# Аравинд Сринивас: как создать поисковик, который заменит Google

Источник: https://www.youtube.com/watch?v=y5Ewu8wYgqM
Канал: Nikhil Kamath
Опубликовано: 23.03.2025

---

«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
[[JUMP:02:19]]

Путь Аравинда Сриниваса, ныне возглавляющего одну из самых амбициозных AI-компаний мира, начался в индийском городе Ченнаи [02:19]. 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 [02:48]. К 11-му классу школы это увлечение переросло в серьезные занятия математикой и программированием [03:14].

Мать Аравинда с детства ставила перед ним конкретную цель: обучение в Индийском технологическом институте (IIT) [03:29]. Проезжая мимо кампуса IIT Madras на автобусе, она указывала на него и говорила: «Ты будешь здесь учиться» [03:35]. Несмотря на то что вступительные экзамены (JEE) оказались крайне сложными, Аравинд сумел поступить на факультет электротехники [04:08]. В стенах института он погрузился в среду спортивного программирования, хотя и признает, что не был достаточно хорош для мировых финалов ICPC [04:20].

Переломный момент произошел, когда сосед по комнате рассказал ему о соревнованиях на платформе Kaggle [04:48]. Аравинд, не имея тогда глубоких знаний, начал экспериментировать с библиотекой scikit-learn, комбинируя различные алгоритмы для предсказания данных [05:00]. 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 [05:27]. Свободное время он посвятил самообразованию: изучал лекции Эндрю Ына и материалы Стэнфорда [05:52]. Этот фундамент позволил ему заняться исследованиями, которые в итоге привели его к докторантуре в Беркли [06:05].

### Беркли и OpenAI: уроки смирения
[[JUMP:06:05]]

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 [07:24]. 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 [07:50]. Он научился использовать облачные вычисления, поскольку у него не было собственного мощного компьютера для исследований [08:04].

Результатом этой дисциплины стала научная работа, которая привлекла внимание Питера Аббиля, ставшего его руководителем, и Джона Шульмана — одного из сооснователей OpenAI и создателя ChatGPT [08:30]. Именно Шульман пригласил Аравинда на стажировку в OpenAI летом 2018 года [08:44].

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 [06:58]. В то время компанией фактически руководил Илья Суцкевер, и первая же встреча с ним стала для молодого исследователя холодным душем [08:44]. Илья выслушал идеи Аравинда в течение тридцати секунд и прямо заявил: «Ты не прав, твои идеи бесполезны» [09:05]. Это не было проявлением высокомерия — Суцкевер просто говорил то, что считал истиной, основываясь на своем видении будущего ИИ [09:10].

### Философия простоты: почему масштаб важнее «умных» идей
[[JUMP:08:57]]

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) [09:39]. Илья утверждал, что это и есть рецепт AGI, и единственное, что остается — это направить на данную формулу колоссальные вычислительные мощности (compute) [09:44].

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) [10:08]. Он верил, что через итеративное самоулучшение функций, по которым нейросеть оценивает свою эффективность, может возникнуть истинный интеллект [11:14]. 

Однако Илья отверг это как избыточно сложное решение [11:40]. Ключевые выводы Аравинда из того периода:

*   В академической среде ценятся сложные идеи, но в реальности побеждают те, которые работают на практике [11:53].
*   Самые простые идеи часто оказываются наиболее эффективными, когда они масштабируются за счет огромных вычислительных ресурсов [12:07].
*   Интеллект не обязательно должен рождаться из хитрых алгоритмов; он может возникнуть как эмерджентное свойство системы при предсказании следующего слова в гигантских массивах данных [10:34].

Позже в разговоре Нихил Камат и Аравинд Сринивас коснулись темы определения самого понятия интеллекта и того, можно ли считать таковым простую имитацию человеческого поведения [13:41]. 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 [24:21]. 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
[[JUMP:25:03]]

### От «шахматного» ИИ к универсальному цифровому сотруднику
[[JUMP: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 [25:16]. Однако сегодня планка значительно поднялась: индустрия стремится не к узкоспециализированным решениям, а к универсальности [25:31]. Нихил Камат задается вопросом, можно ли считать «интеллектом» обычный калькулятор, ведь он справляется с математическими задачами лучше любого человека [25:57].

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 [26:37]. 

> «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» [26:49], — подчеркивает Аравинд Сринивас.

Такой переход от «узкого» ИИ к «общему» (General AI) имеет колоссальные экономические последствия [28:24]. 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 [28:36]. Сегодня использование ИИ для написания кода или подготовки документов ощущается так, будто вы наняли еще одного сотрудника [28:52]. Это фундаментальный сдвиг: ИИ перестал быть просто инструментом и стал полноценным цифровым работником [29:05].

### История вычислений: от механики до персонального компьютера
[[JUMP: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» [29:05]. Аравинд Сринивас объясняет, что в основе лежат электрические цепи сумматоров и множителей, которые парсят входные данные и выдают результат [29:33]. Примечательно, что такие вычисления можно реализовать даже механически [29:59]. 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 [30:26].

Ключевые этапы развития компьютерной эры по версии Аравинда Сриниваса:

*   **Эра мейнфреймов:** Гигантские машины, доступные только крупным организациям [31:33].
*   **Революция персональных компьютеров (PC):** Появление Apple I, Apple II и IBM PC сделало вычисления доступными каждому [31:46].
*   **Закон Мура:** Постоянное уменьшение интегральных схем (IC) позволило разместить в домашних условиях ту мощность, которая раньше требовала целого машзала [32:00].
*   **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 [32:51].

Именно игры и офисный софт сделали домашние компьютеры популярными, подготовив почву для следующего шага — объединения этих устройств в сети [32:51].

### Сетевой эффект и новая эра нейросетей
[[JUMP: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 [33:18]. Каждая из этих ступеней была необходимым мостиком к тому, что мы называем современным ИИ [33:30].

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 [34:53]. Хотя фундамент закладывали такие ученые, как Ян Лекун, Джеффри Хинтон и Йошуа Бенжио, решающий прорыв совершила группа инженеров под руководством Ильи Суцкевера [35:18]. «Секретным соусом» успеха стало простое, но смелое решение: направить на обучение моделей колоссальные объемы данных и вычислительных мощностей [35:31]. 

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 [36:12]. Это подводит к важному выводу: нейросеть — это мощная математическая функция, способная находить закономерности там, где они действительно существуют [39:45]. 

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» [48:52]. 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 [49:19]. Ранее в разговоре они уже касались темы физической реальности, и этот пробел остается одним из главных вызовов для индустрии [50:10].

## 🧠 Механика разума: от нейронных сетей до физического воплощения AGI
[[JUMP:50:10]]

### AGI и барьер физической реальности
[[JUMP: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 [50:26]. Для человека это элементарно, но обучение компьютерной модели этому навыку требует колоссальных затрат энергии и вычислительных мощностей [50:40]. Иронично, что работа официанта, требующая сложной координации, сегодня оплачивается гораздо ниже, чем работа программиста, хотя автоматизировать написание кода оказалось проще, чем физический труд [50:53].

Чтобы робот научился поднимать чашку, ему необходимо:

* Просмотреть тысячи часов видео на YouTube, где люди совершают аналогичные действия [51:34].
* Пройти через десятки тысяч итераций в симуляторах физической среды, обучаясь на успехах и неудачах [51:47].
* Протестировать алгоритмы в условиях разной гравитации и освещения, чтобы модель могла обобщать опыт [51:59].

Аравинд Сринивас подчеркивает, что текущие модели все еще плохо справляются с «физическим здравым смыслом» (physical common sense) [53:09]. В отличие от человека, за плечами которого миллионы лет эволюции, сформировавшей навыки ходьбы и мелкой моторики [52:42], ИИ должен компенсировать отсутствие этого опыта огромными объемами вычислений [52:55]. 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 [53:22]. Модель должна понимать логику процесса: «Если я хочу поднять три чашки одновременно, оптимальным способом будет этот...» [53:35].

### Секрет успеха: масштаб вычислений и качество данных
[[JUMP:54:02]]

На вопрос Нихила Камата о том, что именно спровоцировало взрывной рост AI в последние годы [54:02], Аравинд Сринивас отвечает однозначно: это беспрецедентный масштаб вычислений (compute) [54:18]. Однако сам по себе compute бесполезен [55:10]. Ключевым фактором стала комбинация трех элементов: огромные мощности, высококачественные данные и обучение с обратной связью от человека (RLHF) [54:31].

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 [55:23]. Это лекции из MIT и Стэнфорда, учебники, где решение задач расписано по шагам [55:35]. Именно на таких данных нейросети учатся «думать», а не просто предсказывать следующий токен.

Важнейшим этапом стало внедрение концепции «цепочки мыслей» (Chain of Thought) [56:03]. Это позволяет модели не просто выдавать ответ, а выстраивать логическую последовательность, понимать, почему тот или иной вывод верен или ошибочен [56:17]. Когда все эти факторы — данные, вычисления, RLHF и доступный интерфейс чат-бота — сошлись вместе, произошла «магия» [56:31]. 

### Архитектура рассуждения: как работают LLM
[[JUMP: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 [1:09:17]. 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 [1:09:42]. 

Технически работа Perplexity организована сложнее, чем кажется пользователю. Это не одна нейросеть, а ансамбль из 4–5 моделей, работающих над каждым запросом одновременно [1:13:01]:

1. Одна модель перефразирует запрос пользователя в формат, более понятный для ИИ [1:13:01].
2. Вторая занимается «чанкингом» (разбивкой) найденных страниц на смысловые фрагменты [1:13:14].
3. Третья модель (основная LLM) суммирует эти фрагменты и формирует ответ [1:13:14].
4. Четвертая модель генерирует уточняющие вопросы [1:13:27].

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 [1:14:05]. Чтобы пользователь не ждал, применяется хак: модель начинает стримить (выдавать по одному слову) ответ еще до того, как он полностью сформирован [1:14:32]. Это создает иллюзию мгновенной работы, что особенно важно в голосовых интерфейсах [1:14:46]. Для достижения такой скорости Perplexity пишет собственные рантаймы для чипов Nvidia и использует специализированное оборудование, например, чипы Cerebras [1:15:00].

### Интеллектуальное любопытство как двигатель
[[JUMP: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 [1:00:27]. 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» [1:01:45]. 

Этот подход — тестировать пределы собственного понимания через объяснение сложных вещей простыми словами — стал основой философии Perplexity [1:00:52]. Аравинд вспоминает, как во время подготовки к экзаменам в IIT его мать всегда следила за тем, чтобы он сохранял фокус [1:04:07], и этот драйв к решению «невозможных задач» привел его из семьи бухгалтеров, где он стал первым инженером [1:04:45], к созданию одной из самых передовых AI-компаний мира.

## ⚡️ Продуктовая гонка и экономика ИИ-агентов
[[JUMP:1:15:13]]

### Скорость как фактор удержания и битва интерфейсов
[[JUMP: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 [1:15:53], на масштабе в 100 000 запросов в секунду эта скорость становится критической [1:16:05]. Исторически Google всегда фиксировал рост удержания аудитории при сокращении времени загрузки страницы даже на 100 миллисекунд [1:16:33]. Для Perplexity работа над бэкендом продолжается постоянно: цель — «выжать» ещё полсекунды за счёт оптимизации инфраструктуры до конца года [1:15:39].

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» [1:18:46]. 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 [1:29:24]. 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 [1:30:18].

### Экономика запроса: влияние open-source и ценовые войны
[[JUMP: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 [1:17:39]. 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 [1:18:07]. Это стало возможным благодаря использованию эффективных моделей, таких как DeepSeek, которые позволяют предоставлять сложные рассуждения (reasoning) в 10 раз дешевле [1:18:20]. Аравинд Сринивас признаёт, что компания готова мириться с неопределённостью маржи в краткосрочной перспективе, чтобы сфокусироваться на качестве опыта [1:19:11]. 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 [1:28:13]. Если 10 миллионов человек будут платить по 1000 долларов в год, это создаст компанию стоимостью в сотни миллиардов [1:28:27].

Интересно сравнение инвестиционной привлекательности гигантов в эпоху ИИ:

*   **Meta:** Аравинд Сринивас считает её отличной ставкой [1:20:00]. В мире, где ИИ делает всё, ценность человеческих связей (Instagram, WhatsApp) только растёт [1:20:15]. Рекламная модель Meta выигрывает от ИИ, так как ИИ-агенты могут фильтровать ссылки, но не могут заменить личное восприятие бренда и отзывы других людей [1:20:42]. 
*   **Google:** Здесь ситуация сложнее. Аравинд Сринивас видит конфликт бизнес-интересов: внедрение полноценных ИИ-агентов на главной странице Google может разрушить их текущую рекламную модель [1:21:34]. Google выигрывает, когда пользователь кликает по ссылкам, а ИИ-агент стремится дать ответ сразу, минуя переходы [1:31:11].

### От поиска к транзакциям: будущее ИИ-агентов
[[JUMP: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 [1:30:58]. В итоге зарабатывает Google, забирая деньги у рекламодателя за клик и конверсию [1:31:11].

Чтобы разрушить доминирование гигантов, ИИ-агенты должны научиться совершать действия нативно [1:31:39]:

1.  **Интеграция покупок:** Агент должен уметь сам бронировать билеты или заказывать товары, минуя традиционные поисковые бары.
2.  **Преодоление дистрибуционных барьеров:** Google удерживает рынок через контракты с производителями телефонов (OEM) [1:32:06]. Например, они запрещают продавать телефоны без Play Store, если Google не установлен поисковиком по умолчанию [1:32:19].
3.  **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») [1:37:54].

Аравинд Сринивас отмечает, что современные модели с длинным контекстным окном позволяют потреблять огромные объёмы аудио и видео, превращая их в структурированную информацию [1:38:20]. 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 [1:26:12], доказывает, что агрессивный маркетинг в сочетании с новой формой подачи информации может пошатнуть даже самых сильных игроков [1:26:51]. В завершение темы Аравинд Сринивас кратко упоминает, что Индии необходимы собственные дата-центры для поддержки этой инфраструктуры [1:40:24], 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
[[JUMP:1:40:37]]

### Инфраструктура ИИ: дата-центры как «цифровая недвижимость» Индии
[[JUMP: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 [1:40:37]. 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 [1:41:29]. 

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 [1:41:43].
*   **Цифровой суверенитет:** Аравинд ожидает, что правительство Индии со временем потребует хранить данные граждан внутри страны [1:42:09]. Это заставит даже крупные американские компании, такие как Perplexity, использовать локальные мощности [1:42:22].
*   **Объем данных:** Индия генерирует около 20% мирового трафика благодаря огромному количеству смартфонов, что делает локализацию вычислений неизбежной [1:42:36].

Однако Нихил Камат выражает опасение: не станет ли этот бизнес «коммодитизированным», превратившись в обычную аренду недвижимости, подобно складам [1:43:56]? Аравинд соглашается, что без глубокой программной интеграции — удобного хостинга моделей и поддержки Kubernetes для масштабирования инстансов — маржинальность этого бизнеса останется низкой [1:43:02]. Настоящую прибыль получат лишь те, кто сможет предложить «полный стек» услуг или обеспечит уникальную скорость развертывания в условиях регуляторных ограничений [1:44:38].

### Доминирование Google и роль Meta в мире ИИ
[[JUMP: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 [1:29:09]. Но Аравинд указывает и на технологическую сторону: Google — единственная компания, которая построила полностью независимый стек, не полагаясь на Nvidia [1:49:16]. 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 [1:49:03].

В то же время Аравинд считает Meta (признана экстремистской в РФ) одной из самых перспективных компаний в эпоху ИИ [1:19:48]. В отличие от Google, чья модель рекламных ссылок может пострадать от прямых ответов ИИ-агентов, бизнес Meta построен на социальных связях [1:19:48]. 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 [2:00:45]. 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 [2:00:05].

### Индийский контекст: от аутсорсинга к собственным моделям
[[JUMP: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 [1:51:09]. Это критически важно для вдохновения следующего поколения инженеров [1:51:22].

Особую нишу Аравинд видит в работе с голосом и диалектами:

1.  Западные лаборатории не считают приоритетом качественный синтез и распознавание индийских языков [1:53:07].
2.  Индийские пользователи предпочитают мобильные интерфейсы, где голос — самый естественный способ взаимодействия [1:53:31].
3.  Создание ИИ, понимающего нюансы местных акцентов и грамматики, станет огромным преимуществом для локальных стартапов [1:53:43].

Что касается гигантов аутсорсинга, таких как Infosys или TCS, ИИ неизбежно изменит их экономику [1:54:51]. Американские заказчики, ранее ценившие дешевую рабочую силу, начнут требовать снижения цен и ускорения сроков, понимая возможности ИИ-агентов [1:56:00]. 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 [1:55:45].

### Демократизация создания ПО
[[JUMP:2:03:10]]

Для молодых предпринимателей входной барьер в индустрию снижается. Аравинд советует использовать современные инструменты, такие как Cursor (ИИ-помощник для написания кода) [2:03:10] или платформы Replit и Bolt, которые позволяют создавать и деплоить приложения, просто описывая их текстом [2:03:49]. 

Даже если вы не профессиональный программист, сегодня можно создать работающий продукт, эквивалентный по качеству коду «младшего инженера» [2:04:40]. Однако Аравинд предостерегает от поверхностного подхода: знание фундаментальных основ — устройства баз данных, инфраструктуры и бэкенда — остается обязательным [2:04:56]. Только понимая, как система работает «под капотом», можно эффективно отлаживать ИИ-приложения, когда они дают сбой [2:05:12].

## 🚀 Будущее AI: от персональных ассистентов до суверенитета данных
[[JUMP:2:05:28]]

### Демократизация интеллекта: персональный ассистент как новый iPhone
[[JUMP:2:05:28]]

Аравинд Сринивас предсказывает, что в ближайшем будущем персональные AI-ассистенты перестанут быть предметом роскоши [2:05:42]. Он проводит аналогию с iPhone: сегодня президент США и обычный гражданин пользуются одним и тем же устройством с одинаковыми возможностями [2:05:54]. То же самое произойдет с искусственным интеллектом — мощнейшие инструменты станут доступными и дешевыми для каждого [2:06:06].

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 [2:06:19]. Однако у этой «утопии» есть и обратная сторона — краткосрочное вытеснение рабочей силы [2:06:44].

Ключевые изменения на рынке труда:

*   Компании с капитализацией в триллион долларов больше не будут нуждаться в штате из 10 000 сотрудников [2:07:10].
*   Рынок найма для выпускников вузов уже меняется: бигтехи сокращают персонал или замораживают найм [2:07:24].
*   Главным навыком становится умение адаптироваться и использовать AI для многократного повышения собственной продуктивности [2:06:58].

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 [2:07:37].

### Доминирование Nvidia и дефицит вычислительных мощностей
[[JUMP: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) [2:08:17]. 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) [2:08:29]. 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 [2:08:43].

### Стратегии для Индии: диалекты, персонализация и разумное регулирование
[[JUMP: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:

1.  **Голосовые интерфейсы для местных диалектов:** Индия обладает уникальным лингвистическим разнообразием, и создание AI, понимающего региональные особенности речи, — огромный рынок.
2.  **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) [2:09:20]. По его мнению, это не сработает на практике, так как любой может скачать модель из открытого доступа [2:09:34]. Вместо этого государству следует сосредоточиться на регулировании конкретных приложений [2:09:40].

Особую обеспокоенность вызывают социальные аспекты:

*   Развитие эмоциональной привязанности у детей к чат-ботам [2:09:50].
*   Риск возникновения депрессивных состояний и чувства одиночества при взаимодействии с AI-компаньонами [2:10:03].
*   Необходимость следить, чтобы AI использовался детьми для получения знаний и продуктивности, а не заменял реальное человеческое общение [2:10:31].

Аравинд подчеркивает: «Медлительность в развитии AI может стоить сотни миллиардов или даже триллионы долларов в долгосрочной перспективе» [2:11:00]. Поэтому важно сохранять высокие темпы инноваций, купируя только явно опасные сценарии использования [2:11:15].

### Будущее данных и философия непрерывного обучения
[[JUMP: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 [2:12:07]. 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 [2:13:27]. В Perplexity эту проблему решают через систему атрибуции, отдавая трафик и признание первоисточникам, в то время как другие компании просто поглощают данные [2:14:07].

Завершая интервью, Нихил Камат выразил желание пройти стажировку в Perplexity, чтобы лучше понять индустрию изнутри [2:14:37]. 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) [2:15:31]. Именно там сегодня в реальном времени происходит обсуждение самых передовых идей [2:15:44].