Движущие силы инвестиций в большие языковые модели

Светлов Николай Михайлович – ФГБУН «Центральный экономико-математический институт РАН» (Москва, Россия).
Год: 2026
УДК: 330.322:004.8
Страницы: 19–32
Язык: русский
Раздел: Экономика
Ключевые слова: большие языковые модели, искусственный интеллект, вложения в инновации, транзакции, доверие, добросовестность, финансовые пузыри, системный анализ
Аннотация
Мнения, которыми руководствуются участники рынка инвестиций в разработку больших языковых моделей, не имеют иных оснований, кроме мнений других участников. Обзор математических моделей рынков подобного типа в литературе отсутствует. В предлагаемой модели принято, что мнение агента достаточно описать мерой его истинности; каждая транзакция сближает мнения взаимодействующих агентов; доверие к контрагенту как источнику информации определяется исключительно его добросовестностью при исполнении контрактов. В ходе транзакций формируется номинальная добавленная стоимость, тогда как реальная добавленная стоимость зависит от номинальной и от средней истинности мнений агентов. Разность между этими величинами характеризует масштаб формирующегося финансового пузыря, а их отношение служит мерой эффективности. Для изучения свойств модели проведены компьютерные эксперименты. Они позволили выделить четыре фазы эволюции исследуемого рынка: накопление доверия, кластеризацию, конвергенцию и стационарную динамику; показали, что наличие агентов с фиксированным мнением не препятствует конвергенции мнений остальных участников. Выявлено, что длительность и исход конвергенции определяются главным образом начальным распределением мнений. Установлено, что факт доминирования оптимистов на рынке вложений в большие языковые модели недостаточен для вывода о формировании крупномасштабного пузыря. Намечены направления эмпирической проверки предсказаний модели (касающиеся, в частности, динамики технической эффективности и ее дисперсии) и совершенствования прикладных агент-ориентированных моделей.
Cписок литературы:
  • 1. Большие языковые модели генеративного ИИ: от штучных изделий к стандартизированному товару. Росконгресс, 2025. 20 с. URL: https://clck.ru/3SqnLV (дата обращения: 30.03.2026).
  • 2. Варшавский Л. Е. Моделирование влияния искусственного интеллекта на динамику показателей крупных компаний (на примере компаний-гиперскейлеров) // Цифровая экономика. 2025. № 4 (34). С. 18–23. DOI 10.34706/DE-2025-04-02.
  • 3. Варшавский Л. Е. Социально-экономические проблемы, связанные с технологиями ИКТ и искусственного интеллекта // Концепции. 2018. № 1 (37). С. 53–63. EDN VJXBIC.
  • 4. Голиченко О. Г. Методология построения и измерения инновационных траекторий: инструментарий и его применение // Друкеровский вестник. 2024. № 5 (61). С. 20–49. DOI 10.17213/2312-6469-2024-5-20-49.
  • 5. Дементьев В. Е. Институциональные возможности направленного технологического развития искусственного интеллекта // Журнал институциональных исследований. 2025. Т. 17, № 2. С. 56–67. DOI 10.17835/2076-6297.2025.17.2.056-067. EDN LBGBNK.
  • 6. Институциональные и технологические факторы экономического развития в современных условиях : монография / В. Е. Дементьев, Н. М. Светлов, В. Л. Устюжанин [и др.] ; под ред. А. Г. Петрова, Е. В. Устюжаниной. М. : Русайнс, 2025. 248 с.
  • 7. Козырев А. Н., Неволин И. В. Социальный кредит в Китае: Обзор // Цифровая экономика. 2019. № 3 (7). С. 70–74. DOI 10.34706/DE-2019-03-09. EDN JTZHND.
  • 8. Кристенсен К. М. Дилемма инноватора: как из-за новых технологий погибают сильные компании / пер. с англ. Т. Овсенева. М. : Альпина бизнес букс, 2004. 239 с.
  • 9. Макаров В. Л. Социальное моделирование набирает обороты // Экономика и математические методы. 2013. Т. 49, № 4. С. 5–17. EDN RIOKGT.
  • 10. Моисеев Н. А., Трындина Н. С. Применение регрессионного анализа для моделирования уровня доверия в обществе // Плехановский научный бюллетень. 2023. № 1 (23). С. 149–159.
  • 11. Оверби Х., Одестад Я. А. Цифровая экономика: как информационно-коммуникационные технологии влияют на рынки, бизнес и инновации / пер. с англ. И. М. Агеевой и Н. В. Шиловой ; под науч. ред. М. И. Левина. М. : Изд. дом «Дело» РАНХиГС, 2022. 288 с.
  • 12. Полтерович В. М. Позитивное сотрудничество: факторы и механизмы эволюции // Вопросы экономики. 2016. № 11. С. 5–23. DOI 10.32609/0042-8736-2016-11-5-23.
  • 13. Светлов Н. М. Динамическая агентная модель поиска деловых связей // Стратегическое планирование и развитие предприятий : материалы ХХI Всероссийского симпозиума, Москва, 10–11 ноября 2020 года. М. : ЦЭМИ РАН, 2020. С. 292–294. DOI 10.34706/978-5-8211-0783-1-s2-30.
  • 14. Светлов Н. М. Недооценка информационных издержек: причины и следствия // Известия Тимирязевской сельскохозяйственной академии. 2021. № 6. С. 148–162. DOI 10.26897/0021-342X-2021-6-148-162.
  • 15. Светлов Н. М. Обусловленность доверия верностью обязательствам: модель и некоторые следствия // Стратегическое планирование и развитие предприятий : материалы ХХVII Всероссийского симпозиума. Москва, 14–15 апреля 2026 г. / под ред. чл.-корр. РАН Г. Б. Клейнера. М. : ЦЭМИ РАН, 2026. С. 259–266. DOI 10.34706/978-5-8211-0837-1-S1-44. EDN KCHYRV.
  • 16. Смит А. Исследование о природе и причинах богатства народов : пер. с англ. М. : Изд-во социально-экономической литературы, 1962. 677 с.
  • 17. Трындина Н. С. Анализ подходов к оценке уровня доверия // Вестник Воронежского государственного университета. Серия : Экономика и управление. 2023. № 1. С. 20–34. DOI 10.17308/econ.2023.1/10962.
  • 18. Трындина Н. С., Устюжанина Е. В. Доверие как экономическая категория: подходы к классификации и систематизации // Креативная экономика. 2023. Т. 17, № 1. С. 39–54. DOI 10.18334/ce.17.1.116590. EDN FHODGJ.
  • 19. Устюжанина Е. В., Трындина Н. Взаимовлияние различных видов доверия в российском обществе // Экономика и математические методы. 2023. Т. 59, № 4. С. 5–18. DOI 10.31857/S042473880028215-5. EDN MEVLVR.
  • 20. Acemoglu D., Johnson S. Learning From Ricardo and Thompson: Machinery and Labor in the Early Industrial Revolution and in the Age of Artificial Intelligence // Annual Review of Economics. 2024. Vol. 16. P. 597–621. DOI 10.1146/annurev-economics-091823-025129.
  • 21. Agrawal A., Gans J., Goldfarb A. Economic Policy for Artificial Intelligence // Innovation Policy and the Economy. 2019. Vol. 19 (1). Р. 139–159. DOI 10.1086/699935.
  • 22. Álvarez C., Fernández A. Network Formation: Heterogeneous Traffic, Bilateral Contracting and Myopic Dynamics // arXiv. Submitted on 26.03.2012. DOI 10.48550/arXiv.1203.5715.
  • 23. Arcaute E., Johari R., Mannor S. Network Formation: Bilateral Contracting and Myopic Dynamics // IEEE Transactions on Automatic Control. 2009. Vol. 54, no. 8. P. 1765–1778. DOI 10.1109/TAC.2009.2024564.
  • 24. Kaskiris C., Jain, R., Rajagopal R., Varaiya P. Combinatorial Auction Bandwidth trading: An Experimental Study // Developments on Experimental Economics / ed. by S. H. Oda. Berlin : Springer. 2007. (Lecture Notes in Economics and Mathematical Systems (vol. 590)). P. 181–186. DOI 10.1007/978-3-540-68660-6_17.
  • 25. Khodyakov D. Trust as a Process: A Three-Dimensional Approach // Sociology. 2007. Vol. 41, no. 1. P. 115–132. DOI 10.1177/0038038507072285. EDN JPVMBL.
  • 26. Latusek D., Olejniczak T. Development of Trust in Low-Trust Societies // Polish Sociological Review. 2016. Vol. 195 (3). P. 309–325.
  • 27. Predin J. M. Why OpenAI Is Courting Private Equity In Its AI Race Against Anthropic // Forbes. 2026. March 23. URL: https://www.forbes.com/sites/josipamajic/2026/03/23/openai-offers-private-equity-firms-a-175-guaranteed-return-to-win-the-enterprise-ai-race-against-anthropic/ (access date: March 26, 2026).
  • 28. Svetlov N. Can farmers earn from selling their data? A theoretical framework // Digital Transformation – Towards Sustainable Food Value Chains in Eurasia (24–26 June 2020). Halle (Saale), Germany : IAMO, 2020. DOI 10.2139/ssrn.3240669.
  • 29. Walras L. Éléments d'économie politique pure ou, Théorie de la richesse sociale. 3e édition. Lausanne, 1896. 495 p.
Лицензия: