Останні досягнення штучного інтелекту: огляд і аналітика (2023–2025)

Юліан Бедь, Роман Чийпеш, Вадим Шатан

Науково-дослідний інститут дослідження штучного інтелекту
Карпатського університету імені Августина Волошина

м. Ужгород,
25 вересня 2025 р.

Анотація

Стаття присвячена оглядово-аналітичному аналізу останніх досягнень у галузі штучного інтелекту (ШІ) у 2023–2025 роках. Розглянуто ключові напрями: багатомодальні та агенційні моделі, нейро-символьні підходи, втілений ШІ і робототехніка, автономне відкриття алгоритмів, застосування в медицині, освіті та промисловості. Виокремлено архітектурні та інфраструктурні інновації, а також визначено основні виклики та ризики, пов’язані з розвитком ШІ. Підкреслено перспективи інтеграції нейромережевих і символічних підходів, ролі агентних систем та значення регуляції.

Ключові слова: штучний інтелект, багатомодальні моделі, агентні системи, нейро-символьний ШІ, втілений ШІ, автономне відкриття алгоритмів, медицина, освіта, інновації.

Abstract

The article provides a review and analytical overview of the latest advances in artificial intelligence between 2023 and 2025. Key directions are analyzed: multimodal and agentic models, neuro-symbolic approaches, embodied AI and robotics, autonomous algorithm discovery, applications in healthcare, education, and industry. The study highlights architectural and infrastructural innovations, as well as major challenges and risks of AI development. It emphasizes the prospects of integrating neural and symbolic paradigms, the growing role of agentic systems, and the significance of regulation.

Keywords: artificial intelligence, multimodal models, agentic AI, neuro-symbolic AI, embodied AI, autonomous algorithm discovery, healthcare, education, innovation.

Вступ

У 2023–2025 роках штучний інтелект (ШІ) остаточно закріпився як ключовий технологічний рушій сучасності, що визначає розвиток не лише ІТ-галузі, а й медицини, освіти, промисловості та економіки загалом. За даними AI Index Report 2025 Стенфордського університету, обсяг обчислень, необхідних для навчання найпотужніших моделей, подвоюється приблизно кожні п’ять місяців, що значно перевищує темпи, характерні для закону Мура [1]. Це призводить до концентрації ресурсів у небагатьох лідерів ринку, але водночас розрив між ними поступово зменшується завдяки відкритим дослідженням та інноваціям у сфері архітектур і оптимізації.

Таким чином, розвиток ШІ у 2023–2025 рр. позначився зміщенням акценту від “гонки масштабів” (scaling race) — нарощування параметрів моделей та обсягів даних — до конкуренції у сфері архітектурних і прикладних інновацій. Це включає нові підходи до багатомодальних систем, агентних моделей, інтеграції нейронних і символічних методів, а також до оптимізації апаратного забезпечення, що стає визначальним чинником подальшого прогресу.

Багатомодальні та агенційні моделі

Провідним напрямом розвитку сучасного ШІ є багатомодальні системи, здатні обробляти та інтегрувати різні типи даних — текст, зображення, аудіо, відео, сенсорні сигнали. Прикладом є Google Gemini, що поєднує мовні та візуальні можливості, демонструючи якісний перехід від вузькоспеціалізованих моделей до універсальних когнітивних платформ [2]. Подібні системи відкривають шлях до створення більш природних і гнучких інтерфейсів людина–машина, де користувач взаємодіє з ШІ у багатоканальному середовищі.

Паралельно розвивається напрям так званого “agentic AI” — агентних моделей. Їхня особливість полягає не лише у генерації відповідей, а й у здатності планувати, ініціювати та координувати послідовність дій для досягнення мети. Такі моделі можуть виконувати складніші завдання: від автоматизованих досліджень і програмування до багатокрокових бізнес-процесів. Deloitte та MIT Sloan Review прогнозують, що саме агентні системи стануть визначальним трендом 2025 року, оскільки вони перетворюють ШІ з “пасивного інструменту” на активного учасника прийняття рішень і виконання завдань [3].

У поєднанні багатомодальності та агентності формується новий клас моделей, здатних інтегрувати сприйняття, розуміння контексту і дію. Це наближає сучасний ШІ до рівня втіленого інтелекту (embodied AI) та створює підґрунтя для його практичного застосування у сфері робототехніки, автономних систем, освіти й медицини.

Нейро-символьний підхід

Важливим напрямом розвитку сучасного ШІ стали спроби інтегрувати нейронні мережі (що забезпечують потужність у розпізнаванні й узагальненні даних) із символічними методами (які мають перевагу в логічному висновку, структурованому представленні знань та формальних правилах). Такий підхід відомий як нейро-символьний ШІ (neuro-symbolic AI).

Систематичний огляд 167 досліджень, проведених у 2020–2024 рр., засвідчив, що найбільший прогрес досягнуто у сферах:

покращення навчання моделей, де символічні правила допомагають обмежувати простір пошуку й роблять навчання більш ефективним;
логічного висновку, що дозволяє поєднувати статистичні узагальнення з дедуктивними структурами [4].

Водночас серйозними викликами залишаються:

пояснюваність (explainability) — сучасні гібридні системи ще не здатні у повній мірі забезпечити прозорість своїх висновків для користувача;
довіра (trustworthiness) — через складність інтеграції двох парадигм зберігається ризик некоректних рішень у критично важливих галузях.

Дослідники відзначають, що саме нейро-символьний підхід має перспективу стати містком між гнучкістю нейронних мереж та строгістю символічних систем, що наближає ШІ до рівня більш інтерпретованого й контрольованого інтелекту. У довгостроковій перспективі це може стати основою для створення більш надійних і регульованих систем штучного інтелекту, які відповідатимуть як науковим, так і етичним вимогам.

Втілений ШІ та робототехніка

Одним із найдинамічніших напрямів розвитку сучасного штучного інтелекту є втілений ШІ (embodied AI) — системи, які не лише аналізують дані, але й безпосередньо взаємодіють із фізичним або віртуальним середовищем. Вони поєднують сприйняття (vision), мовну інтерпретацію (language) та дію (action), формуючи основу для автономних робототехнічних систем.

Важливим кроком стали моделі типу Vision-Language-Action (VLA), зокрема RT-2 (Robotics Transformer 2) від DeepMind, що інтегрує зорове сприйняття, мовні інструкції та роботизовані дії в єдину когнітивно-дієву структуру [5]. Це дозволяє навчати роботів на базі веб-даних і переносити знання з віртуального середовища у фізичне, роблячи їх здатними до узагальнення нових завдань без прямого донавчання.

Огляд досліджень Embodied AI у 2025 році систематизував етапи розвитку цього напряму — від простих систем із жорстко запрограмованою поведінкою до моделей, здатних до адаптації, планування та контекстного прийняття рішень [6]. Серед ключових викликів масштабування виокремлюють:

високу вартість і технічну складність навчання роботів у реальному середовищі;
потребу у великих симуляційних просторах та їх узгодженості з реальністю;
обмеження апаратного забезпечення (сенсори, акумулятори, обчислювальні блоки);
етичні та безпекові ризики при застосуванні автономних роботів у побуті, медицині чи військовій сфері.

Таким чином, втілений ШІ поступово перетворює штучний інтелект із чисто обчислювальної системи на інтерактивного агента, здатного не лише розуміти, а й активно діяти у світі. Це відкриває нові перспективи для робототехніки, автономного транспорту, охорони здоров’я, промислових і побутових застосувань.

Автономне відкриття алгоритмів

Одним із проривних напрямів у сфері штучного інтелекту стало автономне відкриття алгоритмів, де ШІ не лише виконує завдання, а й самостійно відкриває нові методи їх розв’язання.

Компанія DeepMind представила систему AlphaDev, яка з використанням методів глибинного підкріпленого навчання знайшла швидші алгоритми сортування, що увійшли до стандартних бібліотек C++ і стали частиною світової практики програмування [7]. Подібні підходи були розвинуті й у проєкті AlphaEvolve, спрямованому на оптимізацію складних процесів шляхом еволюційного пошуку нових рішень. Ці розробки демонструють потенціал ШІ у сфері автоматизації програмної інженерії, де створення ефективних алгоритмів раніше вимагало тривалої роботи дослідників.

Застосування автономного відкриття алгоритмів виходить далеко за межі програмування. Так, у матеріалознавстві подібні методи використовуються для відкриття нових сполук та матеріалів з унікальними властивостями. Дослідження Каліфорнійського університету в Берклі продемонстрували, що інтеграція ШІ у процеси пошуку дозволяє значно прискорити відкриття матеріалів для енергетики, акумуляторних систем та медицини [8].

Таким чином, автономне відкриття алгоритмів свідчить про перехід ШІ від ролі “користувацького інструмента” до “наукового співтворця”, здатного робити внесок у розвиток фундаментальних та прикладних знань. У майбутньому ця тенденція може радикально змінити науково-технічний прогрес, зробивши його більш інтенсивним і менш залежним від людських обмежень.

Застосування у медицині та освіті

Медицина є однією з галузей, що отримують найбільшу користь від упровадження технологій штучного інтелекту. Сучасні AI-рішення активно застосовуються у:

медичній візуалізації — для автоматизованого аналізу зображень (рентген, МРТ, КТ), що підвищує точність діагностики та зменшує ймовірність людських помилок;
прогнозуванні стану пацієнтів — моделі машинного навчання використовуються для оцінки ризику розвитку ускладнень, рецидивів або погіршення перебігу хвороб;
дистанційному моніторингу здоров’я — носимі сенсори та смарт-пристрої інтегруються з AI-системами для відстеження життєвих показників у реальному часі;
персоналізованій медицині — AI допомагає підбирати індивідуальні схеми лікування на основі геномних та клінічних даних [9].

Такі можливості сприяють підвищенню доступності й ефективності медичних послуг, однак залишаються проблеми з етикою використання даних, конфіденційністю, а також необхідністю клінічної верифікації алгоритмів.

Освіта також активно інтегрує великі мовні моделі (LLM), які вже застосовуються для:

генерації навчальних матеріалів — створення текстів, тестових завдань і симуляційних сценаріїв;
адаптивного навчання — формування індивідуальних траєкторій для студентів залежно від їхнього рівня знань;
автоматизованого оцінювання письмових і тестових робіт;
підтримки викладачів у підготовці до занять і перевірці робіт [10].

Разом з тим існують суттєві ризики:

викривлення та упередженість контенту, оскільки моделі відображають не лише знання, а й помилки з тренувальних даних;
низька прозорість процесу прийняття рішень;
небезпека заміни живої педагогічної взаємодії автоматизованими системами.

Отже, використання AI у медицині та освіті відкриває нові горизонти розвитку, але вимагає комплексного підходу до регуляції, етики та стандартизації, щоб забезпечити користь для суспільства без підриву довіри й гуманістичних основ цих сфер.

Архітектурні інновації

Подальший розвиток штучного інтелекту дедалі більше залежить не лише від алгоритмів, а й від архітектурних та апаратних рішень. Ключовим викликом стає обмеження пам’яті та пропускної здатності, що визначає межі масштабування сучасних моделей. Вирішальну роль відіграють високошвидкісні HBM-чіпи (High Bandwidth Memory), які забезпечують передачу даних між процесорами та пам’яттю з мінімальною затримкою. За даними Financial Times, саме HBM стала «новим фронтиром AI-революції», оскільки дефіцит цих чіпів стримує темпи зростання всієї галузі [11].

Паралельно розвиваються архітектурні інновації, що спрямовані на підвищення ефективності:

спеціалізовані AI-процесори (GPU нового покоління, TPU, NPU), оптимізовані для нейронних обчислень;
модульні архітектури, які дозволяють поєднувати різні типи обчислень і розподіляти навантаження;
алгоритмічні оптимізації (мікшування точності, sparsity-техніки), які знижують витрати пам’яті та енергії;
енергоефективні рішення, що дають змогу працювати з великими моделями без критичного зростання споживання електроенергії.

Важливим напрямом стають також edge-рішення, що дозволяють запускати AI-моделі безпосередньо на кінцевих пристроях (смартфони, роботи, автомобілі, IoT-системи), мінімізуючи залежність від хмарних обчислень. Це відкриває перспективи для:

автономних систем реального часу (наприклад, безпілотних авто);
приватності даних, оскільки обробка виконується локально;
масштабованості, адже зменшується навантаження на інфраструктуру дата-центрів.

Таким чином, архітектурні інновації стають фундаментом для подальшого прогресу ШІ, оскільки вони забезпечують баланс між продуктивністю, енергоефективністю та доступністю технологій.

Виклики і ризики

Основними загрозами залишаються:

безпека агенційних моделей та контроль їхніх дій;
етичні та юридичні питання;
екологічний слід і високе енергоспоживання;
монополізація ресурсів великими корпораціями [1, 3, 11].

Висновки

Розвиток штучного інтелекту у 2023–2025 роках демонструє перехід від “гонки масштабів” до нової парадигми інтегрованих та агентних моделей, які поєднують багатомодальність, планування дій і адаптивність до контексту. Важливим трендом стали експерименти з нейро-символьним підходом, що формують підґрунтя для створення більш інтерпретованих і надійних систем. Не менш значущим є розвиток втіленого ШІ та робототехніки, де поєднання сприйняття, мови й дії поступово виводить інтелект за межі віртуального середовища.

У прикладних аспектах спостерігається активне впровадження ШІ в медицині, освіті, промисловості та матеріалознавстві, що доводить його значення як інструмента трансформації ключових суспільних сфер. Архітектурні та інфраструктурні інновації — від HBM-пам’яті до edge-рішень — стають фундаментом для подальшого зростання продуктивності та масштабованості.

Водночас перед суспільством постають нові виклики і ризики:

забезпечення безпеки та контрольованості агентних моделей;
прозорість і пояснюваність алгоритмів;
етичні та правові аспекти застосування;
екологічний вплив та енергоспоживання;
небезпека монополізації ресурсів великими корпораціями.

Отже, завдання наступних років полягає у створенні систем штучного інтелекту, які будуть не лише потужними та ефективними, але й безпечними, справедливими та доступними для різних суспільств і країн. Саме від цього залежить, чи стане ШІ інструментом прогресу і співтворчості, чи фактором нерівності та загроз.

Список джерел

1. Stanford HAI. AI Index Report 2025. Stanford University, 2025.
URL: https://hai.stanford.edu/ai-index/2025-ai-index-report (Дата доступу: 25.09.2025).
2. Google DeepMind. Gemini models overview.
URL: https://deepmind.google/technologies/gemini (Дата доступу: 25.09.2025).
3. MIT Sloan Review. Five Trends in AI and Data Science for 2025. 2025.
URL: https://sloanreview.mit.edu/article/five-trends-in-ai-and-data-science-for-2025
(Дата доступу: 25.09.2025).
4. Zahid, A. et al. Neuro-Symbolic AI in 2024: A Systematic Review. arXiv:2501.05435, 2025.
URL: https://arxiv.org/abs/2501.05435 (Дата доступу: 25.09.2025).
5. Brohan, A. et al. RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. Google DeepMind, 2023. URL: https://robotics-transformer2.github.io
(Дата доступу: 25.09.2025).
Li, J. et al. Toward Embodied AGI: A Review of Embodied AI and the Road Ahead. arXiv:2505.14235, 2025. URL: https://arxiv.org/abs/2505.14235 (Дата доступу: 25.09.2025).
7. Mankowitz, D. J., Michi, A., Zhernov, A. та ін. Faster sorting algorithms discovered using deep reinforcement learning. Nature, 2023. URL: https://www.nature.com/articles/s41586-023-06004-9
(Дата доступу: 25.09.2025).
8. Ceder, G. Autonomous discovery of materials using AI. University of California, Berkeley, 2024. URL: https://en.wikipedia.org/wiki/Gerbrand_Ceder (Дата доступу: 25.09.2025).
9. Alqahtani, S. et al. The Impact of Artificial Intelligence on Emergency Medicine: A Review of Recent Advances. arXiv:2503.14546, 2025. URL: https://arxiv.org/abs/2503.14546
(Дата доступу: 25.09.2025).
10. Rudolph, J. et al. Practical and Ethical Challenges of Large Language Models in Education: A Systematic Scoping Review. arXiv:2303.13379, 2023. URL: https://arxiv.org/abs/2303.13379
(Дата доступу: 25.09.2025).
11. Financial Times. Why memory chips are the new frontier of the AI revolution. 2024.
URL: https://www.ft.com/content/bee99570-9669-4c2d-b104-3fff9bbf7fde
(Дата доступу: 25.09.2025).