# Эпоха фабрик данных: как CEO Labelbox строит конвейер для обучения AGI с экспертами на $250k в год Источник: https://www.youtube.com/watch?v=Kr3vNRHE-Fo Канал: The Cognitive Revolution Опубликовано: 08.07.2025 --- В современной гонке за создание сильного искусственного интеллекта (AGI) фокус сместился с простого сбора данных из интернета на создание высокоспециализированных сред обучения. Генеральный директор Labelbox Ману Шарма в подкасте The Cognitive Revolution описывает текущее состояние индустрии как «эпоху фабрик данных», где ежегодные бюджеты ведущих лабораторий на пост-обучение (post-training) превышают миллиард долларов. ## 🌪️ Хаос и реорганизация в индустрии данных [[JUMP:00:00]] Индустрия ИИ переживает период значительной трансформации, вызванный недавними крупными сделками, такими как соглашение Meta с Scale AI на сумму 15 миллиардов долларов [00:14]. Переход ключевых фигур, включая бывшего CEO Scale Алекса Ванга в Meta для руководства командой супер-интеллекта, создал волну неопределенности и новых возможностей в секторе [03:53]. По словам Ману Шармы, сейчас мир наблюдает «максимальную скорость инноваций в день», которую когда-либо видело человечество [04:31]. Ману Шарма выделяет три столпа, необходимых для создания фронтирных моделей: * Вычислительные мощности (Compute): огромные капитальные вложения в инфраструктуру [05:25]. * Талант: исследователи, знающие архитектуры нейронных сетей [05:25]. * Данные: переход к режиму, где основной упор делается на пост-обучение [05:40]. Если на этапе предварительного обучения (pre-training) модель поглощает паттерны из всего интернета, то пост-обучение превращает «базовую модель» в полезного помощника [06:06]. Ману Шарма утверждает, что каждая западная фронтирная лаборатория ИИ сейчас тратит более 1 миллиарда долларов в год исключительно на данные для пост-обучения [01:04]. ## 🧬 Эволюция пост-обучения: от разметки к «гимназиям» [[JUMP:07:14]] Подходы к созданию данных прошли несколько ключевых этапов развития: 1. **Supervised Learning (SFT):** Люди размечали изображения и видео, заставляя модели подражать человеческим тегам [07:27]. 2. **RLHF (Reinforcement Learning from Human Feedback):** Специализированные наборы данных для обучения моделей взаимодействию с работниками интеллектуального труда [08:06]. 3. **RL из верифицируемых вознаграждений:** Текущая парадигма, в которой модели развивают навыки в специализированных средах [08:32]. Ману Шарма называет эти среды «тренажерными залами» (Gyms), где модели обучаются методом проб, ошибок и автоматизированной обратной связи [01:30]. Наиболее активно этот метод применяется в программировании (coding) и математике, так как результат там легко верифицировать — работает код или нет, правильный ли численный ответ [18:38]. По мнению гостя, рассуждение (reasoning) теперь рассматривается как «эмерджентное свойство», возникающее в процессе обучения с подкреплением (RL), а не просто результат прямого подражания человеческим цепочкам мыслей [31:12]. ## 🧑‍я Кадры нового поколения: AI-тренеры с зарплатой в $250 000 [[JUMP:10:45]] Современный рынок данных отошел от концепции «цифровых потогонных цехов» с низкоквалифицированным трудом. Сегодня Labelbox работает с сетью экспертов из 70 стран, включая физиков, математиков и программистов олимпийского уровня [1:10:10]. Ключевые факты о рынке труда AI-тренеров: * **Доходы:** Топ-контрибьюторы на платформе Labelbox зарабатывают более 250 000 долларов в год [02:50]. * **Сложность задач:** Эксперты не просто ставят галочки, а создают среды обучения, пишут верификаторы и решают задачи с «длинным горизонтом» [1:10:47]. * **Отбор:** Labelbox проводит более 2 000 интервью в день с помощью собственной ИИ-системы Zara [02:50]. Ману Шарма отмечает, что ИИ-интервьюер Zara имеет средний рейтинг удовлетворенности 4.6–4.7 из 5 [1:30:03]. Кандидатам нравится, что система проявляет бесконечное терпение и способна обсуждать нюансы их докторских диссертаций на уровне, недоступном обычному рекрутеру [1:30:29]. Однако наблюдается и «человеческая изобретательность» в попытках обмана: кандидаты иногда используют продвинутый голосовой режим ChatGPT, чтобы два ИИ разговаривали друг с другом во время интервью [1:31:23]. ## 🛠️ Тонкая настройка (Fine-tuning) против контекстной инженерии [[JUMP:46:11]] В корпоративном секторе Ману Шарма наблюдает отказ от традиционного fine-tuning (дообучения весов модели) в пользу «контекстной инженерии» (context engineering) [49:02]. Аргументы в пользу контекстной инженерии (RAG и промпт-инжиниринг): * **Эффективность:** Базовые модели (например, Gemini или Claude) уже обладают мощными способностями к рассуждению, которые превосходят узкоспециализированные модели [48:10]. * **Динамичность:** Fine-tuning «замораживает» инвестиции в конкретную версию модели, тогда как контекстная инженерия позволяет легко переключаться на новые, более мощные базовые модели, выходящие каждые несколько недель [1:02:10]. * **Стоимость:** Дообучение часто используется только для оптимизации затрат (дистилляция знаний из большой модели в маленькую) или когда требуются уникальные суждения, отсутствующие в базе [52:48]. Ману Шарма приводит пример: модель Gemini 1.5 Pro по многим медицинским тестам превосходит Med-PaLM 2 — модель, специально обученную только на медицинских данных [47:57]. Это доказывает, что общие способности к рассуждению критически важны даже в узких профессиональных областях. ## 🌍 Суверенный ИИ и глобальные перспективы [[JUMP:1:13:35]] Обсуждая вопрос «суверенного ИИ» для таких стран, как Бразилия или Индия, Ману Шарма советует правительствам не инвестировать в технологии ради технологий, а идти от обратного — от конкретных целей и клиентского опыта [1:18:50]. Его рекомендации для государств: 1. Определить высокоценные сценарии использования (налоги, здравоохранение, государственные услуги) [1:23:09]. 2. Использовать частные фронтирные или открытые модели как базу [1:23:50]. 3. Инвестировать в сбор уникальных национальных данных (язык, культурные особенности, локальное законодательство), чтобы адаптировать эти модели под нужды граждан [1:24:03]. Ману Шарма приводит аналогию из своего опыта в Planet Labs: Бразилии не обязательно запускать собственные спутники, чтобы следить за вырубкой лесов — достаточно покупать данные и инсайты у компаний, которые уже сканируют всю Землю ежедневно [1:21:39]. Аналогично, странам стоит сосредоточиться на слое приложений и данных, а не на попытке перегнать OpenAI в вычислительных мощностях. ## 🔮 Будущее: Плато или Взлет? [[JUMP:1:36:53]] На вопрос о том, ждет ли нас плато в развитии ИИ или стремительный взлет (fast takeoff), Ману Шарма отвечает, что мы уже находимся в фазе ускорения [1:38:30]. Однако ключевым фактором дальнейшего прогресса станет передача моделям концепции «качества» и «вкуса» [1:40:42]. Ссылаясь на книгу «Дзен и искусство ухода за мотоциклом», Шарма подчеркивает, что люди часто узнают качество, когда видят его, но не могут его формализовать [1:39:51]. Задача Labelbox и всей индустрии данных на ближайшие годы — найти способы передать это интуитивное человеческое понимание превосходства алгоритмам, что станет ключом к созданию по-настоящему надежных и полезных ИИ-агентов [1:40:42]. --- **Инвестиционные метрики и факты:** * **Labelbox:** Последний раунд финансирования составил $110 млн (начало 2022 года) [02:37]. * **Сделка Meta/Scale AI:** Оценивается в $15 млрд [00:14]. * **Расходы на данные:** Фронтирные лаборатории тратят >$1 млрд в год каждая [01:04]. * **Операционные показатели:** Labelbox проводит >2000 ИИ-интервью в сутки [02:50].