиме. Платформы, способные обеспечить минимальную задержку и максимальную энергоэффективность в этом бесконечном цикле, станут фундаментом для следующего поколения автономных систем.
Изображение из источника
Изображение из источника
NVIDIA Vera Rubin Maximizes Intelligence per Dollar for Post-Training Workloads – a Key Metric for Agentic AI
How Open Models Are Driving AI Research
How Nations Are Deploying AI for Strategic Priorities
NVIDIA and Partners Build in America, for America
Агентный ИИ требует непрерывного пост-обучения, что делает его главным вычислительным процессом новой эры, а метрику «интеллект на доллар» — ключевой для оценки рентабельности ИИ-инфраструктуры.
Пост-обучение перестало быть финальным этапом создания ИИ. Теперь это непрерывный фоновый процесс: модели должны постоянно адаптироваться к новым инструментам и граничным случаям, с которыми они сталкиваются в реальной работе.
