Технічний контекст
Я уважно розібрав, що саме показала Percepta AI, і тут дійсно не чергова обгортка навколо LLM. Вони вбудували WASM-інтерпретатор прямо у ваги трансформера, так що код виконується детерміновано всередині авторегресійного forward pass, без зовнішніх tool calls.
Механіка нетривіальна. Програму пишуть на C, компілюють у WASM-байткод, потім сам інтерпретатор WASM компілюють у матриці ваг моделі. Далі модель на кожному кроці генерації не «фантазує» відповідь, а відтворює трасу виконання стекової машини токен за токеном.
Я окремо відзначив, що мова не про велику універсальну модель. В описі фігурує компактна архітектура: 7 шарів, d_model=36, 18 heads і HullKVCache із заявленою складністю декодування O(k + log n) замість стандартного O(n²). Для ринку це не заміна LLM, а новий обчислювальний примітив усередині архітектури ШІ-рішень.
Найсильніша теза — детермінізм. Один і той самий вхід дає одну і ту ж трасу виконання, а значить зникає типова проблема імовірнісних помилок на задачах точного рахунку, валідації та символьної логіки. При цьому схема залишається диференційованою, хоча в доступних матеріалах я не побачив демонстрації повноцінного градієнтного навчання такого інтерпретатора.
Вплив на бізнес та автоматизацію
Для мене тут головний висновок простий: межа між «моделлю» та «інструментом» почала розмиватися на рівні самої архітектури. Якщо раніше ми будували пайплайни вигляду LLM + function calling + зовнішня система правил, то тепер частину точної логіки потенційно можна вшивати глибше — прямо в обчислювальне ядро.
Виграють компанії, яким потрібна ШІ-автоматизація без імовірнісного дрейфу на критичних кроках. Це фінансові перевірки, конфігураційні рушії, техпідтримка з жорсткими регламентами, маршрутизація заявок, розрахункові мікросервіси, комплаєнс-перевірки. Програють ті, хто продовжить намагатися закрити точні обчислення звичайним промптом і сподіватися, що модель «цього разу не помилиться».
У нашому досвіді в Nahornyi AI Lab саме цей розрив між генерацією та детермінованою логікою найчастіше ламає впровадження штучного інтелекту в реальних процесах. Бізнес хоче красивий інтерфейс природною мовою, але backend чекає відтворюваного результату. Тому я давно вважаю, що сильні ШІ-рішення для бізнесу — це не одна модель, а гібрид: імовірнісний шар для розуміння та детермінований шар для виконання.
При цьому я б не продавав цю новину як готову заміну tool calling. Сьогодні це швидше сигнал для архітекторів. Щоб зробити ШІ-автоматизацію стійкою, все одно потрібна професійна AI-архітектура: де зберігати стан, як валідувати трасу, як обмежувати клас програм, як моніторити вартість і затримки.
Стратегічний погляд і глибокий розбір
Я не думаю, що ринок масово почне «зашивати WASM у ваги» вже завтра. Але я майже впевнений, що ми побачимо нове покоління гібридних моделей, де всередині будуть спеціалізовані детерміновані підсистеми: інтерпретатори, вирішувачі, policy engines, можливо навіть міні-VM під галузеві сценарії.
На проєктах Nahornyi AI Lab я регулярно бачу один і той самий патерн: 80% цінності дає не сама генерація тексту, а правильна оркестрація точних операцій навколо неї. Ця розробка цікава тим, що намагається прибрати оркестрацію як зовнішній шар і перетворити її на внутрішню властивість моделі. Якщо підхід масштабується, інтеграція штучного інтелекту стане не тільки зручнішою, але й дешевшою за latency та надійнішою за SLA.
Є й жорсткі обмеження. Поки немає сильної академічної валідації, немає відкритих порівнянь з традиційними архітектурами і немає відповіді, як такий підхід поведе себе на великих програмах і в production-навантаженні. Я б ставився до Percepta як до важливого технологічного інсайду, а не як до готового enterprise-стандарту.
Мій прогноз такий: у найближчі 12–18 місяців найкращі команди з впровадження ШІ будуть будувати не просто RAG і не просто агентів, а композитні системи, де частина обчислень виконується суворо детерміновано всередині або поруч із моделлю. Саме там з'явиться реальна перевага в якості, ціні помилки та керованості.
Цей розбір підготував Вадим Нагорний — провідний експерт Nahornyi AI Lab з AI-архітектури, впровадження ШІ та AI automation для реального бізнесу. Якщо ви хочете зрозуміти, де у вашому процесі потрібен імовірнісний інтелект, а де жорсткий детермінований контур, я запрошую вас обговорити проєкт зі мною та командою Nahornyi AI Lab. Ми проєктуємо та впроваджуємо такі системи під конкретні KPI, а не під хайп.