В 2025 году прогнозы относительно появления сильного искусственного интеллекта (AGI) превратились в настоящие американские горки: от эйфории первой половины года до резкого охлаждения ожиданий во второй. Ведущий канала «80,000 Hours» (Роб Уиблин) анализирует, почему технологический оптимизм сменился скепсисом, как изменились технические барьеры на пути к сверхразуму и почему даже «длинные» по нынешним меркам сроки в 10 лет остаются критически короткими для человечества.
📈 Взлет и падение ожиданий: от «страны гениев» до скепсиса 0:00
В конце 2024-го и начале 2025 года индустрию захлестнула волна экстремально коротких прогнозов появления AGI . Поводом послужил выход первых моделей рассуждения от OpenAI — o1 и o3, которые продемонстрировали качественный скачок в решении сложных задач .
На этом фоне лидеры индустрии делали амбициозные заявления:
- Сэм Альтман (OpenAI) в январе 2025 года выразил уверенность, что компания теперь точно знает, как построить AGI .
- Демис Хассабис (DeepMind), обычно осторожный в высказываниях, предположил, что до AGI осталось от 3 до 5 лет .
- Дарио Амодеи (Anthropic) использовал яркую метафору, предсказав появление «страны гениев в дата-центре» уже через 2–3 года .
Особую популярность получил сценарий «AI 2027», предполагающий полную автоматизацию разработки ИИ к 2027 году с последующим «взрывом интеллекта» . Однако, как отмечает ведущий, во второй половине 2025 года настроения резко изменились: прогнозы на Metaculus сдвинулись с июля 2031 года на ноябрь 2033-го . Этот сдвиг на 2,5 года за один календарный год стал отражением технических и экономических трудностей, с которыми столкнулись разработчики.
🧠 Проблема обобщения: почему умение считать не помогло бронировать билеты 2:09
Одной из главных причин разочарования в 2025 году стал провал гипотезы о «магическом обобщении» способностей моделей . Исследователи надеялись, что обучение с подкреплением (RL) на проверяемых доменах (математика, код) автоматически сделает модели умнее в «грязных» областях, где нет однозначно правильного ответа .
Аргументы и факты, касающиеся обобщения:
- По мнению ведущего, ожидания строились на успехе fine-tuning (дообучения), который в прошлом удивительно хорошо масштабировал полезность моделей на самые разные запросы .
- В реальности модели стали блестяще решать логические задачи, но не научились самостоятельно организовывать мероприятия или бронировать авиабилеты .
- Представитель одной из ИИ-компаний в частной беседе сообщил ведущему, что этот опыт заставил их пересмотреть сроки в сторону увеличения, так как путь «быстрого прогресса через легкую проверку» оказался закрыт .
- Даже новые успехи Claude 4.5 и Claude Code от Anthropic в начале 2026 года объясняются целенаправленным обучением автономности, а не спонтанным обобщением навыков рассуждения .
⏱️ Ловушка «времени на раздумья»: предел масштабирования вывода 4:20
Успех моделей o1 и o3 во многом базировался на увеличении времени инференса (inference scaling) — ИИ давали возможность «подумать» перед ответом . Если раньше модели «выпаливали» первое, что придет в голову, то теперь они получили минуты на внутренний монолог.
Технические ограничения этого метода:
- Эффект низкой базы: переход от нуля минут раздумий к одной минуте дал огромный прирост, но он был разовым .
- Дефицит чипов: в мире просто нет достаточного количества процессоров, чтобы давать моделям 10 или 100 минут на каждый рядовой запрос пользователя .
- Вклад метода: по оценкам, более 2/3 прогресса моделей рассуждения пришлось именно на время раздумий, а не на рост базового «интеллекта» .
Тоби Орд (Toby Ord) провел анализ, согласно которому такие темпы улучшения невозможно поддерживать в 2026–2027 годах без радикального прогресса в производстве чипов . Кроме того, возникла экономическая дилемма: выполнение сложных инженерных задач агентами ИИ стало стоить сотни долларов в час — столько же, сколько наем живого программиста, что делает дальнейшее масштабирование времени раздумий экономически нецелесообразным .
🥤 «Интеллект через соломинку»: неэффективность обучения с подкреплением 7:16
Вторая техническая проблема связана с масштабированием самого процесса обучения (RL). Тоби Орд подсчитал, что вычислительная эффективность RL может быть в миллион раз ниже, чем у классического обучения на предсказание следующего слова .
Ведущий описывает процесс обучения как попытку «высасывать интеллект через крошечную соломинку» :
- Модели генерируют тысячи неудачных попыток решения задачи, которые идут в корзину .
- ИИ получает лишь бинарный сигнал («правильно/неправильно»), не понимая, в какой именно из сотен страниц рассуждений он совершил ошибку или прорыв .
- Масштабирование этого процесса еще в тысячу раз требует ресурсов, которых на планете физически не существует в виде готового оборудования .
💼 Экономика и реальный мир: разрыв между демо и пользой 11:21
Двеш Патель (Dwarkesh Patel) точно подметил парадокс 2025 года: ИИ-модели впечатляют со скоростью, которую предсказывают оптимисты, но становятся полезными со скоростью, которую предсказывают скептики .
Ключевые факторы экономического торможения:
- Отсутствие непрерывного обучения (continual learning): в отличие от людей, ИИ не учится в процессе работы. Новый сотрудник через три месяца становится гораздо полезнее, а ИИ быстро выходит на плато .
- Узкие места в R&D: разработка ИИ — это не только написание кода. Даже если автоматизировать программирование на 95%, процесс затормозится на экспериментах и физических ограничениях, которые ИИ пока не контролирует .
- Закон убывающей отдачи: для поддержания прежнего темпа прогресса требуется все больше ИИ-помощников. Разработчики «AI 2027» признали, что неучет этого фактора сдвигает их прогнозы на 1–2 года .
📉 Контр-аргументы: почему ИИ все еще не «пузырь» 17:12
Несмотря на пессимизм второй половины 2025 года, ведущий категорически не согласен с мнением, что ИИ — это провал или бесполезная игрушка . Он приводит пять аргументов в пользу реальности прогресса:
- Индекс Epoch: данные показывают, что после апреля 2024 года скорость роста возможностей лучших моделей удвоилась .
- Личный опыт: ведущий ежедневно использует ИИ часами как партнера для размышлений и решения медицинских проблем (например, ИИ помог ему вылечить хроническую заложенность носа) .
- Падение стоимости: хотя флагманские агенты дороги, стоимость выполнения сложных тестов (Arc-AGI) упала в 400 раз за год — с $4500 до $11 за вопрос .
- Взрывной рост выручки: при прогнозе в $16 млрд за 2025 год суммарная выручка OpenAI, Anthropic и xAI достигла $30 млрд . Это доказывает, что за продукт готовы платить огромные деньги.
- Рентабельность: вопреки мифам, компании зарабатывают на каждом новом платном пользователе, а пятикратный рост выручки в год позволяет покрывать огромные фиксированные затраты на R&D и чипы .
🕰️ Заключение: 10 лет — это все равно слишком мало 23:56
Подводя итог, ведущий отмечает, что хотя полная автоматизация исследований ИИ в 2026 году маловероятна, период с 2028 по 2030 год выглядит вполне реалистичным для серьезных прорывов .
Важным рубежом станет 2032 год: к этому моменту индустрия поглотит почти все свободные ресурсы электричества и чипов на планете . Если к этому времени ИИ не докажет свою способность массово заменять человеческий труд, инвесторам будет трудно оправдать создание моделей стоимостью в 1–10 триллионов долларов .
Хелен Тонер (Helen Toner) отмечает, что даже закоренелые скептики, такие как Гэри Маркус и Ян Лекун, теперь говорят о 10 годах до появления AGI, хотя раньше считали это невозможным . Десять лет — это ничтожный срок для подготовки мировой экономики, политики и военной сферы к столь масштабным изменениям .
