# Чому AI-стартапи шукають заміну класичному масштабуванню LLM > Стартапи на кшталт Thinking Machines Lab шукають заміну масштабуванню LLM: reasoning-time compute й нові архітектури обіцяють дешевший інференс. - Опубліковано: 10 серпня 2026 р. (2026-08-10T10:06:05.743758+00:00) - Розділ: AI-дослідження - На основі публікації: [MIT Tech Review](https://www.technologyreview.com/2026/08/10/1141511/these-startups-are-chasing-the-next-big-thing-in-llms/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=%D1%87%D0%BE%D0%BC%D1%83-ai-%D1%81%D1%82%D0%B0%D1%80%D1%82%D0%B0%D0%BF%D0%B8-%D1%88%D1%83%D0%BA%D0%B0%D1%8E%D1%82%D1%8C-%D0%B7%D0%B0%D0%BC%D1%96%D0%BD%D1%83-%D0%BA%D0%BB%D0%B0%D1%81%D0%B8%D1%87%D0%BD%D0%BE%D0%BC%D1%83-%D0%BC%D0%B0%D1%81%D1%88%D1%82%D0%B0%D0%B1%D1%83%D0%B2%D0%B0%D0%BD%D0%BD%D1%8E-llm --- Стартап Thinking Machines Lab, заснований колишньою технічною директоркою OpenAI Мірою Мураті, ще влітку 2025 року залучив на посівному раунді понад $2 млрд при оцінці близько $12 млрд — і це лише один із гравців, яких MIT Technology Review у серпні 2026-го називає претендентами на «наступне велике» в індустрії великих мовних моделей. [За даними MIT Tech Review](https://www.technologyreview.com/2026/08/10/1141511/these-startups-are-chasing-the-next-big-thing-in-llms/), ці компанії шукають не чергове збільшення параметрів, а якісно новий підхід до того, як моделі навчаються, запам'ятовують і міркують. Причина зрозуміла тим, хто щодня працює з GPT-5, Claude Opus 5 чи Gemini: приріст якості від простого нарощування датасету й обчислень уже помітно сповільнився, а вартість тренування флагманської моделі виросла до сотень мільйонів доларів. Коли масштабування перестає бути головним важелем, капітал і таланти йдуть туди, де є шанс на новий стрибок — архітектура, дані або спосіб міркування моделі під час інференсу. Для розробників це не абстрактна дискусія інвесторів. Наступний архітектурний зсув визначить, які API вважатимуться стандартом за рік-два, скільки коштуватиме інференс і чи доведеться переписувати частину продукту під нову парадигму. ## Що саме стоїть за пошуком «наступного великого» в LLM? Йдеться про вичерпання класичного scaling law — правила, за яким якість моделі росте передбачувано з обсягом даних, параметрів і обчислень. Останні покоління флагманів (GPT-5, Claude Opus 5, Gemini 3) уже впираються в межу якісних текстових даних для тренування, а вартість наступного 10-кратного стрибка обчислень вимірюється мільярдами доларів. Тому стартапи з цього ринку діляться на дві групи. Одні — засновані вихідцями з OpenAI, Google DeepMind та Anthropic — намагаються повторити успіх великих лабораторій, але з іншою ставкою: не more compute, а інша структура моделі чи процесу навчання. Другі — вужчі, нішеві команди — обирають конкретну вузьку проблему (пам'ять, достовірність, вартість інференсу) і будують продукт навколо одного технічного рішення. ## На які технології роблять ставку стартапи? З матеріалу MIT Tech Review й ширшого контексту ринку видно кілька напрямів, які повторюються найчастіше: - **Обчислення на етапі інференсу замість тренування.** Модель «думає довше» над складним запитом, а не просто відповідає з першого проходу — підхід, що вже стоїть за reasoning-моделями на кшталт o-серії OpenAI. - **Безперервне навчання без повного перетренування.** Замість статичної моделі, яку оновлюють раз на пів року, системи, що адаптуються до нових даних на льоту — тема, близька до того, що ми розбирали в матеріалі про [самоеволюційні AI-агенти, які вчаться без дообучення ваг моделі](https://aiin.news/article?slug=самоеволюційні-ai-агенти-вчаться-без-дообучення-ваг-моделі). - **Альтернативні архітектури поза трансформером.** State-space моделі, гібридні архітектури й підходи до генерації, що обіцяють дешевший інференс на довгому контексті. - **Якість і різноманіття тренувальних даних замість їх обсягу** — напрям, який ми детально розглядали в тексті про [новий метод навчання LLM, що поєднує якість, креативність і різноманіття](https://aiin.news/article?slug=новий-метод-навчання-llm-якість-креативність-і-різноманіття-разом). Спільне в усіх цих ставок — визнання, що просте «більше даних плюс більше GPU» більше не гарантує пропорційного приросту якості. ## Кому і коли це принесе практичну користь? Реалістичний горизонт для більшості з цих технологій — 12-24 місяці до появи в продакшн-API, а не в дослідницьких демо. Компанії на кшталт Thinking Machines Lab, Safe Superintelligence Ілʼї Суцкевера чи World Labs Фей-Фей Лі поки що працюють у режимі дослідницьких лабораторій без публічного продукту — гроші йдуть у команду й обчислення, а не в маркетинг. Першими бенефіціарами стануть команди, чиї продукти впираються саме в ту межу, яку намагається зняти конкретний стартап: довгі агентні ланцюжки, де важлива пам'ять між сесіями; RAG-системи на величезних корпусах, де критична точність вибірки контексту; або продукти, де вартість інференсу вже є головною статтею витрат. ## Що робити з цим AI-білдерам просто зараз? Теза AiiN проста: не варто чекати на «наступну велику модель», щоб діяти — варто архітектурно готуватися до зміни. Якщо продукт жорстко прив'язаний до одного постачальника моделі й одного способу промптингу, перехід на нову парадигму (reasoning-time compute, безперервне навчання, інша архітектура) обійдеться дорожче, ніж міг би. Розробникам варто вже зараз тримати абстракцію над провайдером моделі, тестувати reasoning-режими там, де вони доступні, і слідкувати за вартістю інференсу як за окремою метрикою продукту — бо саме вона, а не «розмір моделі», стане полем конкуренції найближчих двох років. ## FAQ: наступне велике в LLM ## Чому масштабування LLM (scaling law) перестало бути головним драйвером прогресу? Бо приріст якості від збільшення даних і параметрів дає дедалі менший ефект відносно вартості: наступний значний стрибок обчислень коштує мільярди доларів, а якісних текстових даних для тренування вже бракує. ## Чи означає це кінець ери трансформерів? Ні, найближчим часом трансформер лишиться базовою архітектурою — але дедалі частіше в гібридних схемах поруч із state-space-компонентами чи механізмами інференс-тайм обчислень, а не сам по собі. ## Коли ці нові підходи з'являться в комерційних API? За оцінками галузі, орієнтовний строк — 12-24 місяці для перших продакшн-версій; значна частина стартапів наразі перебуває на стадії дослідницьких лабораторій без публічного продукту. --- Теги: LLM, AI, Стартапи, MachineLearning, Reasoning, Інновації Джерело: AiiN — https://aiin.news/article?slug=%D1%87%D0%BE%D0%BC%D1%83-ai-%D1%81%D1%82%D0%B0%D1%80%D1%82%D0%B0%D0%BF%D0%B8-%D1%88%D1%83%D0%BA%D0%B0%D1%8E%D1%82%D1%8C-%D0%B7%D0%B0%D0%BC%D1%96%D0%BD%D1%83-%D0%BA%D0%BB%D0%B0%D1%81%D0%B8%D1%87%D0%BD%D0%BE%D0%BC%D1%83-%D0%BC%D0%B0%D1%81%D1%88%D1%82%D0%B0%D0%B1%D1%83%D0%B2%D0%B0%D0%BD%D0%BD%D1%8E-llm. Цитуючи, посилайтесь на канонічний URL.