# Али Годси: «AGI уже наступил, но бизнесу потребуется 10 лет»

Источник: https://www.youtube.com/watch?v=1bR0gtecoHU
Канал: All-In Podcast
Опубликовано: 17.11.2026

---

В специальном выпуске All-In Podcast генеральный директор Databricks Али Годси обсудил с ведущим Джейсоном Калаканисом реальное состояние индустрии искусственного интеллекта. По мнению Годси, общий искусственный интеллект (AGI) фактически уже создан в соответствии с научными критериями прошлых лет, однако корпоративный сектор отстает от внедрения технологий на десятилетие из-за проблем с безопасностью, контекстом и взрывным ростом расходов на вычисления. В ходе беседы глава Databricks продемонстрировал работу внутренних агентных систем компании, объяснил причины отказа от скорого выхода на IPO и подробно аргументировал, почему апокалиптические сценарии внезапного появления сверхразума не выдерживают технической критики.

## 🚀 Рождение Databricks: три ставки против мнения рынка
[[JUMP:01:17]]

История Databricks началась в стенах Калифорнийского университета в Беркли, где команда будущих основателей работала в исследовательской лаборатории AMPLab (Algorithms, Machines, and People Lab) [02:27]. В 2013 году группа из примерно двадцати ученых пыталась соединить обработку больших объемов данных с алгоритмами машинного обучения [02:40]. По словам Годси, индустрия в тот момент не проявляла к подобным разработкам никакого интереса: термин «машинное обучение» воспринимался как узкоспециализированная математика, а под ИИ понимали исключительно робототехнику [02:52].

Одним из первых практических полигонов для лаборатории стал конкурс Netflix Prize [03:30]. Организаторы предлагали награду в $1 млн команде, которая сумеет улучшить рекомендательный алгоритм фильмов всего на 10% [07:36]. Ученые AMPLab разработали алгоритм ранжирования, показавший, что рекомендации на базе данных могут радикально менять поведение пользователей [03:43]. В названии лаборатории буква «P» (People) появилась не случайно: исследователи считали, что алгоритмы того поколения еще не способны обучаться полностью автономно и требуют обратной связи от человека (human-in-the-loop) [08:27].

Осознав потенциал технологии, ученые решили создать коммерческую компанию. Основатели Databricks сделали три фундаментальные ставки, каждая из которых в 2013 году считалась рискованной или ошибочной [06:31]:

*   Полный отказ от локальных серверов и переход исключительно в облачную инфраструктуру (Cloud-native).
*   Фокус на масштабном практическом применении машинного обучения и искусственного интеллекта для корпораций.
*   Использование открытого исходного кода (Open Source) в качестве фундамента бизнеса.

Аналитические агентства предрекали проекту скорое банкротство, утверждая, что крупные корпорации никогда не перенесут свои критические данные в сторонние облака [06:44]. Однако разделение хранения данных и вычислительных мощностей в облаке дало колоссальное преимущество: компании смогли сохранять неограниченные массивы сырых данных, а с появлением GPU — запускать поверх них алгоритмы машинного обучения [06:06]. В результате выручка Databricks, составлявшая в 2015 году $1,5 млн, к настоящему времени достигла показателя run rate в $7 млрд при ежегодном росте около 80% [01:47].

## 🧠 Наступил ли AGI и почему бизнес застрял на уровне поисковика
[[JUMP:08:50]]

Али Годси убежден, что общий искусственный интеллект (AGI) уже существует [09:38]. Он ссылается на консенсусные определения ученых лаборатории AMPLab периода 2009–2010 годов: современные модели с запасом превзошли задачи, которые тогда считались границей AGI [09:51]. Годси подчеркивает, что исследовательские лаборатории попросту «передвинули планку», переключившись на погоню за сверхразумом (Superintelligence) [10:03]. Под сверхразумом, согласно книге философа Ника Бострома 2014 года, понимается система, способная за одну минуту выполнить мыслительную работу человечества за тысячу лет, мыслить в одиннадцати измерениях и мгновенно писать уникальные докторские диссертации [10:55].

В то время как разработчики базовых моделей соревнуются в решении задач тысячелетия института Клэя, реальный сектор экономики находится на периферии прогресса [12:14]. Годси утверждает, что подавляющее большинство компаний из списка Fortune 500 используют генеративный ИИ на примитивном уровне:

*   В качестве продвинутого поиска Google, заменяющего десять синих ссылок текстовой выжимкой [12:39].
*   Для помощи в написании программного кода, где средний прирост продуктивности программистов составляет скромные 20–30% вместо ожидаемых прорывов [12:51].

По оценке главы Databricks, на пути внедрения автономных ИИ-агентов в крупном бизнесе стоят четыре непреодолимых барьера [13:45]:

1.  **Проблема организационного контекста.** Модели не могут принимать взвешенные решения без доступа к реальным процессам компании. Однако руководители предприятий отказываются передавать ИИ чувствительные данные; например, генеральный директор крупного банка категорически заявил Годси, что никогда не разрешит записывать внутренние совещания [13:59]. Без понимания контекста совещаний ИИ бесполезен [14:13].
2.  **Угроза кибербезопасности.** Предоставление ИИ-агентам неограниченного доступа ко всем файлам и базам данных компании кратно увеличивает периметр атаки [14:50]. Корпорации панически боятся взломов и утечек конфиденциальной информации через скомпрометированные агентные цепочки [15:02].
3.  **Неконтролируемый рост расходов на токены.** Затраты на вызовы LLM растут по экспоненте, тогда как доходы бизнеса увеличиваются линейно [15:40]. В определенный момент финансовые директора приходят в ужас от счетов за облачные вычисления и требуют свернуть пилотные проекты [16:06].
4.  **Потеря интеллектуального суверенитета (Vendor Lock-in).** Компании опасаются отправлять свои уникальные данные внешним провайдерам, таким как OpenAI или Anthropic, боясь, что эти платформы поглотят их бизнес [16:31]. Ведущий подкаста отметил, что Anthropic выпускает продукты каждые две недели, напрямую конкурируя со своими же партнерами и создавая альтернативы Excel и Photoshop [16:57].

## 🤖 «Управленческий манибол»: живая демонстрация агентов Databricks
[[JUMP:22:04]]

Чтобы решить проблему контекста и безопасности, Databricks создала платформу Genie, функционирующую на базе динамической онтологии компании [23:07]. Онтология представляет собой постоянно обновляемый граф знаний, фиксирующий иерархию сотрудников, цепочки подчинения, записи встреч, переписку в Slack, электронную почту и рабочие документы [23:19]. Система работает круглосуточно, выполняя рутинные аналитические задачи до того, как руководитель проснется [23:45].

Во время эфира Годси продемонстрировал практическое применение платформы на реальных данных Databricks [24:12]. После корпоративного опроса, в котором приняли участие более 10 000 сотрудников, финансовый директор предположил, что низкая оценка готовности руководства реагировать на проблемы (показатель Action) напрямую вызвана нарушением баланса между работой и личной жизнью (Work-Life Balance) [25:16]. Годси ввел этот вопрос в Genie, и система мгновенно опровергла гипотезу: у одного из самых эффективных менеджеров компании оценка баланса работы и жизни составляла всего 44 пункта, тогда как показатель доверия к его действиям достигал 77% [25:55]. Анализ комментариев выявил совершенно другие причины недовольства: в отделе продуктового менеджмента сотрудники страдали от избытка стейкхолдеров, инженеры жаловались на неудобные внутренние инструменты, а специалисты по продажам беспокоились о карьерном росте [26:46].

Другой показательный кейс касался производительности 2000 инженеров Databricks [29:47]. На графике коммитов кода выявилась выраженная L-образная кривая: небольшая группа лидеров выдавала на порядки больше результатов, чем остальные [29:55]. Анализ показал, что ведущие разработчики создали собственные автоматизированные ИИ-фабрики генерации кода [30:00]. При этом их расходы на токены оказались ниже средних значений, поскольку они использовали гибкую маршрутизацию запросов: простые задачи отправлялись компактным открытым моделям, а дорогостоящие флагманские сети привлекались только в крайних случаях [30:25].

Ведущий провел параллель между подобной прозрачностью и концепцией «Манибола» (Moneyball) в спорте, назвав происходящее переходом к «управленческому маниболу» [36:16]. Системы сквозной аналитики устраняют необходимость в административных расследованиях и «играх в поиск виновных», выявляя реальных неформальных лидеров и организационные барьеры (блокеры) [31:32], [34:07]. Годси отметил сходство своего подхода с концепцией «Company World Model», которую публично продвигает основатель Block и Square Джек Дорси [21:04].

## 📈 Дилемма IPO: аргументы в пользу сохранения статуса частной компании
[[JUMP:38:25]]

На фоне масштабных финансовых показателей ($7 млрд выручки и рост на 70–80%) на руководство Databricks оказывается постоянное давление со стороны инвесторов, требующих публичного размещения акций [01:47], [39:04]. Однако Годси сознательно откладывает IPO, формулируя четкую долгосрочную стратегию [39:18].

Среди плюсов публичного статуса Годси признает:

*   Широкий доступ к ликвидному капиталу на открытом рынке [39:31].
*   Мощный бесплатный маркетинговый эффект от регулярных квартальных отчетов [39:44].
*   Отказ от сложных ежегодных тендерных процедур по выкупу акций у сотрудников [39:57].

Тем не менее минусы публичности в текущую эпоху ИИ-трансформации, по мнению Годси, перевешивают выгоды [42:37]. Главная опасность заключается в эмоциональной волатильности биржи [43:15]. Падение котировок акций мгновенно деморализует персонал, чья компенсация привязана к опционам: сотрудники начинают считать, что компания обманула их ожидания по доходу [42:50]. По словам Годси, многие знакомые главы публичных ИИ-компаний признаются ему в депрессии из-за постоянных скачков капитализации, оторванных от фундаментального состояния бизнеса [43:29].

Чтобы компенсировать отсутствие публичных торгов, Databricks проводит регулярные вторичные тендеры, позволяя сотрудникам и ранним инвесторам фиксировать прибыль [40:10]. За историю компании через различные раунды было привлечено $20–30 млрд [39:57]. На практике сотрудники редко продают больше 5% своих пакетов, понимая эффект сложного процента при ежегодном росте компании на уровне 80% [40:50]. Кроме того, высокая оценка и предсказуемая ликвидность акций позволяют Databricks совершать миллиардные поглощения других стартапов без выхода на биржу [40:36].

## 🛡️ Развенчание мифа о сверхразуме и реальность киберугроз
[[JUMP:44:02]]

Идею о неминуемом конце света из-за выхода ИИ из-под контроля популяризировал сценарий рекурсивного самосовершенствования (Recursive Self-Improvement, RSI), согласно которому ИИ начнет переписывать собственный код, стремительно достигнет технологической сингулярности и уничтожит человечество ради производства канцелярских скрепок (Paperclip Maximizer) [44:35], [45:02]. Страх подогревается тем, что модели уже сейчас пишут до 98% рутинного кода [46:20].

Али Годси убежден, что эти опасения беспочвенны. Сам Ник Бостром в последнее время существенно смягчил свою позицию [46:08]. По оценке Годси, для запуска самоподдерживающегося маховика сверхразума необходимо одновременное выполнение четырех строгих технических условий [46:34]:

1.  **Сверхлинейное ускорение обучения.** Каждый следующий тренировочный прогон должен занимать существенно меньше времени, чем предыдущий [47:12]. На практике предварительное обучение моделей требует все больше месяцев сложнейшей инженерной подготовки [48:17].
2.  **Экспоненциальное снижение потребности в ресурсах.** Процесс не может опираться на бесконечное масштабирование «железа», так как индустрия упирается в физические законы и ограничения дата-центров [47:24]. Сейчас действует закон масштабирования (Scaling Law): для линейного прироста качества требуется десятикратное увеличение вычислительных мощностей [46:48].
3.  **Универсальный рост точности.** Модель должна становиться умнее во всех сферах познания одновременно, а не просто лучше решать задачи по высшей математике за счет обучения с подкреплением (RL) [47:37].
4.  **Замкнутый рекурсивный цикл.** Время обучения должно падать с трех месяцев до недель и дней, а затраты — с сотен миллионов долларов до копеек [48:04].

По словам Годси, в лабораториях Кремниевой долины нет ни малейших признаков выполнения этих критериев [48:30], [56:08]. Процесс обучения по-прежнему требует колоссального объема ручного труда: разметки данных высококвалифицированными специалистами, очистки датасетов и тонкой настройки [48:30]. Более того, даже если бы сверхразумная цифровая модель появилась, она ограничена пределами компьютеров: у нее нет физических манипуляторов или автономных роботов для прямого физического захвата мира [49:09].

При этом Годси считает абсолютно реальной угрозу в сфере информационной безопасности [50:14]. В киберпространстве действует опасная асимметрия: атакующему достаточно найти одну-единственную уязвимость из тысяч с помощью автономных агентов, тогда как защитник обязан круглосуточно отражать 100% атак [51:32], [51:44]. Тем не менее спикер смотрит на проблему с оптимизмом: в ближайшие двенадцать месяцев человечество напишет больше безопасного кода со встроенным сканированием уязвимостей, чем за всю предыдущую историю, что постепенно локализует бреши в старых (legacy) системах [52:25], [53:18].

## 🧬 Искусственный интеллект на службе науки и реальные сроки изменений
[[JUMP:54:22]]

Комментируя взгляды представителей сообщества эффективного альтруизма (EA) и оптимистичные заявления главы Anthropic Дарио Амодеи о победе над раком и болезнью Альцгеймера за десять лет, Годси призывает разделять научные прорывы и бюрократические реалии [54:22], [57:40]. Модели способны ускорить поиск биологических мишеней, но они не могут отменить многолетние клинические испытания препаратов на людях [57:40].

Databricks уже принимает участие в передовых биомедицинских проектах:

*   Фармацевтическая компания Regeneron выявила мутации генома, ответственные за хронические заболевания печени, и синтезировала лекарственные соединения с помощью аналитических мощностей Databricks [57:15].
*   В сотрудничестве с компанией Merck создана модель Teddy (Transformer Enabled Drug Discovery) [58:06]. В отличие от языковых сетей, предсказывающих следующее слово, Teddy моделирует генные регуляторные сети (Gene Regulatory Networks, GRN), отделяя причину болезни от второстепенных защитных реакций генома [58:19].
*   Сервис Crisis Text Line использует модели на базе Databricks для анализа переписки и своевременного предотвращения попыток подросткового суицида [58:31].
*   Логистический оператор Zipline применяет платформу для маршрутизации автономных дронов, доставляющих медикаменты и продовольствие в труднодоступные регионы [58:57].

В завершение встречи Али Годси подчеркнул, что системная трансформация экономики займет не шесть месяцев и не два года, как обещают руководители исследовательских лабораторий, а от 10 до 15 лет [1:00:14]. Перестройка бизнес-процессов, решение регуляторных споров и интеграция сотен миллионов корпоративных документов в единые онтологические графы требуют фундаментальной работы, сравнимой по масштабу с эволюцией интернета от модемов Dial-Up до современных скоростных сетей [1:00:40].