# От эйфории до реализма: что пошло не так с графиками появления супер-ИИ в 2025 году?

Источник: https://www.youtube.com/watch?v=YeRS4TbtZWA
Канал: 80,000 Hours
Опубликовано: 10.02.2026

---

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
[[JUMP:0:00]]

В конце 2024-го и начале 2025 года индустрию захлестнула волна экстремально коротких прогнозов появления AGI [0:00]. Поводом послужил выход первых моделей рассуждения от OpenAI — o1 и o3, которые продемонстрировали качественный скачок в решении сложных задач [0:12]. 

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 [0:50].
*   **Демис Хассабис (DeepMind)**, обычно осторожный в высказываниях, предположил, что до AGI осталось от 3 до 5 лет [1:03].
*   **Дарио Амодеи (Anthropic)** использовал яркую метафору, предсказав появление «страны гениев в дата-центре» уже через 2–3 года [1:17].

Особую популярность получил сценарий «AI 2027», предполагающий полную автоматизацию разработки ИИ к 2027 году с последующим «взрывом интеллекта» [1:30]. Однако, как отмечает ведущий, во второй половине 2025 года настроения резко изменились: прогнозы на Metaculus сдвинулись с июля 2031 года на ноябрь 2033-го [14:48]. 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
[[JUMP:2:09]]

Одной из главных причин разочарования в 2025 году стал провал гипотезы о «магическом обобщении» способностей моделей [2:09]. Исследователи надеялись, что обучение с подкреплением (RL) на проверяемых доменах (математика, код) автоматически сделает модели умнее в «грязных» областях, где нет однозначно правильного ответа [2:35].

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 [3:01].
*   В реальности модели стали блестяще решать логические задачи, но не научились самостоятельно организовывать мероприятия или бронировать авиабилеты [3:15].
*   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 [3:27].
*   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 [4:05].

## ⏱️ Ловушка «времени на раздумья»: предел масштабирования вывода
[[JUMP:4:20]]

Успех моделей o1 и o3 во многом базировался на увеличении времени инференса (inference scaling) — ИИ давали возможность «подумать» перед ответом [4:35]. Если раньше модели «выпаливали» первое, что придет в голову, то теперь они получили минуты на внутренний монолог.

Технические ограничения этого метода:

1.  **Эффект низкой базы:** переход от нуля минут раздумий к одной минуте дал огромный прирост, но он был разовым [5:16].
2.  **Дефицит чипов:** в мире просто нет достаточного количества процессоров, чтобы давать моделям 10 или 100 минут на каждый рядовой запрос пользователя [5:28].
3.  **Вклад метода:** по оценкам, более 2/3 прогресса моделей рассуждения пришлось именно на время раздумий, а не на рост базового «интеллекта» [5:44].

Тоби Орд (Toby Ord) провел анализ, согласно которому такие темпы улучшения невозможно поддерживать в 2026–2027 годах без радикального прогресса в производстве чипов [6:10]. 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 [7:04].

## 🥤 «Интеллект через соломинку»: неэффективность обучения с подкреплением
[[JUMP: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 [7:42].

Ведущий описывает процесс обучения как попытку «высасывать интеллект через крошечную соломинку» [9:00]:

*   Модели генерируют тысячи неудачных попыток решения задачи, которые идут в корзину [8:08].
*   ИИ получает лишь бинарный сигнал («правильно/неправильно»), не понимая, в какой именно из сотен страниц рассуждений он совершил ошибку или прорыв [8:48].
*   Масштабирование этого процесса еще в тысячу раз требует ресурсов, которых на планете физически не существует в виде готового оборудования [9:27].

## 💼 Экономика и реальный мир: разрыв между демо и пользой
[[JUMP: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 [11:34].

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 [12:11].
*   **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 [13:28].
*   **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 [14:07].

## 📉 Контр-аргументы: почему ИИ все еще не «пузырь»
[[JUMP:17:12]]

Несмотря на пессимизм второй половины 2025 года, ведущий категорически не согласен с мнением, что ИИ — это провал или бесполезная игрушка [17:26]. Он приводит пять аргументов в пользу реальности прогресса:

1.  **Индекс Epoch:** данные показывают, что после апреля 2024 года скорость роста возможностей лучших моделей удвоилась [18:06].
2.  **Личный опыт:** ведущий ежедневно использует ИИ часами как партнера для размышлений и решения медицинских проблем (например, ИИ помог ему вылечить хроническую заложенность носа) [19:08].
3.  **Падение стоимости:** хотя флагманские агенты дороги, стоимость выполнения сложных тестов (Arc-AGI) упала в 400 раз за год — с $4500 до $11 за вопрос [21:47].
4.  **Взрывной рост выручки:** при прогнозе в $16 млрд за 2025 год суммарная выручка OpenAI, Anthropic и xAI достигла $30 млрд [22:40]. Это доказывает, что за продукт готовы платить огромные деньги.
5.  **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 [23:06].

## 🕰️ Заключение: 10 лет — это все равно слишком мало
[[JUMP: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 [24:09]. 

Важным рубежом станет 2032 год: к этому моменту индустрия поглотит почти все свободные ресурсы электричества и чипов на планете [15:27]. 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 [16:07].

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 [24:34]. Десять лет — это ничтожный срок для подготовки мировой экономики, политики и военной сферы к столь масштабным изменениям [25:11].