«Вы можете чувствовать себя дураком минуту, задавая простой вопрос, но вы будете дураком всю жизнь, если не зададите его», — говорит Аравинд Сринивас, основатель Perplexity, чей путь от работы в кофейне до создания ИИ-поисковика будущего перевернул представление о конкуренции с Google. В эпоху, когда ИИ становится дешевым товаром массового спроса, истинная ценность скрыта не в секретах алгоритмов, а в скорости внедрения и способности превратить нейросеть в личного помощника, неотличимого от человека.
🚀 От Ченнаи до Кремниевой долины: путь Аравинда Сриниваса
Становление: математика, крикет и дисциплина IIT 2:19
Путь Аравинда Сриниваса, ныне возглавляющего одну из самых амбициозных AI-компаний мира, начался в индийском городе Ченнаи . Как и многие его сверстники, он вырос в атмосфере высокой конкуренции и академического давления. Его интерес к числам и статистике зародился благодаря страсти к крикету — Аравинд с детства любил анализировать показатели игроков, темпы набора очков и вероятности побед . К 11-му классу школы это увлечение переросло в серьезные занятия математикой и программированием .
Мать Аравинда с детства ставила перед ним конкретную цель: обучение в Индийском технологическом институте (IIT) . Проезжая мимо кампуса IIT Madras на автобусе, она указывала на него и говорила: «Ты будешь здесь учиться» . Несмотря на то что вступительные экзамены (JEE) оказались крайне сложными, Аравинд сумел поступить на факультет электротехники . В стенах института он погрузился в среду спортивного программирования, хотя и признает, что не был достаточно хорош для мировых финалов ICPC .
Переломный момент произошел, когда сосед по комнате рассказал ему о соревнованиях на платформе Kaggle . Аравинд, не имея тогда глубоких знаний, начал экспериментировать с библиотекой scikit-learn, комбинируя различные алгоритмы для предсказания данных . Победа в одном из таких конкурсов убедила его заняться машинным обучением всерьез. Это привело его к первой стажировке в Бангалоре, где он за три недели выполнил проект по созданию рекомендательных систем, рассчитанный на три месяца . Свободное время он посвятил самообразованию: изучал лекции Эндрю Ына и материалы Стэнфорда . Этот фундамент позволил ему заняться исследованиями, которые в итоге привели его к докторантуре в Беркли .
Беркли и OpenAI: уроки смирения 6:05
Переезд в США стал для Аравинда новым вызовом. В начале обучения в Беркли у него даже не было научного руководителя и нормального рабочего места в лаборатории . Вместо того чтобы жаловаться на условия, он выработал строгий режим: каждое утро к 5:30 он приходил в кофейню Phil’s Coffee и работал там за ноутбуком до 8 вечера . Он научился использовать облачные вычисления, поскольку у него не было собственного мощного компьютера для исследований .
Результатом этой дисциплины стала научная работа, которая привлекла внимание Питера Аббиля, ставшего его руководителем, и Джона Шульмана — одного из сооснователей OpenAI и создателя ChatGPT . Именно Шульман пригласил Аравинда на стажировку в OpenAI летом 2018 года .
Аравинд вспоминает этот период как «смиряющий опыт» (humbling experience). В IIT он привык считать себя самым умным в комнате, но в OpenAI он столкнулся с уровнем компетенций, который заставил его пересмотреть самооценку . В то время компанией фактически руководил Илья Суцкевер, и первая же встреча с ним стала для молодого исследователя холодным душем . Илья выслушал идеи Аравинда в течение тридцати секунд и прямо заявил: «Ты не прав, твои идеи бесполезны» . Это не было проявлением высокомерия — Суцкевер просто говорил то, что считал истиной, основываясь на своем видении будущего ИИ .
Философия простоты: почему масштаб важнее «умных» идей 8:57
Главный урок, который Аравинд Сринивас вынес из OpenAI, заключался в фундаментальном подходе к созданию сильного искусственного интеллекта (AGI). Илья Суцкевер тогда нарисовал ему схему из двух кругов: большой круг символизировал генеративный ИИ, а маленький внутри него — обучение с подкреплением (RL) . Илья утверждал, что это и есть рецепт AGI, и единственное, что остается — это направить на данную формулу колоссальные вычислительные мощности (compute) .
В то время Аравинд работал над «сложными и красивыми» теоретическими концепциями. Его идеи заключались в том, чтобы заставить ИИ самостоятельно обучаться созданию собственных функций потерь (loss functions) . Он верил, что через итеративное самоулучшение функций, по которым нейросеть оценивает свою эффективность, может возникнуть истинный интеллект .
Однако Илья отверг это как избыточно сложное решение . Ключевые выводы Аравинда из того периода:
- В академической среде ценятся сложные идеи, но в реальности побеждают те, которые работают на практике .
- Самые простые идеи часто оказываются наиболее эффективными, когда они масштабируются за счет огромных вычислительных ресурсов .
- Интеллект не обязательно должен рождаться из хитрых алгоритмов; он может возникнуть как эмерджентное свойство системы при предсказании следующего слова в гигантских массивах данных .
Позже в разговоре Нихил Камат и Аравинд Сринивас коснулись темы определения самого понятия интеллекта и того, можно ли считать таковым простую имитацию человеческого поведения . Аравинд отметил, что хотя современным системам не хватает самосознания и автономии, их способность выполнять задачи лучше среднего специалиста — будь то написание кода или создание текстов — уже делает их интеллектуальными в функциональном смысле . Этот опыт в OpenAI и осознание важности масштабирования стали фундаментом для его дальнейшей карьеры и легли в основу философии Perplexity.
🧠 Природа интеллекта и путь от калькуляторов к нейросетям 25:03
От «шахматного» ИИ к универсальному цифровому сотруднику 25:16
Дискуссия о том, что именно считать искусственным интеллектом, на протяжении десятилетий меняла свои очертания. Аравинд Сринивас отмечает, что в прошлом даже алгоритм Монте-Карло, используемый в шахматных программах, считался полноценным ИИ-исследованием . Однако сегодня планка значительно поднялась: индустрия стремится не к узкоспециализированным решениям, а к универсальности . Нихил Камат задается вопросом, можно ли считать «интеллектом» обычный калькулятор, ведь он справляется с математическими задачами лучше любого человека .
Различие между калькулятором и современным ИИ заключается в способности к генерализации. По мнению Аравинда Сриниваса, по-настоящему интеллектуальной систему делает то, что она не просто «перетренирована» под 10 000 конкретных задач, а представляет собой единую программу (набор весов нейронной сети), способную выполнять эти 10 000 задач одновременно .
«Вы просите систему написать код, стихотворение или эссе, сократить документ — и всё это делает одна и та же структура. Именно в этом заключается магия универсальности» , — подчеркивает Аравинд Сринивас.
Такой переход от «узкого» ИИ к «общему» (General AI) имеет колоссальные экономические последствия . В отличие от победы алгоритма в шахматы или го, которая мало влияла на повседневную жизнь обычного человека, современные системы начинают заменять человеческий труд в осмысленных масштабах . Сегодня использование ИИ для написания кода или подготовки документов ощущается так, будто вы наняли еще одного сотрудника . Это фундаментальный сдвиг: ИИ перестал быть просто инструментом и стал полноценным цифровым работником .
История вычислений: от механики до персонального компьютера 29:33
Чтобы понять, как мы пришли к текущей точке развития, необходимо проследить эволюцию вычислительной техники. Нихил Камат предлагает начать с самых основ — с того, как обычный калькулятор обрабатывает операцию «25 умножить на 25» . Аравинд Сринивас объясняет, что в основе лежат электрические цепи сумматоров и множителей, которые парсят входные данные и выдают результат . Примечательно, что такие вычисления можно реализовать даже механически . Калькулятор — настолько совершенный артефакт, что, если перенести его на солнечных батареях из 2025 года в 1800-й, он будет работать точно так же, чего нельзя сказать о современном ноутбуке, требующем сложной инфраструктуры питания .
Ключевые этапы развития компьютерной эры по версии Аравинда Сриниваса:
- Эра мейнфреймов: Гигантские машины, доступные только крупным организациям .
- Революция персональных компьютеров (PC): Появление Apple I, Apple II и IBM PC сделало вычисления доступными каждому .
- Закон Мура: Постоянное уменьшение интегральных схем (IC) позволило разместить в домашних условиях ту мощность, которая раньше требовала целого машзала .
- Роль программного обеспечения: Изначально многие скептически относились к ПК дома, но появление VisiCalc (первой программы для электронных таблиц) доказало, что люди хотят работать вне офиса .
Именно игры и офисный софт сделали домашние компьютеры популярными, подготовив почву для следующего шага — объединения этих устройств в сети .
Сетевой эффект и новая эра нейросетей 33:18
После того как персональные компьютеры стали повсеместными, включился «сетевой эффект». Возможность устройств «общаться» друг с другом привела к возникновению интернета, Всемирной паутины, а затем к мобильной революции и облачным технологиям . Каждая из этих ступеней была необходимым мостиком к тому, что мы называем современным ИИ .
Отвечая на вопрос Нихила о том, чем ИИ 2025 года отличается от ИИ 2010 года, Аравинд Сринивас выделяет один критический фактор: веру в то, что нейронные сети действительно работают . Хотя фундамент закладывали такие ученые, как Ян Лекун, Джеффри Хинтон и Йошуа Бенжио, решающий прорыв совершила группа инженеров под руководством Ильи Суцкевера . «Секретным соусом» успеха стало простое, но смелое решение: направить на обучение моделей колоссальные объемы данных и вычислительных мощностей .
В процессе беседы Нихил Камат упоминает о своем опыте использования нейросетей в инвестировании, где они долгое время не могли показать надежных результатов из-за хаотичности рынка . Это подводит к важному выводу: нейросеть — это мощная математическая функция, способная находить закономерности там, где они действительно существуют .
Завершая обсуждение определений, Аравинд Сринивас затрагивает тему AGI (общего искусственного интеллекта). Он ссылается на мнение Яна Лекуна, который считает, что текущие языковые модели — это не прямой путь к AGI, так как им не хватает «физического здравого смысла» . Понимание того, как налить воду в стакан или как официанту удержать три бокала двумя руками — это те базовые навыки, которыми обладает кошка или крыса, но которых пока лишены даже самые продвинутые модели вроде GPT-4 . Ранее в разговоре они уже касались темы физической реальности, и этот пробел остается одним из главных вызовов для индустрии .
🧠 Механика разума: от нейронных сетей до физического воплощения AGI 50:10
AGI и барьер физической реальности 50:26
Одной из самых сложных задач для искусственного интеллекта остается взаимодействие с материальным миром, которое для человека кажется естественным. Аравинд Сринивас приводит в пример простое действие — поднять стакан со стола . Для человека это элементарно, но обучение компьютерной модели этому навыку требует колоссальных затрат энергии и вычислительных мощностей . Иронично, что работа официанта, требующая сложной координации, сегодня оплачивается гораздо ниже, чем работа программиста, хотя автоматизировать написание кода оказалось проще, чем физический труд .
Чтобы робот научился поднимать чашку, ему необходимо:
- Просмотреть тысячи часов видео на YouTube, где люди совершают аналогичные действия .
- Пройти через десятки тысяч итераций в симуляторах физической среды, обучаясь на успехах и неудачах .
- Протестировать алгоритмы в условиях разной гравитации и освещения, чтобы модель могла обобщать опыт .
Аравинд Сринивас подчеркивает, что текущие модели все еще плохо справляются с «физическим здравым смыслом» (physical common sense) . В отличие от человека, за плечами которого миллионы лет эволюции, сформировавшей навыки ходьбы и мелкой моторики , ИИ должен компенсировать отсутствие этого опыта огромными объемами вычислений . Настоящий путь к AGI лежит через развитие способности модели строить ментальные карты и рассуждать о физических задачах так же, как современные агенты планируют сложные интеллектуальные квесты . Модель должна понимать логику процесса: «Если я хочу поднять три чашки одновременно, оптимальным способом будет этот...» .
Секрет успеха: масштаб вычислений и качество данных 54:02
На вопрос Нихила Камата о том, что именно спровоцировало взрывной рост AI в последние годы , Аравинд Сринивас отвечает однозначно: это беспрецедентный масштаб вычислений (compute) . Однако сам по себе compute бесполезен . Ключевым фактором стала комбинация трех элементов: огромные мощности, высококачественные данные и обучение с обратной связью от человека (RLHF) .
Ранее в разговоре они касались темы эволюции вычислений, но Аравинд уточняет: для возникновения «эмерджентных» способностей рассуждения (reasoning) модели нужно скармливать не просто весь интернет, а тщательно отобранный контент . Это лекции из MIT и Стэнфорда, учебники, где решение задач расписано по шагам . Именно на таких данных нейросети учатся «думать», а не просто предсказывать следующий токен.
Важнейшим этапом стало внедрение концепции «цепочки мыслей» (Chain of Thought) . Это позволяет модели не просто выдавать ответ, а выстраивать логическую последовательность, понимать, почему тот или иной вывод верен или ошибочен . Когда все эти факторы — данные, вычисления, RLHF и доступный интерфейс чат-бота — сошлись вместе, произошла «магия» .
Архитектура рассуждения: как работают LLM 1:09:17
Современные большие языковые модели (LLM) перешли от простого копирования текста к зачаткам логического вывода. Аравинд Сринивас отмечает, что «способность к рассуждению» (reasoning) начала по-настоящему работать совсем недавно . В традиционном смысле LLM выдавали результат на основе входных данных, но теперь они способны использовать контекст пользователя — электронную почту, календарь, личные предпочтения — для решения комплексных задач .
Технически работа Perplexity организована сложнее, чем кажется пользователю. Это не одна нейросеть, а ансамбль из 4–5 моделей, работающих над каждым запросом одновременно :
- Одна модель перефразирует запрос пользователя в формат, более понятный для ИИ .
- Вторая занимается «чанкингом» (разбивкой) найденных страниц на смысловые фрагменты .
- Третья модель (основная LLM) суммирует эти фрагменты и формирует ответ .
- Четвертая модель генерирует уточняющие вопросы .
Одной из главных технических проблем остается задержка (latency). Аравинд Сринивас объясняет, что в индустрии критически важна «хвостовая задержка» (tail latency) — скорость ответа в 99-м процентиле случаев . Чтобы пользователь не ждал, применяется хак: модель начинает стримить (выдавать по одному слову) ответ еще до того, как он полностью сформирован . Это создает иллюзию мгновенной работы, что особенно важно в голосовых интерфейсах . Для достижения такой скорости Perplexity пишет собственные рантаймы для чипов Nvidia и использует специализированное оборудование, например, чипы Cerebras .
Интеллектуальное любопытство как двигатель 1:00:14
Размышляя о природе интеллекта, Аравинд Сринивас признается, что для него работа в AI — это прежде всего удовольствие от интеллектуального вызова и возможность задавать базовые вопросы . Он цитирует Конфуция: «Тот, кто задает вопрос, может выглядеть дураком в течение пяти минут, но тот, кто не задает его, остается дураком на всю жизнь» .
Этот подход — тестировать пределы собственного понимания через объяснение сложных вещей простыми словами — стал основой философии Perplexity . Аравинд вспоминает, как во время подготовки к экзаменам в IIT его мать всегда следила за тем, чтобы он сохранял фокус , и этот драйв к решению «невозможных задач» привел его из семьи бухгалтеров, где он стал первым инженером , к созданию одной из самых передовых AI-компаний мира.
⚡️ Продуктовая гонка и экономика ИИ-агентов 1:15:13
Скорость как фактор удержания и битва интерфейсов 1:15:13
В индустрии ИИ, где базовые технологии у всех крупных игроков становятся схожими, конкуренция неизбежно смещается в сторону пользовательского опыта (UX) и инфраструктурной эффективности. Аравинд Сринивас отмечает, что хотя для обычного пользователя разница между ответом за 300 и 800 миллисекунд может показаться незначительной , на масштабе в 100 000 запросов в секунду эта скорость становится критической . Исторически Google всегда фиксировал рост удержания аудитории при сокращении времени загрузки страницы даже на 100 миллисекунд . Для Perplexity работа над бэкендом продолжается постоянно: цель — «выжать» ещё полсекунды за счёт оптимизации инфраструктуры до конца года .
Однако скорость — это лишь часть продуктовой стратегии. Аравинд Сринивас подчёркивает, что сегодня конкуренция между OpenAI, Anthropic и Perplexity строится вокруг того, кто лучше реализует «агентное поведение» . Ранее в разговоре собеседники касались того, как работают нейросети, но сейчас фокус сместился на то, как эти сети взаимодействуют с реальными данными. Истинное преимущество получают те компании, которые делают продукт удобным для решения конечных задач, а не просто для генерации текста. Нихил Камат замечает, что часто начинает поиск в Google по привычке, но, столкнувшись с обилием рекламы, сразу переходит в Perplexity или ChatGPT . Проблема новичков рынка заключается в том, что Google годами оттачивал «темные паттерны» удержания: например, при попытке сменить поисковик по умолчанию в браузере, система предложит две кнопки, где вариант «Вернуть Google» будет выделен ярко-синим цветом, а вариант сохранения настроек — бледным шрифтом .
Экономика запроса: влияние open-source и ценовые войны 1:17:00
Бизнес-модель ИИ-компаний находится в состоянии постоянной трансформации из-за стремительного удешевления технологий. Аравинд Сринивас объясняет, что стоимость обслуживания одного запроса не является статичной величиной: каждые три месяца выход новых моделей с открытым исходным кодом (open-source) заставляет проприетарные лаборатории снижать цены на свои API . Это создаёт уникальную ситуацию на рынке: маржинальность подписок может временно падать, но возможности продукта растут.
Ярким примером является функция Deep Research. В то время как OpenAI оценивает подобные продвинутые возможности в 200 долларов в месяц, Perplexity предлагает их за 20 долларов . Это стало возможным благодаря использованию эффективных моделей, таких как DeepSeek, которые позволяют предоставлять сложные рассуждения (reasoning) в 10 раз дешевле . Аравинд Сринивас признаёт, что компания готова мириться с неопределённостью маржи в краткосрочной перспективе, чтобы сфокусироваться на качестве опыта . Он верит, что в будущем ИИ-ассистент станет настолько персонализированным, что люди будут готовы платить за него сотни долларов в месяц, воспринимая это как наём реального сотрудника . Если 10 миллионов человек будут платить по 1000 долларов в год, это создаст компанию стоимостью в сотни миллиардов .
Интересно сравнение инвестиционной привлекательности гигантов в эпоху ИИ:
- Meta: Аравинд Сринивас считает её отличной ставкой . В мире, где ИИ делает всё, ценность человеческих связей (Instagram, WhatsApp) только растёт . Рекламная модель Meta выигрывает от ИИ, так как ИИ-агенты могут фильтровать ссылки, но не могут заменить личное восприятие бренда и отзывы других людей .
- Google: Здесь ситуация сложнее. Аравинд Сринивас видит конфликт бизнес-интересов: внедрение полноценных ИИ-агентов на главной странице Google может разрушить их текущую рекламную модель . Google выигрывает, когда пользователь кликает по ссылкам, а ИИ-агент стремится дать ответ сразу, минуя переходы .
От поиска к транзакциям: будущее ИИ-агентов 1:30:30
Главный вызов для новых игроков — это не просто предоставить лучший ответ, а замкнуть на себе цикл транзакции. Сейчас цепочка выглядит так: пользователь проводит исследование в Perplexity или ChatGPT, узнаёт, какой микрофон или наушники лучше купить, но затем идёт в Google или Amazon, чтобы совершить покупку . В итоге зарабатывает Google, забирая деньги у рекламодателя за клик и конверсию .
Чтобы разрушить доминирование гигантов, ИИ-агенты должны научиться совершать действия нативно :
- Интеграция покупок: Агент должен уметь сам бронировать билеты или заказывать товары, минуя традиционные поисковые бары.
- Преодоление дистрибуционных барьеров: Google удерживает рынок через контракты с производителями телефонов (OEM) . Например, они запрещают продавать телефоны без Play Store, если Google не установлен поисковиком по умолчанию .
- Создание новых форматов контента: Нихил Камат и Аравинд Сринивас обсуждают возможность агрегации подкастов, где ИИ мог бы мгновенно нарезать видео под конкретный запрос пользователя (например, «покажи только части про нейросети») .
Аравинд Сринивас отмечает, что современные модели с длинным контекстным окном позволяют потреблять огромные объёмы аудио и видео, превращая их в структурированную информацию . Это открывает путь к созданию платформ, где контент персонализируется на лету. Несмотря на сложность борьбы с экосистемами Apple и Google, путь TikTok, который потратил миллиарды на рекламу внутри Instagram, чтобы переманить аудиторию , доказывает, что агрессивный маркетинг в сочетании с новой формой подачи информации может пошатнуть даже самых сильных игроков . В завершение темы Аравинд Сринивас кратко упоминает, что Индии необходимы собственные дата-центры для поддержки этой инфраструктуры , но подробнее этот вопрос и роль Meta в экосистеме будут рассмотрены далее в контексте глобального доминирования корпораций.
5. Экосистемы будущего: от индийских дата-центров до вертикальной интеграции Google 1:40:37
Инфраструктура ИИ: дата-центры как «цифровая недвижимость» Индии 1:40:37
Аравинд Сринивас подчеркивает, что строительство современной вычислительной инфраструктуры — это не просто закупка чипов, но и сложнейшая инженерная задача по их соединению и созданию серверных стоек . В качестве примера успешного игрока он приводит американскую компанию CoreWeave, в которую инвестировала Nvidia: их преимущество заключается в беспрецедентной скорости развертывания мощностей для OpenAI и других гигантов .
Для Индии развитие дата-центров может стать стратегическим направлением по нескольким причинам:
- Стоимость развертывания: Благодаря более низкой стоимости рабочей силы, строительство и обслуживание инфраструктуры в Индии может быть дешевле, чем на Западе .
- Цифровой суверенитет: Аравинд ожидает, что правительство Индии со временем потребует хранить данные граждан внутри страны . Это заставит даже крупные американские компании, такие как Perplexity, использовать локальные мощности .
- Объем данных: Индия генерирует около 20% мирового трафика благодаря огромному количеству смартфонов, что делает локализацию вычислений неизбежной .
Однако Нихил Камат выражает опасение: не станет ли этот бизнес «коммодитизированным», превратившись в обычную аренду недвижимости, подобно складам ? Аравинд соглашается, что без глубокой программной интеграции — удобного хостинга моделей и поддержки Kubernetes для масштабирования инстансов — маржинальность этого бизнеса останется низкой . Настоящую прибыль получат лишь те, кто сможет предложить «полный стек» услуг или обеспечит уникальную скорость развертывания в условиях регуляторных ограничений .
Доминирование Google и роль Meta в мире ИИ 1:49:03
Разрыв между лидерами рынка и догоняющими определяется способностью к вертикальной интеграции. Ранее в разговоре собеседники упоминали, что Google удерживает монополию благодаря интеграции поиска в ОС Android и браузеры . Но Аравинд указывает и на технологическую сторону: Google — единственная компания, которая построила полностью независимый стек, не полагаясь на Nvidia . У них есть собственные чипы TPU, язык программирования Jax и библиотека XLA для ускорения вычислений, что делает их экосистему неуязвимой для дефицита на рынке железа .
В то же время Аравинд считает Meta (признана экстремистской в РФ) одной из самых перспективных компаний в эпоху ИИ . В отличие от Google, чья модель рекламных ссылок может пострадать от прямых ответов ИИ-агентов, бизнес Meta построен на социальных связях . Развитие ИИ только усиливает их платформы: агенты могут персонализировать общение и контент, не разрушая базовую механику соцсетей.
Будущее рынка, по мнению Сриниваса, за «социальным слоем» программного обеспечения . Вместо использования стандартных приложений, пользователи смогут создавать собственные микро-сервисы (например, кастомный трекер тренировок или инструмент для разделения счетов с друзьями), которые будут учитывать их личные предпочтения и контекст общения .
Индийский контекст: от аутсорсинга к собственным моделям 1:50:56
Обсуждая роль Индии, Аравинд призывает не бояться конкуренции с глобальными моделями. Он считает, что Индии необходима своя компания уровня китайской DeepSeek, которая будет тренировать модели, способные конкурировать в мировых бенчмарках . Это критически важно для вдохновения следующего поколения инженеров .
Особую нишу Аравинд видит в работе с голосом и диалектами:
- Западные лаборатории не считают приоритетом качественный синтез и распознавание индийских языков .
- Индийские пользователи предпочитают мобильные интерфейсы, где голос — самый естественный способ взаимодействия .
- Создание ИИ, понимающего нюансы местных акцентов и грамматики, станет огромным преимуществом для локальных стартапов .
Что касается гигантов аутсорсинга, таких как Infosys или TCS, ИИ неизбежно изменит их экономику . Американские заказчики, ранее ценившие дешевую рабочую силу, начнут требовать снижения цен и ускорения сроков, понимая возможности ИИ-агентов . Тем не менее, Аравинд полагает, что человеческий фактор в B2B-отношениях сохранится: клиенты по-прежнему будут доверять проверенным компаниям решение сложных задач «без багов», даже если те начнут использовать ИИ для автоматизации 90% процессов .
Демократизация создания ПО 2:03:10
Для молодых предпринимателей входной барьер в индустрию снижается. Аравинд советует использовать современные инструменты, такие как Cursor (ИИ-помощник для написания кода) или платформы Replit и Bolt, которые позволяют создавать и деплоить приложения, просто описывая их текстом .
Даже если вы не профессиональный программист, сегодня можно создать работающий продукт, эквивалентный по качеству коду «младшего инженера» . Однако Аравинд предостерегает от поверхностного подхода: знание фундаментальных основ — устройства баз данных, инфраструктуры и бэкенда — остается обязательным . Только понимая, как система работает «под капотом», можно эффективно отлаживать ИИ-приложения, когда они дают сбой .
🚀 Будущее AI: от персональных ассистентов до суверенитета данных 2:05:28
Демократизация интеллекта: персональный ассистент как новый iPhone 2:05:28
Аравинд Сринивас предсказывает, что в ближайшем будущем персональные AI-ассистенты перестанут быть предметом роскоши . Он проводит аналогию с iPhone: сегодня президент США и обычный гражданин пользуются одним и тем же устройством с одинаковыми возможностями . То же самое произойдет с искусственным интеллектом — мощнейшие инструменты станут доступными и дешевыми для каждого .
Это приведет к радикальному упрощению процесса создания программного обеспечения и расширению возможностей для творчества. Раньше люди в основном потребляли чужие творения, но теперь каждый сможет воплотить свою идею в жизнь, используя AI как универсального исполнителя . Однако у этой «утопии» есть и обратная сторона — краткосрочное вытеснение рабочей силы .
Ключевые изменения на рынке труда:
- Компании с капитализацией в триллион долларов больше не будут нуждаться в штате из 10 000 сотрудников .
- Рынок найма для выпускников вузов уже меняется: бигтехи сокращают персонал или замораживают найм .
- Главным навыком становится умение адаптироваться и использовать AI для многократного повышения собственной продуктивности .
Несмотря на создание новой ценности и упрощение разработки софта, мир сталкивается с замещением человеческого труда, и пока никто не знает точно, как именно разрешится это социальное противоречие .
Доминирование Nvidia и дефицит вычислительных мощностей 2:08:29
Обсуждая вопрос о том, будет ли власть над AI сосредоточена в руках одной-двух стран, Аравинд Сринивас отмечает, что сами технологии и «секреты» моделей будут широко доступны благодаря открытому коду (Open Source) . Ранее в разговоре собеседники уже касались темы эволюции вычислений, но именно сейчас на первый план выходит инфраструктурный барьер.
Главным фактором, который невозможно полностью демократизировать, остается доступ к вычислительным мощностям (compute) . Успех Nvidia на этом поле обусловлен не просто удачей, а уникальным сочетанием аппаратной архитектуры, оптимизированной под матричные вычисления, и программного стека CUDA. Эту связку крайне сложно реплицировать конкурентам, так как она создавалась десятилетиями. В итоге доступ к передовым чипам зависит от того, какие страны и компании решили инвестировать в инфраструктуру на ранних этапах .
Стратегии для Индии: диалекты, персонализация и разумное регулирование 2:08:43
Для молодых предпринимателей в Индии открываются колоссальные возможности в нишах, которые глобальные игроки могут игнорировать. Аравинд Сринивас советует сфокусироваться на двух направлениях:
- Голосовые интерфейсы для местных диалектов: Индия обладает уникальным лингвистическим разнообразием, и создание AI, понимающего региональные особенности речи, — огромный рынок.
- Гипер-персонализированные приложения: Использование AI для создания сервисов, которые подстраиваются под специфические нужды локального пользователя.
Касательно регулирования, Аравинд Сринивас предостерегает правительства от попыток регулировать сами модели (алгоритмы) . По его мнению, это не сработает на практике, так как любой может скачать модель из открытого доступа . Вместо этого государству следует сосредоточиться на регулировании конкретных приложений .
Особую обеспокоенность вызывают социальные аспекты:
- Развитие эмоциональной привязанности у детей к чат-ботам .
- Риск возникновения депрессивных состояний и чувства одиночества при взаимодействии с AI-компаньонами .
- Необходимость следить, чтобы AI использовался детьми для получения знаний и продуктивности, а не заменял реальное человеческое общение .
Аравинд подчеркивает: «Медлительность в развитии AI может стоить сотни миллиардов или даже триллионы долларов в долгосрочной перспективе» . Поэтому важно сохранять высокие темпы инноваций, купируя только явно опасные сценарии использования .
Будущее данных и философия непрерывного обучения 2:11:41
В завершение беседы Нихил Камат и Аравинд обсудили вопрос собственности на данные. Существует вероятность, что интернет перестанет быть полностью открытым, и страны, включая Индию, начнут взимать плату с разработчиков моделей за использование национальных данных для обучения . Аравинд отмечает, что обучение нейросети принципиально отличается от того, как человек читает статью: модель «дистиллирует» знания один раз, чтобы больше никогда не обращаться к источнику . В Perplexity эту проблему решают через систему атрибуции, отдавая трафик и признание первоисточникам, в то время как другие компании просто поглощают данные .
Завершая интервью, Нихил Камат выразил желание пройти стажировку в Perplexity, чтобы лучше понять индустрию изнутри . Аравинд Сринивас отметил, что в современном мире физический доступ к офисам Кремниевой долины менее важен, чем время, проведенное за самостоятельным изучением AI-моделей и общением с экспертами в X (ранее Twitter) . Именно там сегодня в реальном времени происходит обсуждение самых передовых идей .
