Джонатан Сиддарт, основатель и CEO компании Turing, утверждает: мы находимся в начале эры «ускорителей исследований», которая придет на смену простому мечению данных. В индустрии ИИ происходит фундаментальный сдвиг: переход от обучения чат-ботов к созданию автономных агентов, способных выполнять сложную работу в реальном мире.
🧠 От разметки данных к ускорителям исследований: новая эра ИИ 0:00
Джонатан Сиддарт считает, что эра компаний, занимающихся просто разметкой данных (data labeling), подошла к концу . На смену им приходят «ускорители исследований» (research accelerators). Если раньше для обучения нейросетей достаточно было низкоквалифицированных подрядчиков, описывающих картинки с кошками, то сегодня требования кардинально изменились .
Ключевые изменения в подходе к данным:
- От простого к сложному: Если раньше задачей было написать простую программу на Python, то теперь ИИ обучают создавать комплексные B2B-приложения сразу для нескольких платформ (iOS, Android, Web) .
- От тестов к реальной работе: Модели больше не просто учатся сдавать экзамен на юриста (The Bar), они учатся выполнять работу юриста — анализировать комплаенс, готовить документы и проверять конфиденциальность .
- От чат-ботов к агентам: Простые диалоговые системы сменяются «агентами» — ИИ, который может самостоятельно выполнять многошаговые задачи, используя внешние инструменты (API, браузер, офисные приложения) .
Сиддарт подчеркивает, что Turing работает с семью из восьми ведущих лабораторий мира (Frontier Labs), помогая им в обучении «суперинтеллекта» . Для этого требуются эксперты в узких областях — от медицины до юриспруденции, — чьи навыки и логика переносятся в код .
🤖 Революция RL-сред: как обучают автономных агентов 3:41
Переход к агентам требует нового типа обучения. Ранее доминировали методы SFT (Supervised Fine-Tuning) и RLHF (Reinforcement Learning from Human Feedback), где модель просто имитировала эксперта или подстраивалась под предпочтения человека . Сейчас фокус сместился на обучение с подкреплением (Reinforcement Learning) в специализированных средах .
Сиддарт описывает концепцию «RL-сред» (Reinforcement Learning Environments) как мини-моделей реального мира для бизнеса . Например, для обучения виртуального специалиста по продажам создается клон ИТ-инфраструктуры, включающий Salesforce, LinkedIn и ZoomInfo с синтетическими данными .
В такой среде агент пробует различные траектории действий для выполнения задачи — например, подготовки к звонку и обновления базы данных. Система автоматически проверяет результат с помощью «верификатора» . Turing создает такие среды в массовом масштабе, охватывая 30 триллионов долларов объема мирового интеллектуального труда .
💼 Автоматизация 99% интеллектуального труда и конец традиционного ПО 16:16
Джонатан Сиддарт делает радикальный прогноз: любая интеллектуальная работа, выполняемая перед компьютером с помощью мыши и клавиатуры, будет автоматизирована . Он считает, что это лишь вопрос времени — вероятно, ближайшего десятилетия .
Ведущий Гарри Стеббингс выразил скептицизм, указывая на «катастрофическое» состояние внутренних данных в крупных корпорациях и их медлительность в принятии технологий . Сиддарт парировал это тем, что конкуренция заставит компании меняться: стартап, работающий с в 100 раз меньшим штатом благодаря ИИ, просто уничтожит неповоротливых гигантов .
Прогнозы Сиддарта для бизнеса и рынка труда:
- Продуктивность 100x: Обычный человек сможет управлять одной компанией так же эффективно, как Илон Маск пятью, а сам Маск сможет вести 600 проектов одновременно .
- Демократизация предпринимательства: Основатели больше не будут ограничены поиском венчурного капитала для найма штата инженеров и маркетологов. Достаточно будет «нанять» специализированные GPT-агенты за $20 в месяц .
- Смерть традиционного SaaS: Сиддарт считает, что эпоха готовых SaaS-приложений через 10 лет закончится . Когда ПО станет легко создавать с помощью ИИ, компании перейдут на кастомные внутренние инструменты, а место интерфейсов (GUI) займет «фоновый ИИ», управляемый голосом и текстом .
🏢 Корпоративный ИИ: почему будущее за малыми моделями 12:38
Оценивая рынок Enterprise AI, Сиддарт отмечает, что гигантские модели с триллионами параметров не всегда являются лучшим решением для бизнеса. В примерах с андеррайтингом для страховых компаний эффективнее оказываются малые языковые модели (SLM) размером от 500 миллионов до 10 миллиардов параметров .
Преимущества малых моделей для компаний:
- Безопасность: Работа «on-prem» (на собственных серверах), что исключает утечку данных конкурентам или разработчикам больших моделей .
- Скорость и точность: Узкая специализация на конкретных данных компании делает модель эффективнее в специфических задачах .
- Институциональная память: Возможность дистиллировать знания опытных сотрудников, работающих в компании десятилетиями, непосредственно в код модели .
🚀 Будущее интерфейсов: закат смартфонов 1:00:33
В будущем физический интерфейс взаимодействия с ИИ изменится. Сиддарт предполагает появление носимых устройств (очков или наушников), которые будут постоянно обрабатывать мультимодальные данные — видеть то же, что и пользователь, и слышать его окружение .
Такой «экзоскелет для мозга» сможет считывать язык тела собеседника, давать подсказки в реальном времени («Гарри теряет интерес, смени тему») и запоминать всё, что человек видел или слышал . Смартфон в его нынешнем виде станет лишь «компьютером с приложением для звонков» и утратит статус главного устройства .
🧪 Отношение к лидерам и Китаю 38:12
В ходе блиц-опроса Сиддарт выразил глубокое уважение к Алексу Вангу, основателю Scale AI, за его прозорливость в понимании важности данных . Говоря о глобальной конкуренции, он призвал не недооценивать Китай, отметив успехи моделей DeepSeek и Qwen в открытом доступе . Джонатан также защитил Илона Маска от критики в пренебрежении безопасностью ИИ, утверждая, что мотивация Маска — создание ИИ, который «любит человечество» .
