Стэндфордская высшая школа бизнеса в рамках экспертной серии встреч «Инновации в цепочках создания стоимости» провела дискуссию о влиянии искусственного интеллекта на современный технологический сектор и инвестиционные стратегии. Главным спикером выступил Майкл Маркс, сооснователь и управляющий партнер венчурного фонда Celesta Capital, обладающий сорокалетним опытом руководства и трансформации глобальных технологических компаний. В ходе беседы, модерируемой профессором Хаимом Мендельсоном, эксперты детально разобрали реальные кейсы применения ИИ в глубоких технологиях (deep tech), проблемы дефицита данных и кадров, а также неизбежную перестройку аппаратного стека.
🛠️ Celesta Capital: фокус на «железе» и глубоких технологиях 2:32
Фонд Celesta Capital, как рассказал управляющий партнер Майкл Маркс, специализируется на работе с глубокими технологиями и распределяет свои инвестиции по трем ключевыми направлениям:
- Аппаратное обеспечение (hardware): на этот сектор приходится около 50% бизнеса фонда. Все генеральные партнеры Celesta, включая самого Маркса (бывшего руководителя Flex), Ника Брейтуэйта и Лип-Бу Таня, вышли из индустрии производства электроники. По словам Маркса, благодаря успехам Дженсена Хуанга в Nvidia, а также показателям Broadcom и Qualcomm, разработчики аппаратных платформ снова стали главными драйверами Кремниевой долины.
- Прикладной искусственный интеллект: занимает около 25% портфеля. Маркс подчеркнул, что Celesta принципиально не инвестирует в создание самих «инструментов» — больших языковых моделей (LLM) вроде разработок OpenAI. Вместо этого фонд ищет компании, использующие ИИ для коренной трансформации конкретных доменных ниш: от радиологии до работы юристов.
- Биоконвергенция: составляет оставшиеся 25% инвестиций. Под этим термином партнеры фонда понимают область, где биология соединяется с аппаратными технологиями. Сюда входят стартапы в сфере медицинской диагностики и компании, создающие инновационные подходы к разработке лекарственных препаратов.
Оценивать сложные наукоемкие проекты инвесторам помогает пул авторитетных экспертов. По признанию Маркса, список советников в их фонде — это не просто «витрина» для маркетинга. Например, биологическое направление Celesta консультирует лауреат Нобелевской премии Джеймс Ротман, к которому партнеры регулярно обращаются за верификацией научных гипотез. Кроме того, для экспертизы привлекаются генеральные директора из 70 существующих портфельных компаний фонда.
👔 Управление стартапами и кризис в корпорации Intel 6:24
Опираясь на многолетний опыт, Майкл Маркс высказал тезис, что технологические стартапы крайне редко закрываются из-за неработоспособности самой технологии. По его мнению, главной причиной краха молодых компаний является неспособность команды грамотно выстроить бизнес-процессы и управлять организацией.
Celesta Capital практикует жесткий подход к оценке человеческого фактора: за последние пару лет фонд трижды ставил основателям условие, что инвестиции будут выделены только в случае замены создателя стартапа на наемного профессионального CEO. В этих кейсах основатели согласились перейти на позиции технических или научных директоров (CTO/CSO), что в итоге привело компании к коммерческому успеху.
Масштабные управленческие и технологические проблемы Маркс зафиксировал и на уровне крупнейших игроков рынка, приведя в пример корпорацию Intel. По его словам, некогда ключевой элемент американской ИТ-экосистемы серьезно отстал в развитии техпроцессов и развертывании контрактного производства чипов (foundry).
Сооснователь Celesta Capital Лип-Бу Тань недавно вошел в совет директоров Intel для исправления ситуации (ранее под его руководством стоимость акций компании Cadence выросла с $3 до $103). По мнению Маркса, для выживания Intel одних только внутренних инноваций уже недостаточно. Ей жизненно необходимы глубокие партнерства с Broadcom, Qualcomm и тайваньской TSMC. Маркс полагает, что Лип-Бу Тань — идеальная фигура для этой роли благодаря высочайшему уровню личного доверия со стороны глав указанных ИТ-гигантов.
⚡ Глобальная перестройка аппаратного стека под нужды ИИ 21:04
Маркс обратил внимание на то, что бум ИИ спровоцировал тотальную перестройку мировой ИТ-инфраструктуры. Крупнейшие корпорации, такие как Microsoft и Google, тратят порядка $100 млрд в год на возведение новых дата-центров. Высокий спрос на специализированные чипы вывел капитализацию Nvidia на уровень $3 трлн, а Broadcom — к $1 трлн.
Однако ключевой проблемой индустрии становится энергопотребление. Прогнозы о том, что в мире скоро не останется свободной электроэнергии для питания серверов ИИ, заставляют инженеров полностью перепроектировать аппаратный стек (hardware stack) снизу доверху. Инновации затрагивают не только центральные процессоры, но и архитектуру памяти, шины ввода-вывода (I/O) и системные платы. Фонд Celesta активно инвестирует в стартапы, решающие эти узкие инфраструктурные задачи. Маркс выделил два примера:
- Eliyan: компания разрабатывает уникальную кремниевую коммутационную ткань. Современные ИИ-процессоры от Nvidia крайне велики и сложны; стоимость производства одного комплекта фотошаблонов (mask set) на фабриках TSMC сейчас доходит до $30–$50 млн. Технология Eliyan позволяет разделять единый гигантский чип на несколько мелких и дешевых компонентов — chiplets (чиплетов), соединяя их гибкой кремниевой лентой без потери скорости передачи сигналов.
- Stathera: стартап, создающий кремниевые тайминг-чипы на базе MEMS-технологий. Они выполняют роль синхронизаторов работы компьютера и потребляют в 100 раз меньше энергии, чем традиционные кварцевые резонаторы. Маркс раскрыл деталь: компании меньше года, она еще не выпустила готовый кремний на рынок, но уже получила три предложения о поглощении от крупных игроков в диапазоне от $300 млн до $700 млн.
🔬 ИИ в медицине: от борьбы с врачебной усталостью до поиска раковых клеток 13:45
Касаясь темы биоконвергенции, Маркс призвал скептически относиться к громким заявлениям о том, что ИИ уже завтра начнет массово создавать новые лекарства. Ссылаясь на Майка Нохейла, руководителя профильной портфельной компании фонда, спикер подчеркнул, что полноценная индивидуализированная разработка лекарств нейросетями отстает от реальности минимум на три десятилетия, поскольку на рынке до сих пор нет ни одного медицинского препарата, полностью сгенерированного ИИ.
В то же время в сфере медицинской диагностики технологии искусственного интеллекта уже показывают измеримые результаты. Портфельная компания Celesta под названием White Rabbit на протяжении восьми лет собирала данные для прохождения проверок американского регулятора FDA. Проект использует ИИ для анализа маммограмм. По словам Маркса, традиционная радиология несовершенна и демонстрирует от 15% до 20% ложноположительных и ложноотрицательных результатов. При этом человеческий фактор критичен: статистика выявила жесткую корреляцию между точностью расшифровки снимков и временем работы врача — качество анализа драматически падает, если маммограмма изучается после 11 часов утра, из-за банальной усталости глаз.
Алгоритмы White Rabbit, по заверениям инвестора, показывают 100% точность при подтверждении отсутствия патологий и 96% точность при выявлении онкологии. Использование ИИ способно закрыть огромную кадровую дыру: только в Соединенных Штатах дефицит профессиональных врачей-радиологив оценивается в 500 000 человек. Первоначальное обучение нейросети White Rabbit проходило в партнерстве с медицинским департаментом Вашингтонского университета в Сент-Луисе, ученые которого вручную аннотировали и размечали снимки, после чего стартап дополнительно выкупал обезличенные базы медицинских карт у госпиталей. Похожие механики Celesta финансирует в рамках индийского проекта 5C, где ИИ распознает переломы костей и воспаления печени.
Еще одним перспективным направлением Маркс назвал стартап OneCell, чья технология способна обнаружить единичную выжившую раковую клетку в обычном анализе крови пациента, прошедшего терапию. Спикер отметил, что в своем возрасте (более 70 лет) он сознательно фокусируется на диагностических медицинских инструментах, а не на долгой разработке лекарств, так как хочет видеть быстрый и измеримый эффект от масштабирования социально значимых компаний.
👁️ Визуальная аналитика и безопасность: опыт Percipient 29:01
В области корпоративного программного обеспечения Маркс выделил компанию Percipient, которая развивает технологии предиктивной аналитики на основе визуальных образов (аналогично тому, как Palantir работает с табличными и текстовыми массивами данных для государства). Стартап был основан генералом ВВС США, ветераном боевых действий в Афганистане, и развивался около 10 лет.
Маркс привел пример неэффективности старых военных систем, созданных 25 лет назад: во время операций в Афганистане софт мог обрабатывать спутниковый снимок подозрительного грузовика целую неделю — к моменту получения отчета военный лагерь уже успевали атаковать. Платформа Percipient объединяет потоки данных со спутников, дронов и камер наружного наблюдения в режиме реального времени. В условиях гражданского аэропорта оператор может задать текстовое описание (например, «мужчина в сером свитере и с белой бородой»), и ИИ не просто найдет объект, но и мгновенно открутит историю записей назад, чтобы проверить, не выслеживал ли этот человек кого-то ранее.
Коммерческий спрос на подобные системы безопасности резко возрос после серии резонансных преступлений, включая убийство топ-менеджера прямо на улицах Нью-Йорка. Крупные корпорации стремятся защитить руководство от сталкеров. Кроме того, Percipient сейчас проходит тестирование в одной из крупнейших розничных сетей США для борьбы с организованными бандами шоплифтеров, специализирующихся на краже дорогостоящих медикаментов. ИИ распознает лица грабителей, их татуировки и номера машин еще на подъезде к парковке, позволяя охране блокировать двери до совершения преступления. При этом человек всегда остается в контуре управления, задавая системе сценарии для отслеживания.
📉 Ограничения ИИ, дефицит данных и геополитика талантов 36:12
Главным фактором, сдерживающим развитие ИИ-моделей, Майкл Маркс назвал жесткий дефицит качественных данных для обучения, что напрямую ведет к техническим галлюцинациям алгоритмов. Для преодоления проблемы «мусора на входе» требуются колоссальные массивы информации. Например, патентный ИИ-стартап Clairvolex годами собирает и верифицирует данные о судебных исках и зарегистрированных правах, чтобы корректно искать свободные ниши для авторов новых изобретений. В случае с White Rabbit американские регуляторы из FDA обязали компанию собирать выборки снимков из разных географических точек (включая Остин и Покипси), чтобы доказать, что алгоритм одинаково эффективен на разных популяциях пациентов и не содержит локальных искажений.
Вторым критическим ограничением выступает глобальный кадровый голод. Инвестировав 10 лет назад в ИТ-аутсорсера Globant, Маркс руководствовался гипотезой, что программистов в мире никогда не будет достаточно. Ситуация обострилась с приходом ИИ:
- США не выпускают достаточного количества инженеров для закрытия внутренних потребностей рынка.
- Индия обладает огромным населением и сильными технологическими институтами, формируя мощный пул разработчиков при поддержке государства.
- Китай демонстрирует колоссальную концентрацию талантов, подкрепленную жесткой политической волей и прямыми субсидиями правительства.
Маркс выразил надежду, что американские и китайские политики смогут урегулировать разногласия, поскольку изоляция технологического сектора КНР вредит глобальному прогрессу.
Комментируя появление дешевых открытых моделей (таких как китайская DeepSeek), инвестор отметил, что удешевление базовых алгоритмов не убьет венчурный рынок, а наоборот, кратно увеличит спрос на приложения и новые микропроцессоры. Маркс провел аналогию с компьютерной памятью: 45 лет назад его коллега из Hewlett-Packard утверждал, что емкости памяти скоро станет достаточно. С тех пор объемы выросли в миллионы раз, но дефицит сохраняется, поскольку с ростом доступности ресурса человечество начинает потреблять его в разы больше.
Несмотря на возможности стартапов выигрывать локальные ниши за счет гибкости (в рамках концепции «дилеммы инноватора»), Маркс признал, что конкурировать с технологическими гигантами на поле массовых пользовательских данных невозможно. В качестве примера он привел компанию Tesla, чье лидерство в автопилоте обусловлено уникальным и недостижимым для новичков массивом данных, ежедневно собираемым с миллионов эксплуатируемых электромобилей.
