2026 թ. AI Index-ը՝ ինը կարևոր ազդակով

Սթենֆորդի HAI-ն արձանագրում է արագ տեխնիկական առաջընթացի ևս մեկ տարի: Ծրագրային ապահովման իրական խնդիրների լուծումը գնահատող SWE-bench Verified բենչմարքում լավագույն ցուցանիշը մեկ տարում շուրջ 60 տոկոսից հասել է գրեթե 100 տոկոսի: Բացի այդ, զեկույցի 2025 թ. ընտրանքում ընդգրկված առանցքային առաջատար մոդելների ավելի քան 90 տոկոսը մշակել է արդյունաբերական հատվածը:

Այս թվերը չեն նշանակում, թե ծրագրավորման խնդիրներն ամբողջությամբ լուծված են, կամ որ ոլորտի մոդելները լիովին հուսալի են: Բենչմարքը կարող է սպառվել, երբ համակարգերը յուրացնում են դրա կրկնվող կառուցվածքը, ուսուցման տվյալները համընկնում են թեստի հետ, կամ առաջադրանքներն այլևս չեն արտացոլում առօրյա կիրառությունը: Զեկույցն ամփոփում է նաև լայնորեն կիրառվող ինը բենչմարքերի վերլուծությունը, որտեղ անվավեր հարցերի գնահատված մասնաբաժինը տատանվում է MMLU Math-ի 2 տոկոսից մինչև GSM8K-ի 42 տոկոսը: Արագ առաջընթացը գնահատման մեթոդները թարմացնելու ազդակ է, ոչ թե գնահատումը դադարեցնելու պատճառ:

2026 թ. մարտի դրությամբ զեկույցի Arena համեմատության մեջ չորս ընկերությունների մոդելներ միմյանցից գտնվում էին ընդամենը 25 Elo միավորի սահմաններում: Միևնույն ժամանակ, ամենահզոր փակ և բաց մոդելների միջև տարբերությունը կրկին հասել է 3.3 տոկոսի՝ 2024 թ. օգոստոսի 0.5 տոկոսի համեմատ: Սրանք ընթացիկ արդյունքներ են և ոչ թե վերջնական վարկանիշ, սակայն դրանք ցույց են տալիս, թե որքան արագ կարող է փոխվել մրցակցային տարածությունը:

Միավորների փոքր տարբերությունն ինքնին բավարար հիմք չէ մոդել ընտրելու համար: Արժեքը, հապաղումը (latency), լեզվական հնարավորությունները, կոնտեքստի ծավալը, տվյալների մշակումը, գործիքների կիրառումն ու սխալների բնույթը կարող են շատ ավելի վճռորոշ լինել: Երբ համակարգերի ցուցանիշները խիստ մոտ են, թեստերի ճշգրտությունն ու անորոշության գնահատումն ավելի կարևոր են դառնում, քան աղյուսակում զբաղեցրած դիրքը:

Նույն զեկույցում արձանագրված է, որ մոդելներից մեկը 2025 թ. Մաթեմատիկայի միջազգային օլիմպիադայի խնդիրներից վաստակել է 35 միավոր, մինչդեռ ժամանակի տեսողական ընկալումը ստուգող ClockBench թեստում լավագույն արդյունքը կազմել է ընդամենը 50.6 տոկոս՝ մարդու 90.1 տոկոս ցուցանիշի դիմաց: Համակարգչային միջավայրի օգտագործումը թեստավորող OSWorld-ում առաջատար միավորը բարձրացել է մինչև 66.3 տոկոս, ինչը նշանակում է, որ առաջադրանքներից գրեթե յուրաքանչյուր երրորդը դեռ մնում է չլուծված: Ֆիզիկական աշխարհում սիմուլյացիոն բարձր արդյունքների կողքին զեկույցը փաստում է իրական կենցաղային առաջադրանքներում ռոբոտների ընդամենը 12 տոկոս հաջողության մասին:

Սա հուսալիության գլխավոր դասն է. մեկ ոլորտում տպավորիչ առաջընթացն ինքնաբերաբար չի տարածվում այլ առաջադրանքների վրա: Համակարգերը կարող են հաջողությամբ լուծել բարդ ֆորմալ խնդիրներ, բայց ձախողվել ընկալման, միջերեսների կառավարման, ոչ միանշանակ հրահանգների կամ փոփոխվող միջավայրի պայմաններում:

Ըստ զեկույցի գնահատականների՝ հարցված կազմակերպությունների 88 տոկոսն ԱԲ-ն կիրառում է առնվազն մեկ բիզնես գործառույթում: Միևնույն ժամանակ, հանրային հարցումների համադրությունը ցույց է տալիս, որ գեներատիվ ԱԲ-ի առաջին զանգվածային թողարկումից երեք տարի անց այն հասել է 18-64 տարիքային խմբի մոտ 53 տոկոսին: Զեկույցն ընդգծում է զգալի տարբերություններն ըստ երկրների և ուղիղ կապը մեկ շնչին ընկնող ՀՆԱ-ի հետ: ԱՄՆ կրթական համակարգում ավագ դպրոցի և բուհերի ուսանողների ավելի քան չորս հինգերորդը նշում է ուսումնական առաջադրանքների համար ԱԲ օգտագործելու մասին, մինչդեռ նշված հարցումներից մեկում ուսուցիչների միայն 6 տոկոսն է իր հաստատության կանոնները համարել հստակ:

Հետևաբար, Հայաստանի համար 9-րդ ազդակը վերաբերում է ոչ միայն տեխնոլոգիայի կիրառմանը, այլև ինստիտուցիոնալ պատրաստվածությանը: Դպրոցներին, լաբորատորիաներին, ընկերություններին ու պետական ծրագրերին անհրաժեշտ են կոնկրետ առաջադրանքների փոքր թեստեր, տվյալների օգտագործման հստակ կանոններ և բավարար հաշվողական ռեսուրսներ՝ համակարգերը տեղում փորձարկելու համար: Հասանելիություն գնելն առանց գնահատման կարողությունների զարգացման պարզապես նշանակում է որդեգրել ուրիշների մոտեցումներն ու ենթադրությունները: