Технический контекст
Я внимательно разобрал, что именно показала Percepta AI, и здесь действительно не очередная обвязка вокруг LLM. Они встроили WASM-интерпретатор прямо в веса трансформера, так что код исполняется детерминированно внутри авторегрессионного forward pass, без внешних tool calls.
Механика нетривиальная. Программу пишут на C, компилируют в WASM-байткод, затем сам интерпретатор WASM компилируют в матрицы весов модели. Дальше модель на каждом шаге генерации не «фантазирует» ответ, а воспроизводит трассу исполнения стековой машины токен за токеном.
Я отдельно отметил, что речь не о большой универсальной модели. В описании фигурирует компактная архитектура: 7 слоёв, d_model=36, 18 heads и HullKVCache с заявленной сложностью декодирования O(k + log n) вместо стандартного O(n²). Для рынка это не замена LLM, а новый вычислительный примитив внутри архитектуры ИИ-решений.
Самый сильный тезис — детерминизм. Один и тот же вход даёт одну и ту же трассу исполнения, а значит исчезает типичная проблема вероятностных ошибок на задачах точного счёта, валидации и символьной логики. При этом схема остаётся дифференцируемой, хотя в доступных материалах я не увидел демонстрации полноценного градиентного обучения такого интерпретатора.
Влияние на бизнес и автоматизацию
Для меня здесь главный вывод простой: граница между «моделью» и «инструментом» начала размываться на уровне самой архитектуры. Если раньше мы строили пайплайны вида LLM + function calling + внешняя система правил, то теперь часть точной логики потенциально можно вшивать глубже — прямо в вычислительное ядро.
Выиграют компании, которым нужна ИИ автоматизация без вероятностного дрейфа на критических шагах. Это финансовые проверки, конфигурационные движки, техподдержка с жёсткими регламентами, маршрутизация заявок, расчётные микросервисы, комплаенс-проверки. Проиграют те, кто продолжит пытаться закрыть точные вычисления обычным промптом и надеяться, что модель «в этот раз не ошибётся»
В нашем опыте в Nahornyi AI Lab именно этот разрыв между генерацией и детерминированной логикой чаще всего ломает внедрение искусственного интеллекта в реальных процессах. Бизнес хочет красивый интерфейс на естественном языке, но backend ждёт воспроизводимого результата. Поэтому я давно считаю, что сильные ИИ решения для бизнеса — это не одна модель, а гибрид: вероятностный слой для понимания и детерминированный слой для исполнения.
При этом я бы не продавал эту новость как готовую замену tool calling. Сегодня это скорее сигнал для архитекторов. Чтобы сделать ИИ автоматизацию устойчивой, всё равно нужна профессиональная AI-архитектура: где хранить состояние, как валидировать трассу, как ограничивать класс программ, как мониторить стоимость и задержки.
Стратегический взгляд и глубокий разбор
Я не думаю, что рынок массово начнёт «зашивать WASM в веса» уже завтра. Но я почти уверен, что мы увидим новое поколение гибридных моделей, где внутри будут специализированные детерминированные подсистемы: интерпретаторы, решатели, policy engines, возможно даже мини-VM под отраслевые сценарии.
На проектах Nahornyi AI Lab я регулярно вижу один и тот же паттерн: 80% ценности даёт не сама генерация текста, а правильная оркестрация точных операций вокруг неё. Эта разработка интересна тем, что пытается убрать оркестрацию как внешний слой и превратить её во внутреннее свойство модели. Если подход масштабируется, интеграция искусственного интеллекта станет не только удобнее, но и дешевле по latency и надёжнее по SLA.
Есть и жёсткие ограничения. Пока нет сильной академической валидации, нет открытых сравнений с традиционными архитектурами и нет ответа, как такой подход поведёт себя на больших программах и в production-нагрузке. Я бы относился к Percepta как к важному технологическому инсайду, а не к готовому enterprise-стандарту.
Мой прогноз такой: в ближайшие 12–18 месяцев лучшие команды по внедрению ИИ будут строить не просто RAG и не просто агентов, а композитные системы, где часть вычислений выполняется строго детерминированно внутри или рядом с моделью. Именно там появится реальное преимущество по качеству, цене ошибки и управляемости.
Этот разбор подготовил Вадим Нагорный — ведущий эксперт Nahornyi AI Lab по AI-архитектуре, внедрению ИИ и AI automation для реального бизнеса. Если вы хотите понять, где в вашем процессе нужен вероятностный интеллект, а где жёсткий детерминированный контур, я приглашаю вас обсудить проект со мной и командой Nahornyi AI Lab. Мы проектируем и внедряем такие системы под конкретные KPI, а не под хайп.