# Джаред Каплан: «К 2027 году ИИ сможет выполнять задачи, на которые у людей уходят месяцы»

Источник: https://www.youtube.com/watch?v=p8Jx4qvDoSo
Канал: Y Combinator
Опубликовано: 29.07.2025

---

Джаред Каплан, сооснователь Anthropic и бывший физик-теоретик, уверен: прогресс ИИ определяется не внезапным «озарением» исследователей, а строгими законами масштабирования. В беседе на площадке Y Combinator он объясняет, почему предсказуемость развития моделей позволяет прогнозировать достижение человеческого уровня ИИ к 2027 году и как стартапам использовать этот «неизбежный» рост вычислительных мощностей.

## 🧬 От физики элементарных частиц к нейронным сетям
[[JUMP:00:00]]

Джаред Каплан начал свою карьеру как физик-теоретик, занимаясь теорией струн, космологией и физикой на Большом адронном коллайдере [01:33]. Его мотивацией было понимание устройства Вселенной и поиск ответов на фундаментальные вопросы, такие как детерминизм и свобода воли. Однако к 2005–2009 годам он почувствовал фрустрацию из-за медленного прогресса в академической науке.

В то время Каплан скептически относился к искусственному интеллекту, считая методы опорных векторов (SVM) скучными [02:01]. Его мнение изменили коллеги и друзья (будущие основатели Anthropic), которые убедили его в том, что в области ИИ начинается нечто масштабное. Каплан отмечает, что переход в AI позволил ему применить физический подход — поиск максимально простых и точных макротрендов в сложных системах [26:18].

## 📈 Законы масштабирования: физика обучения ИИ
[[JUMP:02:27]]

Современные модели (Claude, ChatGPT) проходят две фундаментальные фазы обучения, и обе они подчиняются строгим эмпирическим закономерностям [02:27]:

1.  **Предварительное обучение (Pre-training):** Модель учится предсказывать следующее слово, имитируя человеческие данные и понимая корреляции в огромных массивах текста и мультимодальных данных [02:52].
2.  **Обучение с подкреплением (Reinforcement Learning, RL):** Оптимизация поведения модели на основе обратной связи от людей, чтобы сделать её полезной, честной и безвредной [04:00].

Ключевые выводы Каплана о масштабировании:

*   **Точность прогнозов:** Около пяти-шести лет назад команда Каплана обнаружила, что при увеличении объема вычислений, данных и размера нейросети производительность растет предсказуемо [04:41]. Эти тренды оказались такими же точными, как законы в астрономии или физике [05:23].
*   **Масштабирование в RL:** По словам Каплана, закон масштабирования работает и для фазы RL. Он приводит в пример исследование Энди Джонса, который показал линейный рост рейтинга Эло (ELO score) при увеличении вычислительных мощностей в игре Hex [06:58].
*   **Движение «по накатанной»:** Прогресс ИИ обусловлен тем, что индустрия нашла простой способ систематического улучшения моделей и просто «крутит эту ручку» [08:07].

## ⏳ Горизонт задач: путь к AGI к 2027 году
[[JUMP:08:20]]

Каплан разделяет возможности ИИ по двум осям: гибкость (модальности, такие как текст, зрение, звук) и временной горизонт задач [08:20]. Вторая ось кажется ему наиболее интересной.

Важные цифры и прогнозы:

*   **Удвоение каждые 7 месяцев:** Исследовательская организация METR обнаружила, что длительность задач, которые ИИ способен выполнять успешно, удваивается примерно каждые семь месяцев [09:46].
*   **Прогноз на 2027 год:** Если тренд сохранится, к 2027 году ИИ сможет выполнять задачи, требующие не минут или часов, а дней, недель и месяцев работы [10:27].
*   **Научные прорывы:** По мнению Каплана, системы ИИ смогут выполнять работу целых научных сообществ. То, на что у физиков-теоретиков уходит 50 лет, ИИ может сделать за недели [10:52].

## 🛠️ Что нужно для ИИ человеческого уровня
[[JUMP:11:18]]

Для достижения уровня человеческого интеллекта (AGI) в широком смысле, по мнению сооснователя Anthropic, не хватает нескольких «простых» ингредиентов:

*   **Организационные знания:** Модели должны уметь работать внутри компаний и правительств, обладая контекстом сотрудника, проработавшего там годы [11:33].
*   **Память:** Каплан отличает память от знаний. Это способность отслеживать прогресс в рамках конкретной долгосрочной задачи и использовать накопленный опыт [11:47]. Это направление уже внедряется в Claude 4 [12:11].
*   **Тонкий надзор (Oversight):** Сейчас легко обучать ИИ кодингу или математике, где результат бинарен (правильно/неправильно). Сложность заключается в генерации вознаграждения для «нечетких» задач: написать хорошую шутку, стихотворение или обладать вкусом в исследованиях [13:04].

## 🚀 Claude 4 и тактика для стартапов
[[JUMP:13:44]]

Обсуждая запуск Claude 4, Каплан подчеркнул переход от простого чат-бота к агенту.

Особенности Claude 4:

*   **Агентность в кодинге:** Модель лучше справляется с ролью агента, умеет использовать поиск и другие инструменты, следуя инструкциям более точно [16:46].
*   **Управление контекстом:** Claude 4 может сохранять память в виде файлов или записей, что позволяет ей работать над сложными задачами, выходящими за рамки одного контекстного окна [17:15].

**Советы Джареда Каплана для фаундеров YC:**

1.  **Стройте то, что не работает сегодня:** ИИ умнеет так быстро, что продукт, который кажется невозможным на Claude 4, станет востребованным на Claude 5 [14:09]. Нужно экспериментировать на границах текущих возможностей.
2.  **ИИ для интеграции ИИ:** Главное узкое место сейчас — скорость внедрения технологии в бизнес и науку. Использование моделей для автоматизации этой интеграции — огромная ниша [14:33].
3.  **Ищите «зеленые поля»:** Помимо кодинга, Каплан видит потенциал в финансах (работа с Excel) и юриспруденции [24:49].
4.  **Человек как менеджер:** Каплан считает, что из-за специфики ИИ (способность генерировать часто превышает способность оценивать качество) роль человека сместится в сторону «санити-чека» и управления [19:12].

## 🧪 Физика в ИИ: сила «глупых» вопросов
[[JUMP:26:18]]

Каплан утверждает, что его академическое прошлое помогло ему в исследованиях Anthropic. Его главный метод — задавать «наивные» вопросы. Когда исследователи говорят, что обучение сходится экспоненциально, он спрашивает: «Вы уверены? Может быть, это степенной закон или квадратичный?» [26:45].

Другие принципы из физики:

*   **Приближение больших матриц:** Нейросети состоят из гигантских матриц (миллиарды и триллионы параметров). В физике и математике есть хорошо изученные инструменты для работы с предельно большими матрицами, которые полезны для анализа нейросетей [28:15].
*   **Интерпретируемость:** Каплан сравнивает текущую работу по пониманию внутренних процессов ИИ с нейробиологией. Разница в том, что в ИИ мы можем измерить активность каждого «нейрона» и «синапса», чего нельзя сделать в человеческом мозге [29:33].

## ⚡ Эффективность и парадокс Джевонса
[[JUMP:31:17]]

Несмотря на дефицит вычислительных мощностей, Каплан настроен оптимистично относительно стоимости технологий:

*   **Алгоритмический рост:** Каждый год эффективность обучения и инференса растет в 3–10 раз благодаря алгоритмическим улучшениям [32:10].
*   **Снижение точности:** Индустрия движется в сторону вычислений с низкой точностью (FP4 и даже бинарные представления), чтобы сделать инференс максимально дешевым [32:38].
*   **Парадокс Джевонса:** По мнению Каплана, чем доступнее становится интеллект, тем выше будет спрос на него [33:18]. Люди не будут просто экономить, они захотят использовать более мощные модели для решения всё более сложных задач.

---