Александр Ванг, основатель и генеральный директор Scale AI, в свои 22 года руководит одной из самых перспективных компаний в сфере искусственного интеллекта, сумев привлечь более 100 миллионов долларов инвестиций. В интервью для подкаста This Week in Startups он рассказывает, почему «чистые данные» стали важнее самих алгоритмов, как Китай выигрывает в гонке вооружений ML и когда на самом деле наступит будущее беспилотного транспорта.
🚀 Путь из Лос-Аламоса в Кремниевую долину 1:51
Александр Ванг вырос в Лос-Аламосе, Нью-Мексико — городе, известном как колыбель Манхэттенского проекта. Его родители, физики в Национальной лаборатории Лос-Аламоса, с детства привили ему интерес к науке . В старших классах Александр увлекся программированием и участвовал в онлайн-соревнованиях по кодингу. Анонимные успехи в этих конкурсах привели к тому, что рекрутеры начали присылать ему предложения о работе еще до окончания школы .
После двух лет работы инженером в Quora Александр поступил в MIT, но продержался там всего год. По его словам, теоретический темп обучения в университете казался ему слишком медленным после работы в индустрии . Родители были «убиты горем» из-за его ухода из престижного вуза, но именно этот шаг позволил ему запустить Scale AI в 19 лет .
Ключевые факты о компании и основателе:
- Возраст: Александр Ванг основал компанию в 19 лет, на момент интервью ему 22 .
- Инвестиции: Последний раунд финансирования составил более $100 млн, лид-инвестором выступил фонд Founders Fund .
- Домен: Компания владеет премиальным доменом scale.com .
- Команда: В главном офисе в Сан-Франциско работают около 150 сотрудников .
🏗️ Scale AI как «нефтеперерабатывающий завод» для данных 5:23
Основная миссия Scale AI — ускорение разработки приложений ИИ. Александр Ванг считает, что переход на машинное обучение (ML) — это сдвиг технологической парадигмы, сравнимый с появлением компьютеров .
Главной проблемой при создании ML-продуктов Александр называет нехватку размеченных данных. Машинное обучение — это подмножество ИИ, где программы обучаются выполнять задачи, требующие человеческого суждения, на основе огромных массивов информации . Александр Ванг описывает Scale AI как «инфраструктурный слой» или «очистительный завод» .
Процесс работы Scale AI:
- Прием сырых данных: Клиенты (например, Waymo или Uber) передают петабайты видео- и фотоданных с сенсоров .
- Первичная обработка: Собственные алгоритмы компьютерного зрения компании делают первый «проход» по данным .
- Human-in-the-loop: Обученные специалисты проверяют и исправляют ошибки машин, очерчивая объекты (автомобили, пешеходов, дорожную разметку) с максимальной точностью .
- Результат: Клиент получает идеально размеченный датасет для тренировки своих моделей .
По мнению Ванга, создание надежной инфраструктуры данных — такая же критическая задача, как обеспечение бесперебойной работы серверов AWS .
🏎️ Будущее беспилотников: Lidar против камер 21:40
В индустрии автономного транспорта идет спор между сторонниками подхода Илона Маска (только видеокамеры) и адептами лидаров (лазерное сканирование, как у Waymo). Александр Ванг полагает, что для обеспечения безопасности необходимы оба типа сенсоров, так как они имеют разные сильные и слабые стороны .
Аргументы Александра Ванга в пользу гибридной системы:
- Лидары: Создают идеальную 3D-карту мира и отлично работают в темноте, но «слепнут» в тумане или снегу из-за отражения лазеров от частиц осадков .
- Камеры: Лучше распознают контекст (например, дым против кирпичной стены), но современные модели компьютерного зрения точны лишь на 99%. Для безопасности на дорогах требуется «асимптотически более высокий» уровень качества — 99,999% и выше .
На вопрос о том, когда мы увидим полностью автономные поездки без руля на сложных маршрутах (например, из Пало-Альто в Сан-Франциско), Ванг дает осторожный прогноз: в течение следующих 10 лет . Он считает, что регуляторы не станут главным препятствием, так как уже существует прецедент автопилотов в авиации .
🇨🇳 Китай против США: гонка ML-вооружений 36:15
Александр Ванг отмечает, что Китай предпринимает «концентрированные усилия» на государственном уровне, превращая развитие ИИ в подобие нового Манхэттенского проекта .
Преимущества Китая по мнению Ванга:
- Доступ к данным: Наличие камер CCTV повсеместно дает китайским компаниям доступ к датасетам, которые недоступны на Западе .
- Регуляторная среда: В Китае меньше этических и правовых вопросов при внедрении технологий в производство .
- Скорость: Китайские компании готовы «двигаться быстро и ломать вещи», в то время как в США дискуссии о приватности и безопасности замедляют процесс .
Тем не менее, Ванг утверждает, что американские разработки в области машинного обучения в большинстве случаев по-прежнему остаются более качественными .
🤖 Мифы об ИИ: работа, этика и AGI 56:41
Гость и ведущий затронули тему страха перед автоматизацией. Александр Ванг считает нарратив о том, что ИИ просто заменит людей, «наивным» . Он приводит историческую аналогию с банкоматами (ATM): когда они появились, многие предрекали исчезновение профессии кассира. На деле же количество кассиров в США выросло, так как банкоматы удешевили открытие отделений, а сотрудники переключились на более сложные задачи, такие как ипотека и кредитование .
Аналогичный процесс Ванг видит в грузоперевозках:
- Автопилоты возьмут на себя «скучные» длинные перегоны по трассам (long-haul), на которые сейчас сложно найти водителей (дефицит кадров в США и старение персонала) .
- Люди-водители сосредоточатся на сложной логистике внутри городов и «последней миле» .
Относительно общего искусственного интеллекта (AGI), способного мыслить как человек, Ванг настроен скептически. По его мнению, наличие бесконечных вычислительных мощностей само по себе не гарантирует создания AGI . Он считает аргументы о скором появлении «сверхразума» переоцененными и относит их скорее к области научной фантастики .
🩺 Новые тренды: скучный ИИ и медицина 1:12:34
Помимо хайповых тем вроде беспилотников, Александр Ванг выделяет «скучные», но экономически значимые направления:
- Автоматизация обработки форм: Огромный рынок оцифровки бумажных документов .
- Медицинская визуализация: ИИ-системы для анализа рентгеновских снимков и МРТ могут решить проблему глобальной нехватки врачей (по данным ВОЗ, дефицит достигает 10 раз) .
- Адаптивное обучение: Образовательные системы, использующие ИИ для отслеживания эмоций ребенка. Если камера видит, что ученик расстроен или не понимает задачу, система может автоматически предложить более легкий материал .
Александр Ванг подчеркивает: ИИ должен восприниматься как инструмент, расширяющий возможности человека, а не как угроза .
