Марти Чавес, партнер Sixth Street и легендарная фигура Уолл-стрит, прошел путь от моделирования ядерных взрывов на суперкомпьютерах Cray до создания архитектуры, спасшей Goldman Sachs в 2008 году. В этом выпуске подкаста «In the Vault» от Andreessen Horowitz он объясняет, почему успех искусственного интеллекта в бизнесе зависит не от сложности моделей, а от создания «единого источника истины» для данных.
🧬 От симуляции взрывов до «цифровых двойников» биологии 2:01
Карьера Марти Чавеса началась в 1974 году в Альбукерке, когда его отец, технический иллюстратор в национальной лаборатории, предсказал, что компьютеры станут определяющей силой будущего . Уже в 16 лет Чавес работал в лаборатории ВВС США, где на ранних суперкомпьютерах Cray-1 занимался методом Монте-Карло для симуляции электромагнитных импульсов при ядерных взрывах .
Позднее, во время учебы в Гарварде в 1981 году, Чавес встретил профессора Стива Харрисона, который высказал прорывную для того времени мысль: будущее наук о жизни — за вычислениями . По словам Чавеса, это определило его подход на десятилетия вперед:
- Создание «цифровых двойников» (digital twins) для финансовых, научных или промышленных систем .
- Использование этих моделей для проведения экспериментов, которые были бы опасны или невозможны в реальности .
- Переход от предсказания будущего к «точному предсказанию настоящего» через Fidelity-моделирование .
📉 SecDB: Как программный код спас Goldman Sachs 11:17
В 1993 году Чавес присоединился к Goldman Sachs как четвертый инженер в команде разработки SecDB (Securities Database) — распределенной объектно-ориентированной базы данных для валютного трейдинга . В то время отрасль полагалась на электронные таблицы Excel, что делало невозможным глобальное управление рисками.
Именно SecDB стала решающим фактором во время финансового кризиса 2008 года. Система позволила банку увидеть реальное положение дел:
- Идентификация рисков: Руководство четко видело позиции в обеспеченных долговых обязательствах (CDO) с рейтингом AAA и приняло решение о хеджировании .
- Сложность структур: В то время как другие банки воспринимали Lehman Brothers как единое целое, Goldman Sachs видел риски по 47 различным юридическим лицам Lehman .
- Скорость реакции: Благодаря тому, что все данные находились в «одном виртуальном месте», юристы Goldman смогли подать претензии по всем 47 подразделениям Lehman в течение часа после объявления о банкротстве . Другим финансовым институтам на это потребовались месяцы .
⚖️ Регулирование: Уроки электронного трейдинга для эпохи ИИ 16:45
Марти Чавес считает, что регулирование — мощный драйвер изменений, если оно направлено на правильные цели. Он приводит в пример стресс-тесты (CCAR), введенные после закона Додда — Франка, которые заставили банки симулировать балансы и доходы на девять кварталов вперед . Связка этих симуляций с правом выплачивать дивиденды сделала систему значительно безопаснее .
Обсуждая текущие попытки регулирования ИИ, Чавес выдвигает несколько тезисов:
- Регулирование границ, а не процесса: По мнению Чавеса, невозможно понять «мысли» алгоритма (проблема остановки), но можно и нужно контролировать точки соприкосновения ИИ с реальным миром (API и интерфейсы) .
- Аналогия с железной дорогой: Важно следить, чтобы поезда не сталкивались на стрелках (стыках систем), а не вмешиваться в то, как поезд едет по прямому пути .
- Вопрос ответственности: Чавес выступает против того, чтобы делать создателей LLM (больших языковых моделей) ответственными за каждое их действие. Он считает это эквивалентом попытки сделать Microsoft ответственной за все преступления, совершенные с помощью Windows .
- Опасность бюрократии: Спикер утверждает, что 99% регулирования часто оказывается бесполезной «красной лентой», не делающей мир лучше .
🤖 Стратегия внедрения ИИ: Единый источник истины 25:35
Главный совет, который Марти Чавес дает руководителям компаний при внедрении генеративного ИИ — навести порядок в данных. Без «единого источника истины» (Single Source of Truth) любая ИИ-стратегия обречена на провал .
Основные технические приоритеты по версии Чавеса:
- Чистота данных: ИИ работает по принципу «мусор на входе — мусор на выходе». Данные должны быть курируемыми, именованными и надежными .
- Контекстное окно: Чавес выделяет Gemini 1.5 с окном в миллион токенов как монументальное достижение . По его мнению, это решает проблему фрагментации сложных документов, которую не всегда удается обойти с помощью RAG (retrieval augmented generation) .
- Эффективность капитала: ИИ должен в первую очередь использоваться для повышения эффективности человеческого капитала и операционных процессов (от юридического соответствия до управления рисками) .
💊 Биотехнологии: Код жизни и чипы Nvidia 32:14
Марти Чавес, входящий в совет директоров Recursion Pharmaceuticals, видит колоссальный потенциал ИИ в Life Sciences. Он проводит параллель между проектированием чипов и разработкой лекарств, ссылаясь на разговор с Дженсеном Хуангом (Nvidia) :
- Nvidia — это, по сути, софтверная компания, которая использует слои симуляций для проектирования железа .
- Нажатие кнопки «изготовить чип» стоит $500 млн, поэтому уверенность в симуляции должна быть абсолютной .
- Стоимость вывода лекарства на рынок после третьей фазы испытаний еще выше, и ИИ должен помочь повысить вероятность успеха испытаний, которая сейчас крайне низка .
По словам Чавеса, в мире существует около 10 000 триллионов возможных органических соединений, но одобрено всего 4 000 лекарств . ИИ — единственный инструмент, способный навигаровать в этом пространстве, хотя для полного картирования биологии может потребоваться на 10–100 порядков больше данных, чем есть сегодня .
