Как Google создал технологию GPT, но позволил OpenAI выиграть гонку ИИ

Обзор: как Google дал мощность GPT, но уступил лидерство

Google вовсе не «упустил» ИИ — он придумал большую часть того, что сделало нынешнюю волну возможной, а затем позволил кому‑то другому превратить это в определяющий продукт.

Исследователи Google создали архитектуру Transformer — ядро моделей GPT. В 2017 году статья «Attention Is All You Need» показала, как обучать очень большие модели, которые прекрасно понимают и генерируют язык. Без этой работы GPT в том виде, в котором мы его знаем, не существовал бы.

Достижение OpenAI — не магическая новая формула. Это набор стратегических выборов: масштабировать трансформеры дальше, чем многие считали практичным, обеспечить гигантские обучающие проги и упаковать результат в простые API, а потом в ChatGPT — потребительский продукт, который сделал ИИ ощутимым для сотен миллионов людей.

Эта статья о таких решениях и компромиссах, а не о закулисных драмах или персоналиях. Она прослеживает, как культура исследований и бизнес‑модель Google склоняли компанию к BERT‑подобным моделям и пошаговым улучшениям поиска, тогда как OpenAI сделал гораздо более рискованную ставку на универсальные генеративные системы.

Мы пройдёмся по:

• Как Google выстроил раннее доминирование в ИИ и мирового класса исследовательскую организацию
• Почему статья про Transformer стала прорывом — и что именно она изменила
• Как OpenAI превратил это основание в GPT и ChatGPT
• Почему стратегии разошлись: BERT и поиск у Google vs масштабный GPT и API у OpenAI
• «Момент ChatGPT», когда OpenAI опередил Google публично
• Культурные и мотивирующие различия, которые сформировали решения обеих компаний
• Сброс Google с Bard и Gemini
• Практические уроки для разработчиков, чтобы не повторять ошибку Google

Если вам важна стратегия ИИ — как исследования превращаются в продукты, а продукты в устойчивое преимущество — этот кейс показывает: важнее не лучшая статья, а чёткие ставки и смелость отправлять продукт в люди.

Раннее доминирование Google в ИИ и культура исследований

Google пришёл в современный машинный интеллект с двумя гигантскими преимуществами: данными невиданного масштаба и инженерной культурой, оптимизированной для распределённых систем. Направив эти ресурсы на ИИ, компания быстро стала гравитационным центром отрасли.

От Google Brain до DeepMind

Google Brain зародился как побочный проект около 2011–2012 годов под руководством Джеффа Дина, Эндрю Ынга и Грега Коррадо. Команда фокусировалась на крупномасштабном глубоком обучении, используя дата‑центры Google для тренировок моделей, недоступных большинству университетов.

DeepMind присоединился в 2014 году через заметное поглощение. Если Google Brain ближе работал с продуктами и инфраструктурой, то DeepMind тяготел к долгосрочным исследованиям: обучение с подкреплением, игры и общие обучаемые системы.

Вместе они дали Google недоступный другим «движок» ИИ: одна группа встраивалась в продакшн‑стек, другая преследовала лунные цели.

Вехи, которые сигнализировали доминирование в ИИ

Несколько публичных достижений закрепили статус Google:

• Прорывы в ImageNet: хотя первоначальную победу в 2012 году (AlexNet) сделала команда из Университета Торонто, Google быстро привлёк ведущих исследователей и продвинул SOTA с моделями вроде Inception. Задачи компьютерного зрения стали витриной масштабов и инструментов Google.
• AlphaGo и преемники: победа AlphaGo над Ли Седолом в 2016, затем AlphaGo Zero и AlphaZero, показали, что глубокое обучение с подкреплением может освоить сложные домены с минимальной ручной экспертной работой.
• Риторика «AI‑first»: примерно в 2016–2017 годы Сундар Пичаи начал называть Google «AI‑first компанией». ИИ улучшал Поиск, рекламу, рекомендации YouTube, Фото, Карты и Android — затрагивая миллиарды пользователей, даже если большинство никогда напрямую не видело моделей.

Эти победы убеждали многих исследователей: если хочешь работать над амбициозными задачами ИИ, ты идёшь в Google или DeepMind.

Плотность талантов как движущая сила инноваций

Google сосредоточил необычно большую долю мировых талантов в ИИ. Лауреаты Turing Award и ведущие фигуры работали в нескольких организациях внутри компании. Эта плотность создавала мощные обратные связи:

• Новые идеи быстро распространялись через внутренние доклады, списки рассылки и общий код.
• Команды могли собираться спонтанно, зная, что нужные эксперты доступны внутри компании.
• Исследователи получали доступ к инфраструктуре продакшна — пайплайнам данных, системам распределённого обучения и специализированному железу — не создавая всё с нуля.

Комбинация элитных кадров и инфраструктуры сделала Google местом происхождения многих передовых исследований.

Культура, оптимизированная на публикации и платформы

Культура ИИ в Google склонялась к публикациям и построению платформ, а не к отполированным потребительским продуктам.

В исследовательской части нормой было:

• Публиковать на NeurIPS, ICML, ICLR.
• Открывать инструменты (например, TensorFlow), отражающие внутренние системы.
• Выпускать влиятельные статьи по зрению, последовательному моделированию, RL и крупномасштабному обучению.

С инженерной стороны Google инвестировал в инфраструктуру:

• TPU — процессоры для нейросетей.
• Сложные стеки для обучения и сервинга, вдохновлённые Borg.
• Платформы данных и экспериментов для масштабных исследований на реальном трафике.

Эти выборы были согласованы с ядром бизнеса: лучшие модели и инструменты напрямую улучшали релевантность поиска, таргетинг рекламы и рекомендации. ИИ рассматривался как общая слой‑способность, а не как отдельная категория продукта.

В результате компания доминировала в науке и «водопроводе» ИИ, глубоко интегрировала технологии в сервисы и транслировала прогресс через исследования — при этом осторожно относилась к созданию новых потребительских AI‑опытов.

Рождение Transformer: прорыв Google

В 2017 году небольшая команда Google Brain/Research опубликовала статью, которая перевернула отрасль: «Attention Is All You Need» (Вазвани и др.).

Основная идея была проста и радикальна: можно отбросить рекуррентные и сверточные элементы и строить последовательностные модели, используя только внимание. Так была рождена архитектура Transformer.

Что трансформер исправил в RNN и LSTM

До трансформеров СЛОВ‑системы опирались на RNN и LSTM, у которых были две большие проблемы:

• Последовательное узкое место: RNN обрабатывают токены по одному, что усложняет параллелизацию обучения и инференса. GPU простаивают, ожидая завершения предыдущего шага.
• Далёкие зависимости: по мере роста последовательности трудно сохранять информацию о далеких шагах, даже с LSTM и дополнительными механизмами внимания.

Transformer решил обе проблемы:

• Self‑attention даёт каждому токену возможность «видеть» все остальные токены в одном слое.
• Модель обрабатывает токены параллельно, превращая обучение в GPU‑дружественную задачу матричных умножений.
• Multi‑head attention позволяет модели одновременно учить разные «виды» контекста (синтаксис, кореференция, тема и т.д.).

Позиционная информация добавляется через позиционные кодировки, поэтому модель узнаёт порядок без рекуррентности.

Почему это открыло путь к масштабируемым и мультимодальным моделям

Поскольку все операции параллелизуются и базируются на плотных матричных умножениях, трансформеры чисто масштабируются с ростом данных и вычислений. Эта свойство — основа GPT, Gemini и других передовых моделей.

Та же схема внимания применима не только к тексту: трансформеры работают с патчами изображений, аудио‑фреймами, токенами видео. Это сделало архитектуру естественной базой для мультимодальных моделей.

Открытая публикация и дорога к GPT

Критично, что Google опубликовал статью открыто и, через последующие работы и библиотеки (например, Tensor2Tensor), сделал архитектуру воспроизводимой. Исследователи и стартапы по всему миру могли читать, копировать дизайн и масштабировать его.

OpenAI сделал именно это. GPT‑1 по архитектуре — стек декодеров трансформера с задачей языкового моделирования. Прямой технический предок GPT — трансформер Google: те же блоки внимания, те же позиционные кодировки, та же ставка на масштаб — но применённые в другом продукте и организационном контексте.

От Transformer к GPT: как OpenAI опирался на работу Google

Когда OpenAI запустил GPT, это не было изобретением новой парадигмы с нуля. Это было применение чертежа трансформера Google и развитие его дальше, чем большинство считало возможным.

Превращение трансформеров в GPT

Оригинальный GPT (2018) по сути был декодерным трансформером, обученным на простой задаче: предсказать следующий токен в длинных текстовых последовательностях. Эта идея напрямую восходит к трансформеру 2017 года, но тогда как Google фокусировался на задачах перевода, OpenAI превратил «предсказание следующего слова в масштабе» в основу универсального генератора текста.

GPT‑2 (2019) масштабировал рецепт до 1.5B параметров и гораздо большего корпуса. GPT‑3 (2020) прыгнул до 175B параметров и триллионов токенов, тренируясь на огромных GPU‑кластерах. GPT‑4 продолжил ту же картину: больше параметров, лучшее кураторство данных, больше вычислений и слои безопасности (RLHF) для придания диалоговому поведению пригодности.

Алгоритмическое ядро по большей части оставалось близким к трансформеру Google: блоки self‑attention, позиционные кодировки и наслоение слоёв. Прыжок был в масштабе и инженерной отработке.

Масштаб как стратегия, а не только исследование

Там, где ранние языковые модели Google (например, BERT) нацеливались на задачи понимания — классификация, ранжирование поиска, QA — OpenAI оптимизировала под генерацию и диалог. Google публиковал SOTA‑модели и переключался дальше; OpenAI превратил одну идею в продуктовую линию.

Открытые исследования Google, DeepMind и академических лабораторий питали GPT: варианты трансформеров, трюки оптимизации, схемы обучения, законы масштабирования и улучшенная токенизация. OpenAI впитал эти публичные результаты, затем вложился в проприетарные обучающие прогоны и инфраструктуру.

Интеллектуальная искра — трансформеры — родилась в Google. Решение поставить на масштаб, выпустить API и затем потребительский чат было решением OpenAI.

Почему Google предпочёл BERT и поиск продуктам в стиле GPT

Ранний коммерческий успех Google с глубоким обучением пришёл от умного улучшения основного денежного двигателя — поиска и рекламы. Этот контекст сформировал оценку новых архитектур вроде трансформера. Вместо гонки за генеративными решениями Google удвоил ставку на модели, которые улучшали ранжирование и релевантность. BERT идеально подошёл под эти задачи.

BERT как «поисково‑нативный» трансформер

BERT (Bidirectional Encoder Representations from Transformers) — это encoder‑only модель, обученная masking‑задачей: части предложения скрываются, и модель должна восстановить пропущенные токены, используя контекст с обеих сторон.

Эта цель обучения идеально совпадала с проблемами Google:

• Понимание запросов: поисковые запросы коротки и неоднозначны. Бидирективный контекст BERT помогал точнее понять намерение.
• Понимание документов: ранжирование миллиардов страниц требует тонкой семантической близости. BERT‑встраивания давали лучшее соответствие фрагментов и запросов.
• Качество и фильтрация: masked LM хорош в выявлении текста «не на своём месте», полезно для фильтрации низкокачественного контента.

Критически, encoder‑модели хорошо встраивались в существующий стек извлечения и ранжирования. Их можно было вызвать как релевантный сигнал среди сотен других признаков, улучшая поиск без перестройки интерфейса.

Почему masked language modeling подходил бизнесу Google

Google нуждался в результатах, которые были надёжны, проверяемы и монетизируемы:

• Надёжность: результаты поиска должны опираться на реальные страницы и источники. Masked LM учит модель понимать язык, а не «галлюцинировать» длинные ответы.
• Проверяемость: каждый результат ведёт к издателю, что поддерживает экосистему открытого web и даёт пользователю способ верификации.
• Монетизация: реклама хорошо вписывается в ранжированный список ссылок. Улучшение релевантности повышает CTR и ценность запроса.

BERT улучшал все три аспекта, не нарушая UI или модели рекламы. GPT‑подобные автогенераторы, напротив, давали менее очевидную ценность для существующего бизнеса.

Внутренняя математика рисков: безопасность, дезинформация и бренд

Свободная генерация вызывала острые внутренние опасения:

• Дезинформация и галлюцинации: генеративные модели уверенно выдумывают факты. Для компании, воспринимаемой как авторитет, это прямой риск бренда.
• Вредоносный контент: необработанная генерация способна породить токсичный или опасный текст.
• Регуляторные риски: на фоне усиления контроля запуск глобального чат‑бота выглядел как лишняя провокация.

Большинство внутренне приемлемых кейсов были ассистивными и ограниченными: автозаполнение в Gmail, умные ответы, перевод и сигналы ранжирования. Encoder‑модели было проще ограничивать, мониторить и оправдывать, чем открытый разговорный сервис.

Страх каннибализации: не убить денежную корову поиска

Даже при наличии прототипов чат‑генерации внутри Google стоял ключевой вопрос: не снизит ли это число поисковых запросов и показов рекламы?

Чат‑опыт, дающий готовый ответ в один заход, меняет поведение:

• Меньше кликов на внешние сайты → издатели недовольны, ослабляется веб‑экосистема
• Меньше места для рекламных показов → неопределённость с доходами

Интуиция руководства была интегрировать ИИ как улучшение поиска, а не как его замену. Это привело к приоритетам в пользу BERT и постепенных интеграций, а не смелого продукта‑чатбота, который мог бы нарушить бизнес‑модель.

Как эти решения затормозили публичные генеративные продукты

Каждое из решений само по себе рационально:

• Выбирать модели, которые прямо улучшают ключевые метрики поиска и рекламы
• Ставить безопасность и надёжность выше скорости релиза
• Защищать опыт поиска и модель монетизации

В совокупности это означало: Google недостаточно инвестировал в продуктовую реализацию GPT‑подобных автогенераторов для широкой публики. Исследовательские команды работали над большими декодерными моделями и диалоговыми системами, но у продуктовых команд не было сильных стимулов запускать чатбот, который:

• не улучшал ключевые KPI поиска очевидно
• угрожал доходам от рекламы и отношениям с издателями
• приносил серьезные риски по безопасности и PR

OpenAI же, не имея поисковой империи, сделал противоположную ставку: публичный, доступный чат‑интерфейс — пусть и с недостатками — создаст новую массовую потребность.

Ставка OpenAI на масштаб, API и потребительский чат

От исследовательской лаборатории к «capped‑profit» компании

OpenAI стартовала в 2015 как некоммерческая исследовательская лаборатория, финансируемая несколькими тех‑фигурами. Первоначально она походила на Google Brain или DeepMind: публикации, открытый код и продвижение науки.

К 2019 году руководство поняло, что передовые модели потребуют миллиардов долларов в вычислениях и инженерии. Чисто некоммерческая модель вряд ли привлечёт такие ресурсы. Решение — создать OpenAI LP, «компанию с ограниченной прибылью», под контролем некоммерческого совета.

Инвесторы получили возможность ограниченного возврата, а правление сохранило фокус на миссии по безопасному AGI. Это открыло дорогу к крупному финансированию и облачным договорам.

Масштаб как основная гипотеза

Многие лаборатории искали хитроумные архитектуры; OpenAI сделала грубую ставку: чрезвычайно большие, универсальные языковые модели могут оказаться удивительно способными, если постоянно увеличивать данные, параметры и вычисления.

GPT‑1, GPT‑2 и GPT‑3 следовали простой формуле: стандартная архитектура трансформера, больше параметров, дольше обучение и более разнообразные тексты. Вместо мелкой подстройки под каждый кейс OpenAI делала ставку на «одну большую модель — множество применений» с помощью промптинга и дообучения.

Это было и исследовательской позицией, и бизнес‑стратегией: один API мог бы питать тысячи сценариев — от инструментов копирайтинга до помощников по программированию — и превратить OpenAI в платформу.

API‑первый подход: превращение модели в платформу

API GPT‑3 (2020) сделал стратегию конкретной. Вместо тяжёлых on‑prem приложений OpenAI предложил простой облачный API:

• Отправляешь текст — получаешь ответ модели.
• Оплата по токенам.
• Строишь любые интерфейсы поверх.

API‑первый подход позволил стартапам и компаниям брать на себя UX, соответствие требованиям и предметную экспертизу, а OpenAI — фокусироваться на масштабировании и выравнивании. API также рано дал источник дохода: не нужно ждать идеального продукта — экосистема сама открывала кейсы.

Готовность выпускать несовершенные продукты

OpenAI систематически выбирала выпускать продукты до полной полировки. GPT‑2 вышел со ступенчатым релизом из‑за опасений по безопасности; GPT‑3 появился в управляемой бете с явными недостатками. Они признавали галлюцинации, предвзятость и непоследовательность.

Кристалл этой философии — ChatGPT в конце 2022. Это не была самая продвинутая модель OpenAI, и она не была идеально отполирована. Но у неё было:

• Простой чат‑интерфейс, понятный всем.
• Бесплатный старт, привлёкший массовые эксперименты.
• Быстрая петля обратной связи на основе реальных разговоров.

Вместо бесконечной настройки в приватной среде OpenAI использовала публику как огромный движок обратной связи. Ограничающие меры, модерация и UX развивались неделями, исходя из поведения пользователей.

Стратегическое партнёрство с Microsoft и доступ к вычислениям

Ставка на масштаб требовала огромных бюджетов на вычисления. Партнёрство с Microsoft оказалось решающим.

С 2019 года Microsoft предоставляла:

• Многомиллиардные инвестиции в OpenAI LP.
• Эксклюзивный хостинг на Azure для моделей OpenAI.
• Совместный go‑to‑market через продукты вроде Bing Chat и Copilot.

Для OpenAI это решало проблему масштабирования тренировочных прогонов без строительства собственного облака. Для Microsoft — шанс быстро дифференцировать Azure и привнести ИИ в Office, GitHub, Windows и Bing.

Петля обратной связи: пользователи → данные → доход → большие модели

Все эти решения — масштаб, API, чат и соглашение с Microsoft — сформировали усиливающийся цикл:

1. Лучшие модели привлекали разработчиков и пользователей.
2. API и ChatGPT делали эксперименты и интеграции простыми.
3. Использование генерировало доход, который финансировал большие прогоны обучения и инфраструктуру.
4. Реальные взаимодействия давали ценные данные для дообучения и RLHF.
5. Улучшенные модели давали новые функции (плагины, мультимодальность), привлекавшие ещё больше пользователей.

OpenAI оптимизировала не идеальные научные публикации, а этот компаундирующий цикл — масштаб пользователей, данных и денежных потоков, ускоряющий прогресс.

Шок ChatGPT: когда OpenAI переиграла Google

Запуск ChatGPT 30 ноября 2022 выглядел как тихий исследовательский превью: простое чат‑поле, без платного доступа и короткий пост в блоге. Через пять дней у сервиса уже был миллион пользователей. Через недели в соцсетях пошли примеры: эссе, отладка кода, деловые письма, мозговые штормы — всё это в одном инструменте.

Продукт не позиционировался как «демо трансформера». Он говорил просто: «Спроси — получи ответ». Эта ясность сделала технологию понятной непрофессионалам.

Внутренний шок в Google

В Google реакция была ближе к тревоге, чем к восхищению. Объявили «code red». Ларри Пейдж и Сергей Брин вернулись к обсуждениям продукта и стратегии. Команды, работавшие над диалоговыми моделями годами, оказались под пристальным вниманием.

Инженеры знали: у Google были системы, сопоставимые по базовым возможностям с ChatGPT. LaMDA, PaLM и ранние Meena уже демонстрировали беглость и рассуждение на внутренних тестах. Но эти разработки были за закрытыми дверями, под тяжёлой модерацией и сложными внутренними согласованиями.

Внешне выглядело, будто Google оказался застигнутым врасплох.

ChatGPT vs LaMDA: похожая технология, разный продукт

Технически ChatGPT и LaMDA — «родственники»: большие трансформер‑модели, дообученные для диалога. Разница была не столько в архитектуре, сколько в продуктовых решениях.

OpenAI:

• Запустила единый, чистый интерфейс
• Приняла публичную несовершенность и итеративность
• Активно использовала RLHF и училась на миллионах разговоров

Google:

• Держала LaMDA за закрытыми демо
• Старалась избегать рисков и защищать репутацию
• Тяжело переводила прототипы в потребительский продукт

Поспешный релиз Bard и публичные промахи

Под давлением Google анонсировал Bard в феврале 2023. Демонстрация пыталась копировать магию ChatGPT: спроси Bard — получи умный ответ.

Но один из ключевых ответов о результатах наблюдений James Webb Telescope оказался неверным. Ошибка попала в маркетинговые материалы Google, её заметили в течение минут, и капитализация Alphabet упала на миллиарды долларов за день. Это укрепило нарратив: Google опоздал, нервничает и неаккуратен, а OpenAI выглядит уверенно и готово.

Ирония была болезненна для сотрудников Google. Галлюцинации и фактические ошибки были известны как проблемы LLM; разница в том, что OpenAI уже нормализовал это среди пользователей через UI‑подсказки, дисклеймеры и режим «эксперимента», а Google вывел продукт якобы «готовым» и публично споткнулся.

Скорость, UX и нарратив: преимущество исполнения OpenAI

Преимущество ChatGPT над внутренними системами Google не было только в лучшей модели. Это была скорость исполнения и понятность пользовательского опыта.

OpenAI:

• Превратило исследовательскую линию в единый вирусный продукт
• Приняло публичную бету‑парадигму: «пробуйте, ломайте, сообщайте»
• Сделало UX соответствующим тому, как люди уже работают с текстом: спросить — получить — итеративно править

Google двигался медленнее, оптимизируя на отсутствие ошибок, и подавал Bard как «глянцевый» запуск, а не как фазу обучения. К моменту, когда Bard дошёл до пользователей, ChatGPT уже стал повседневной привычкой для студентов, работников знания и разработчиков.

Шок Google был не в том, что OpenAI сделала хороший ИИ, а в том, что меньшая организация взяла идеи, которые Google помог изобрести, упаковала их в продукт, который полюбили обычные люди, и изменила публичное восприятие в считанные недели.

Культура, стимулы и риск: Google vs OpenAI

Google и OpenAI стартовали с похожей технической базы, но очень разными организационными реалиями. Эти различия повлияли на все решения вокруг GPT‑стилей систем.

Стимулы: машина для денег vs режим выживания

Ядро бизнеса Google — поиск и реклама. Этот двигатель даёт предсказуемые огромные денежные потоки, и многие стимулы руководителей связаны с их защитой.

Запуск мощной разговорной модели мог:

• снизить показ рекламы,
• давать ответы без поиска,
• и галлюцинировать в ущерб доверию,

поэтому естественным был осторожный подход. Риск не запустить в нужный момент казался меньшим, чем риск запустить преждевременно.

OpenAI, напротив, не имела такой «денежной коровы». Для неё риск не выпустить был экзистенциальным: нужно продавать модели, захватить внимание разработчиков, подписать крупные договоры на вычисления и монетизировать исследования.

Культура: толерантность к риску и PR‑чувствительность

Google пережил антимонопольные и приватные скандалы, что породило культуру, где:

• PR, политика и юристы имеют сильное право вето
• проверки безопасности длинные и многоступенчатые
• репутационные потери считаются топ‑риском

OpenAI приняла, что публичная мощная модель будет «грязной» и концентрировалась на итерациях с охраной. Уровень терпимости к продуктовым рискам был выше.

Структура и скорость: комитеты против концентрации власти

В Google крупные релизы проходят через множество комитетов, кросс‑организационных согласований и OKR‑переговоров — это замедляет продукты, охватывающие Search, Ads, Cloud и Android.

OpenAI концентрировала власть в небольшой группе лидеров и фокусной продуктовой команде. Решения по ChatGPT, ценообразованию и API принимались быстро и корректировались по результатам использования.

Когда одних исследований уже недостаточно

Годами крайним преимуществом Google были лучшие статьи и сильнейшие модели. Но когда другие могли воспроизвести исследования, преимущество сместилось к сочетанию исследований и:

• продуктового дизайна
• опыта разработчика
• петлей данных
• скорости выхода на рынок

OpenAI трактовала модели как продуктовую базу: выпустила API, чат‑интерфейс, училась на пользователях и использовала это для следующего поколения моделей. Google же держал многие самые мощные системы внутренними или как узкие демо. Ко времени, когда он хотел масштабировать их как продукт, OpenAI уже создала привычки, ожидания и экосистему вокруг GPT.

Разрыв был не в знании трансформеров, а в готовности и структуре, позволяющей быстро превратить знания в продукт перед сотнями миллионов людей.

Технические инновации vs продуктовые инновации: кто что сделал

Google: технический двигатель

На техническом фронте Google оставался лидером. Он лидировал по инфраструктуре: собственные TPU, продвинутая сеть центров обработки данных и внутренние инструменты, которые сделали обучение огромных моделей рутинной задачей ещё до того, как многие компании осмелились на это.

Исследователи Google продвигали архитектуры (трансформеры, варианты внимания, mixture‑of‑experts, retrieval‑augmented models), законы масштабирования и эффективность обучения. Многие ключевые статьи по современному крупномасштабному ML принадлежат Google и DeepMind.

Но большая часть инноваций так и оставалась в статьях, внутренних платформах и узконаправленных фичах для Поиска, Рекламы и Workspace. Вместо единого «AI‑продукта» пользователи видели десятки мелких улучшений.

OpenAI: продуктовая и платформенная машина

OpenAI пошла иначе. Технически она опиралась на опубликованные идеи, включая идеи Google. Её преимущество — превращать эти идеи в ясную продуктовую линию:

• Один флагман: ChatGPT — очевидный кейс без настроек.
• Одна платформа: API с понятными конечными точками и предсказуемым ценообразованием.
• Одна история для разработчиков: хорошие доки, примеры и простая модель мышления — «вызывай модель как функцию».

Эта упаковка превратила способности модели в то, что люди могли быстро принять и использовать.

Распространение важнее чистого технического преимущества

После взлёта ChatGPT OpenAI получила то, что раньше было у Google: доминирующее внимание. Разработчики стали экспериментировать сначала с OpenAI, писать туториалы под её API и строить продукты на её базе.

Качество модели стало вторично по сравнению с преимуществом распространения. Техническое превосходство Google в инфраструктуре и исследованиях не автоматически дало ему лидерство на рынке.

Вывод: победить в науке недостаточно. Без чёткого продукта, ценовой политики, истории и путей интеграции даже сильный научный двигатель может уступить место сфокусированной продуктовой компании.

После тревоги: Bard, Gemini и перезапуск AI у Google

Когда ChatGPT продемонстрировал, как Google выглядит со стороны, компания объявила «code red» и запустила заметный, пусть и не всегда аккуратный, перезапуск AI‑стратегии.

От Bard к Gemini: признание перезапуска

Первым ответом был Bard — чат‑интерфейс на базе LaMDA, затем апгрейднутый до PaLM 2. Bard выглядел одновременно поспешно и осторожно: ограниченный доступ, медленный rollout и явные продуктовые границы.

Реальный перезапуск пришёл с Gemini:

• Gemini Ultra, Pro, Nano — согласованное семейство моделей для облака, потребителей и on‑device задач
• Bard переформатировали под марку Gemini и Gemini Advanced, чтобы обозначить новый этап
• Публичное обязательство сделать Gemini центральным AI‑брендом Google

Этот сдвиг перевёл Google из «компании поиска, экспериментирующей с чатботами» в «AI‑платформу с флагманским семейством моделей», хотя он и стартовал позже OpenAI.

Встраивание Gemini в продукты Google

Сила Google — распределение, поэтому стратегический фокус был на интеграции Gemini в уже привычные точки контакта:

• Search: Search Generative Experience и AI Overviews, дающие прямые ответы, а не только ссылки
• Workspace: ассистенты Gemini в Gmail, Docs, Sheets, Slides и Meet для черновиков, суммаризации и анализа
• Android: системный ассистент, мультимодальные вводы и Nano‑модели на устройстве для приватных задач
• Chrome: помощь в написании, организация вкладок и функции для разработчиков прямо в браузере

Стратегия: если OpenAI выиграла «новизной» и брендом, Google может выиграть за счёт «дефолтного присутствия» и тесной интеграции в рабочие потоки.

Безопасность, управление и поэтапное раскрытие

Расширяя доступ, Google опирается на принципы AI и безопасность:

• Обширный red‑teaming и оценки перед выпуском моделей более высокой мощности
• Региональные rollouts и некоторые фичи, доступные по возрасту и типу аккаунта
• Инвестиции в исследования по выравниванию, фильтры контента и поведения‑отказа
• Работа над атрибуцией и происхождением контента (например, SynthID для изображений)

Компромисс: более жёсткие ограждения и медленнее эксперименты против более быстрой итерации с публичными тестами, как у OpenAI.

Догнала ли Google OpenAI?

По качеству моделей Gemini Advanced и топ‑уровень Gemini выглядят конкурентоспособно с GPT‑4 по многим бенчмаркам и отзывам разработчиков. В некоторых мультимодальных и кодинговых задачах Gemini даже лидирует; в других — GPT‑4 остаётся эталоном.

Где Google ещё проигрывает, так это mindshare и экосистема:

• OpenAI остаётся де‑факто выбором для многих стартапов и исследователей
• Бренд «ChatGPT» ассоциируется с ИИ у широкой публики
• API и экосистема OpenAI получили раннее развитие

Контрвес Google — огромная дистрибуция и глубинная инфраструктура. Если он сумеет превратить это в удобные AI‑нативные опыты быстрее, восприятие может измениться.

Многополярное будущее, а не дуэль двух гигантов

Перезапуск происходит в поле, где уже не только Google vs OpenAI:

• OpenAI: потребительский бренд, быстрые итерации, сильная экосистема разработчиков
• Google: инфраструктура, данные, дистрибуция и Gemini повсюду
• Open source: модели типа Llama и Mistral развиваются быстро, дешево и достаточно хороши для многих задач
• Anthropic и другие: дифференциация вокруг безопасности и вертикалей

Для создателей это значит: проектируйте стратегии, ожидая нескольких сильных провайдеров, мощных открытых моделей и постоянного leap‑frogging, а не ставьте всё на одну стек‑платформу.

Ключевые уроки для разработчиков: как не повторить ошибку Google

Google показал: можно изобрести прорыв и всё равно упустить первую волну ценности. Для разработчиков важно не восхищаться парадоксом, а извлечь уроки.

1. Релизите продукты, а не только статьи

Каждый важный исследовательский результат рассматривайте как продуктовую гипотезу:

• Назначьте продуктового владельца на результат.
• В течение недель определите конкретную пользовательскую проблему и v1‑опыт, каким бы узким он ни был.
• Установите дедлайн, где по умолчанию результат — запуск для реальных пользователей, пусть и для 1,000 человек.

Если результат достаточно важен для публикации, он достоин прототипа для клиентов.

2. Согласуйте стимулы с выпуском и влиянием

Люди делают то, за что получают вознаграждение.

• Делайте продвижение и признание зависимыми от реального запуска, а не только от цитируемости.
• Поощряйте кросс‑функциональные команды, которые доводят рискованную идею до продакшна.
• Давйте одиночным лидерам власть над экспериментом и запуском, чтобы решения не умирали в комитетах.

3. Назначайте продуктовые ставки на новые примитивы

Трансформеры — новый вычислительный примитив. Google рассматривал их как инфраструктуру; OpenAI — как продуктовую движущую силу.

Когда у вас появляется глубинная идея:

• Назначьте 1–2 флагманских продукта, которые разгонят эту идею.
• Закройте команду и бюджет на 12–24 месяца.
• Примите внутреннее пересечение и конкуренцию с legacy‑продуктами ради возможного огромного выхлопа.

4. Балансируйте безопасность и обучение в реальных условиях

Бренд и безопасность важны, но ими нельзя оправдывать бесконечные задержки.

Постройте градацию рисков:

• Высокорискованные кейсы (здоровье, финансы, выборы) — строгие ворота.
• Низкорискованные, явно помеченные эксперименты — ранний запуск с мониторингом и возможностью быстрого отката.

Дизайнируйте контролируемое воздействие: постепенные rollout, логирование, быстрое восстановление, red‑teaming и прозрачная коммуникация о процессе обучения.

5. Владеете платформой, которую вы открываете

Google дал миру идеи и инструменты, а затем во многом наблюдал, как другие строят и захватывают ценность.

Когда вы открываете мощную возможность:

• Постройте референсный продукт, демонстрирующий потолок возможностей.
• Рано предоставляйте API, но держите и first‑party продукт, который вы будете непрерывно улучшать.
• Рассматривайте внешних разработчиков как партнёров, а не как единственных, кто найдёт ценность.

6. Институализируйте путь «от статьи к продукту»

Нельзя полагаться на одного визионера. Встройте переход в рабочие процессы:

• Стандартизируйте пайплайн: идея → internal demo → ограничённая внешняя бета → общий релиз.
• Создайте группу, чья единственная задача — превращать лучшие исследования в продукты или API.
• Ротируйте старших исследователей в продуктовые роли, чтобы те, кто понимает способность, и владели её применением.

7. Будьте готовы удивляться собственным технологиям

Главная ошибка Google — недооценить, чем могут стать его собственные изобретения в руках пользователей.

Для основателей и менеджеров полезный практический подход:

• Предполагайте, что ваш прорыв имеет больше применений, чем очевидно внутри компании.
• Покажите его пользователям достаточно рано, чтобы они выявили неожиданные, ценные сценарии.
• Будьте готовы менять дорожную карту, когда эти сценарии конфликтуют с прежней стратегией.

Будущие прорывы (в моделях, интерфейсах или новых вычислительных примитивах) коммерциализируют команды, готовые быстро перейти от «мы это открыли» к «мы полностью отвечаем за выпуск».

Урок от Google не в том, чтобы публиковать меньше или скрывать исследования. Он в том, чтобы сочетать мирового класса открытия с не менее амбициозной продуктовой ответственностью, ясными стимулами и склонностью к публичному обучению. Те организации, которые смогут это делать, будут владеть следующей волной, а не только писать статью, которая её запустила.