Представьте, что два человека общаются, но не словами, а напрямую передают друг другу мысли и образы. Фантастика? Для людей — да. Для искусственного интеллекта — уже реальность. Команда стартапа Mostik представила метод, который позволяет крупным языковым моделям обмениваться информацией, минуя привычный и медленный этап генерации текста.
Раньше всё было просто: одна нейросеть думала, формулировала ответ словами, а вторая читала этот текст и начинала думать сама. Куча промежуточных шагов, потеря времени и энергии. Mostik предложил радикально иное решение — прямой «мостик» между внутренними мирами двух ИИ.
Мост вместо болтовни
Как это работает? Вместо того чтобы заставлять гигантскую модель вроде GLM-5.2 тратить ресурсы на составление предложения, её внутреннее состояние — тот самый «мысленный образ» — преобразуется специальным адаптируемым модулем. Этот модуль и есть тот самый «мост».
А вот дальше преобразованный сигнал поступает на вход меньшей модели, например, Qwen-3.5, которая уже и генерирует финальный текст для пользователя. Параметры самих моделей при этом не меняются. Они остаются самими собой, просто учатся понимать внутренний язык друг друга через переводчика.
Интересно, что объём этой «невысказанной» информации колоссален. Для создания одного токена (части слова) языковая модель формирует более сотни скрытых векторов — это около миллиона числовых значений или примерно 2 МБ данных. В готовый текстовый ответ попадает лишь крошечная часть этого айсберга. Новый канал передаёт именно весь айсберг.
Экономия в 2,5 раза: тест на гиганте и карлике
Чтобы доказать эффективность, разработчики соединили модель-гигант GLM-5.2 (753 млрд параметров) и её куда более скромную «коллегу» Qwen-3.5 (всего 4 млрд параметров). Большая модель только обрабатывала запрос, не тратя силы на ответ. Её «мысли» через мост передавались малой модели, которая и выдавала итог.
Результат? Такая связка закрыла около половины разрыва в качестве между маленькой и большой моделью. По сравнению с классической передачей через текст, новый метод дал преимущество в 10 процентных пунктов при одинаковых вычислительных затратах.
Но главное — экономия. Сравнив гибридную систему с одиночной моделью среднего размера, показавшей похожий результат, инженеры Mostik подсчитали: их связка GLM-5.2 и Qwen-3.5 потребовала примерно в 2,5 раза меньше вычислений. Представьте, что ваш мощный компьютер стал работать быстрее, просто потому что его части научились молча понимать друг друга.
В поисках общего математического языка
А что же внутри? Главный научный сотрудник Mostik Станислав Смирнов объясняет проблему: внутренние представления разных нейросетей — это как разные языки или даже разные системы измерения. Даже решая одну задачу, модели могут по-разному кодировать информацию в своих скрытых состояниях.
«Похоже, подходящего математического языка пока не существует», — признаётся Смирнов. Изучение этих соответствий — это не только инженерная задача. Это ключ к пониманию того, как разные ИИ-системы вообще мыслят и приходят к решениям. Существуют ли общие законы «нейро-логики»?
Бывший исследователь Google DeepMind Карл Туйлс видит в этом чисто практическую выгоду. Теперь можно задействовать огромную, «прожорливую» модель только для сложной обработки запроса, а «озвучивание» результата доверить маленькой и экономичной. Или объединить универсальную модель со специализированной: одна отвечает за общие рассуждения, а вторая — за быстрые и точные ответы в своей узкой области.
Что это значит для России
Казалось бы, где Кремниевая долина, а где мы? Но эта история отлично ложится на российский контекст цифрового суверенитета. Пока мы обсуждаем цифровой рубль и его архитектуру, фундаментальные исследования в области эффективных вычислений становятся стратегическим ресурсом.
Представьте будущую экосистему цифрового рубля. Это не одна программа, а множество взаимосвязанных систем: платёжные шлюзы, аналитические модули, системы контроля. Их эффективное и безопасное взаимодействие — та же самая задача, что и у Mostik. Как передавать данные и состояния между разными блоками, минуя уязвимые промежуточные форматы?
Российский крипторынок и регуляторы только начинают выстраивать общий «язык». Разработки вроде метода Mostik показывают: будущее за системами, которые умеют договариваться на глубоком, а не поверхностном уровне. Это урок и для наших разработчиков, и для регуляторов — думать не только о протоколах, но и о внутренней «логике» взаимодействия цифровых активов.
Прогноз редакции
Мы считаем, что этот подход — не просто оптимизация, а смена парадигмы. В ближайшие два года подобные «мосты» станут стандартом для связки крупных и edge-ИИ, резко снизив стоимость и энергопотребление сложных сервисов. А для России это прямой сигнал: фундаментальная наука в области ИИ и математики коммуникаций — это не абстракция, а будущее технологического суверенитета.
