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, 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.
• 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.

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.