# ИИ съест всё? Кэл Ньюпорт разбирает «цифровую жуть» новых прогнозов

Источник: https://www.youtube.com/watch?v=5GezB1XyiQo
Канал: Deep Questions with Cal Newport
Опубликовано: 14.05.2026

---

На прошлой неделе организация Meter (MER), занимающаяся вопросами безопасности и оценки ИИ, опубликовала обновленный график горизонтов планирования нейросетей, вызвавший волну паники в индустрии. Кэл Ньюпорт анализирует, почему резкий взлет графиков в 2025–2026 годах не означает пришествие «сверхразума», а является результатом узконаправленной инженерной работы над инструментами для программистов.

## 📈 «График ужаса»: почему интернет заговорил о конце человечества
[[JUMP:0:00]]

Новое обновление графика Meter показывает, что возможности ИИ начинают резко расти по экспоненте в районе 2025 года. К 2026 году кривая уходит практически вертикально вверх, что создает у зрителя, по выражению Кэла Ньюпорта, «ощущение цифровой жути».

Реакция интернет-сообщества, которую в своей рассылке собрал Гэри Маркус, оказалась предсказуемо панической:

*   В соцсетях утверждают, что мощность ИИ удваивается каждые 103 дня и скоро «поглотит всё».
*   Выдвигаются гипотезы, что мы находимся на пороге появления «эргодического инопланетного интеллекта», в котором человеческий вклад станет лишь обузой.
*   Популярность набирают графики, где кривая возможностей ИИ пересекает «красную линию» человеческого мозга, за которой следует взрывной рост искусственного сверхразума (ASI).

Однако, как отмечает Кэл Ньюпорт, прежде чем делать выводы о гибели цивилизации, необходимо разобраться в методологии того, что именно измеряет Meter.

## 🧪 Методология Meter: как на самом деле тестируют модели
[[JUMP:2:44]]

Кэл Ньюпорт подчеркивает, что Meter крайне прозрачны в своих методах. Организация создала набор «программных задач» — четко определенных вызовов, которые решаются написанием или анализом кода.

Процесс оценки выглядит следующим образом:

1.  Группу программистов просят выполнить задачу максимально быстро.
2.  Вычисляется среднее геометрическое времени, затраченного людьми (например, «двухчасовая задача»).
3.  Затем на этих же задачах тестируют большие языковые модели (LLM).

Критически важный нюанс заключается в том, что LLM тестируется не сама по себе, а в связке со «скаффолдом» (scaffold) или «кодинг-харнессом» (coding harness) — внешней программой-оболочкой, такой как Claude Code, Cursor или Codeium. Этот «харнесс» может запрашивать у модели план действий, пошагово его выполнять, проверять код на ошибки и взаимодействовать с инструментами разработки.

Модель считается справившейся с задачей, если в связке с оболочкой она успешно решает её как минимум в 50% случаев из шести попыток. График Meter фиксирует самую длительную по человеческим меркам задачу, которую ИИ смог одолеть с такой вероятностью.

## ⚠️ Ловушка интерпретации: чего НЕ показывает график
[[JUMP:8:14]]

По мнению Кэла Ньюпорта, многие ошибочно интерпретируют данные Meter как показатель общих способностей ИИ. Ведущий выделяет несколько ключевых ограничений:

*   **Узкая специализация.** Тест измеряет только конкретные задачи программирования, а не общий интеллект (AGI).
*   **Контекстный разрыв.** 12-часовая задача для ИИ не эквивалентна 12 часам работы профессионала. По признанию самих Meter, их шкала времени ближе к тому, что может сделать «человек с низким контекстом», например, новый сотрудник или фрилансер, который тратит часы на изучение документации и основ языка.
*   **Абстрактная сложность.** Цифры на графике стоит воспринимать не как реальные часы работы, а как абстрактную меру сложности.

Кэл Ньюпорт утверждает, что если модель справляется с «16-часовой» задачей, это не значит, что она может заменить сотрудника на весь рабочий день; это значит, что она стала лучше справляться с более сложным программированием.

## 🔄 От пре-тренинга к пост-обучению: история взлета
[[JUMP:12:37]]

Долгое время график Meter оставался плоским. До появления Claude Sonnet 3.5 и o1-preview модели практически не справлялись со сложными тестами. Кэл Ньюпорт объясняет это сменой парадигмы в разработке ИИ.

До лета 2024 года индустрия была сосредоточена на **пре-тренинге** (pre-training) — обучении моделей на гигантских массивах текстов для предсказания следующего токена. К лету 2024 года такие компании, как OpenAI, обнаружили, что простое масштабирование данных и вычислительных мощностей перестало давать качественные скачки.

Осенью 2024 года фокус сместился на **пост-обучение** (post-training):

1.  Модели начали обучать на узких, высококачественных наборах данных (промпт + верный ответ).
2.  Использование обучения с подкреплением (Reinforcement Learning) позволило «заточить» интеллект под конкретные типы проблем.
3.  Появились «модели рассуждения» (reasoning models), которые «думают вслух» перед выдачей ответа, что значительно улучшило планирование.

## 🛠️ Секретный ингредиент: «харнессы» и логика 60-х
[[JUMP:16:48]]

Настоящий экспоненциальный скачок на графике Meter в конце 2025 — начале 2026 года связан не только с улучшением самих LLM, но и с развитием «агентских» систем кодирования.

Кэл Ньюпорт ссылается на утечку исходного кода одного из таких инструментов (Claude Code), которая показала неожиданную деталь: внутри этих современных систем скрыто огромное количество «старомодной» логики в стиле ИИ 1960-х годов. Программисты вручную прописывают гигантские деревья условий «if-then», распознавание паттернов и алгоритмы взаимодействия с внешними инструментами.

Таким образом, впечатляющие результаты — это симбиоз трех факторов:

*   Тюнингованная LLM, умеющая строить планы.
*   Год-полтора напряженной ручной работы инженеров над оболочками (харнессами).
*   Экспертные знания программистов, заложенные в код этих инструментов.

Ведущий подчеркивает, что это история успеха коммерческого продукта, а не предвестник конца света.

## 🌊 Модель «Уровня воды» против модели «Притоков»
[[JUMP:21:22]]

Для объяснения прогресса ИИ Кэл Ньюпорт предлагает сменить ментальную модель.

Популярная, но, по мнению ведущего, **ошибочная модель** (встречающаяся у Макса Тегмарка) уподобляет способности ИИ поднимающемуся уровню воды, который постепенно затапливает вершины сложности. В этой логике, если ИИ «затопил» программирование, скоро он «затопит» и всё остальное.

**Правильная модель**, по мнению Ньюпорта, — это река с множеством притоков:

1.  Каждый приток — это отдельная сфера применения технологии.
2.  Мы не знаем заранее, насколько судоходен приток, пока не попробуем вложить в него силы и создать инструменты.
3.  «Приток» программирования оказался очень глубоким и удобным для навигации.
4.  Другие притоки (например, автоматизация всей электронной почты) могут оказаться мелкими, полными порогов или вообще тупиковыми.

В подтверждение этого ведущий приводит индекс возможностей Epoch (ECI), который охватывает множество сфер, а не только код: там наблюдается лишь медленный линейный рост, а не экспоненциальный взлет.

## 🏛️ Призыв к ИИ-гигантам: пора дистанцироваться от культов
[[JUMP:26:21]]

В завершение Кэл Ньюпорт анализирует истоки панических настроений. Он связывает их с сообществом трансгуманистов, выросшим из идей Рэя Курцвейла об экспоненциальном росте мощностей. Для этого сообщества любой экспоненциальный график — это «религиозное событие», обещающее либо утопию (загрузку сознания), либо апокалипсис.

Ньюпорт выступает с жестким требованием к руководителям крупнейших компаний (Дарио Амодеи, Сэму Альтману, Илону Маску):

*   ИИ-компании стали слишком большими и важными, чтобы ассоциироваться с «культом экспонент».
*   Лидерам индустрии пора прямо заявить, что паникерские твиты об «алиенах» и «пожирании мира» — это «кукушество», не имеющее отношения к их работе.
*   Необходимо перевести диалог в плоскость создания полезных инструментов, честно говоря об их ограничениях и неудачах.

«Настало время дистанцировать образ ИИ от сообществ, которые всех пугают до смерти», — резюмирует Кэл Ньюпорт.