Аравинд Сринивас, основатель и генеральный директор Perplexity AI, в большом интервью для подкаста 20VC подробно разобрал текущее состояние индустрии искусственного интеллекта. Основной темой беседы стало противостояние между «моделями-основаниями» (foundation models) и прикладным уровнем, а также вопрос о том, наступил ли предел эффективности простого наращивания вычислительных мощностей.
🧠 Путь от алгоритмов к смыслу: как Аравинд Сринивас пришел в ИИ 0:43
Карьера Аравинда Сриниваса в области ИИ началась, по его собственному признанию, почти случайно . Будучи студентом факультета компьютерных наук в Индии, он принял участие в конкурсе по машинному обучению только потому, что нуждался в деньгах и не был уверен в получении летней стажировки . Не зная на тот момент теории — таких терминов, как «случайные леса» или «деревья решений», — он использовал библиотеку scikit-learn и интуитивный перебор параметров, что позволило ему занять первое место .
Этот успех придал ему уверенности. Аравинд Сринивас вспоминает совет Сэма Альтмана: «Ищи то, что тебе дается легко, а другим кажется сложным» . Позже он углубился в изучение обучения с подкреплением (Reinforcement Learning), вдохновившись успехами DeepMind в играх Atari . Он вспоминает, как заимствовал игровые видеокарты у коллег по лаборатории, чтобы обучать нейросети, что заложило фундамент для его будущей работы в OpenAI и DeepMind, а затем и создания Perplexity AI .
📉 Закон убывающей доходности в обучении моделей 5:43
Одной из самых обсуждаемых тем в индустрии стал вопрос о том, дает ли простое увеличение объема вычислений пропорциональный прирост качества моделей. По мнению Аравинда Сриниваса, ответ неоднозначен: «грубая сила» (brute force) всё еще работает, но её эффективность снижается .
Ключевые тезисы Аравинда о производительности моделей:
- Курация данных важнее масштаба: Нельзя просто вложить 500 миллионов долларов в кластер и обучить модель лучше, чем у OpenAI, используя случайные данные из интернета .
- «Альфа» в качестве данных: Сейчас преимущество получают те, кто умеет ювелирно отбирать данные, смешивать языки, код, математические задачи и «цепочки рассуждений» (chain of thought) .
- Эффективность Mistral: В качестве примера Аравинд приводит модель Grok от xAI, которая при 300 млрд параметров оказалась слабее модели от Mistral на 56 млрд параметров . Это доказывает, что огромные затраты могут привести к худшему результату, если пренебречь качеством обучающей выборки.
🏗️ Миф о вертикализации и магия универсальных моделей 8:30
Многие инвесторы, включая Рида Хоффмана, предсказывают вертикализацию ИИ — создание специализированных моделей для медицины, финансов или юриспруденции. Аравинд Сринивас с этим не согласен .
Он приводит в пример проект BloombergGPT. Несмотря на огромные ресурсы и доступ к закрытым данным, эта специализированная финансовая модель проигрывает универсальной GPT-4 на финансовых бенчмарках . По мнению главы Perplexity AI, «магия» современных систем заключается в эмерджентных (внезапно проявляющихся) способностях, которые возникают только при обучении на максимально разнообразных данных . Универсальный интеллект (general IQ) позволяет модели находить закономерности там, где узкоспециализированная система оказывается бессильна .
🧩 На пороге «эры настоящего рассуждения» 11:36
Сегодняшние модели Аравинд оценивает как «крепких середнячков» среди старшеклассников в плане логики, но они всё еще далеки от уровня Эйнштейна или Фарадея . Однако он предвидит фундаментальный сдвиг в способе работы ИИ.
Сравнение текущего и будущего подходов к рассуждению:
- Сегодня: Модель просто выдает следующий токен (слово), основываясь на вероятности .
- Завтра: Модель будет выдавать черновик ответа, проверять его логику, получать обратную связь от внешнего мира, корректировать свои рассуждения и итерировать до тех пор, пока не придет к верному решению .
Аравинд Сринивас отмечает, что такие проекты, как Q* от OpenAI или STAR (Self-Taught Reasoner), направлены именно на это: обучение модели объяснять свои выводы и учиться на собственных ошибках . Это потребует огромных вычислительных затрат на этапе вывода (inference compute), что дает колоссальное преимущество компаниям с большим капиталом .
📦 Коммодитизация ИИ: кто останется в выигрыше? 20:52
Существует мнение, что модели-основания превращаются в биржевой товар (commodity), теряя свою уникальность. Аравинд Сринивас считает, что это верно только для моделей «второго эшелона» (уровня GPT-3.5 или ранней GPT-4) .
На рынке наметился раскол:
- Commodity-слой: Множество моделей со схожими характеристиками, которые дешевеют и становятся взаимозаменяемыми .
- Frontier-слой: Передовые модели, которые на голову выше остальных. По мнению гостя, в этой гонке останутся 3–4 игрока, способных финансировать прорывы в области рассуждений .
Главными бенефициарами коммодитизации Аравинд называет компании прикладного уровня (application layer), такие как Perplexity AI . Если базовый интеллект становится дешевле и доступнее, выигрывают те, кто напрямую владеет отношениями с пользователем и предлагает лучший интерфейс и опыт (UX) .
💰 Модель бизнеса: почему $20 в месяц — это тупик 34:36
Несмотря на то, что Perplexity AI зарабатывает на подписках (Pro-версия за $20/мес), Аравинд Сринивас не считает эту модель идеальной . Для достижения маржинальности уровня Google (80%) подписки недостаточно .
В Perplexity AI планируют развивать рекламную модель, но с учетом ошибок Google:
- Релевантность вместо навязчивости: Реклама должна быть полезным ответом на запрос. Если пользователь ищет товар, рекламная ссылка может быть уместна, если она не искажает точность ответа .
- Диверсификация: Компания стремится сочетать доходы от подписок, рекламы, API и корпоративных решений (Enterprise), чтобы интересы акционеров не вступали в конфликт с интересами пользователей .
🏢 Битва за Enterprise: почему стартапы могут победить гигантов 40:31
Многие опасаются, что Microsoft и Google «задушат» ИИ-стартапы в корпоративном секторе. Однако Аравинд Сринивас утверждает, что рынок еще слишком молод для формирования лояльности .
Преимущества Perplexity в сегменте Enterprise:
- Безопасность и комплаенс: Версия Enterprise Pro гарантирует, что данные компании не будут использованы для обучения моделей .
- Оркестрация данных: Perplexity выступает как единый интерфейс, который может объединять внутренние данные компании (из Slack или Notion) с внешним поиском в реальном времени .
- Гибкость: В отличие от жестких SQL-структур Snowflake или Databricks, перенести промпты и рабочие процессы из ChatGPT в Perplexity можно за считанные минуты .
🚀 Будущее интерфейсов: смерть браузера и рождение ИИ-ОС 57:46
Аравинд Сринивас предсказывает радикальную трансформацию того, как мы взаимодействуем с компьютерами:
- Крах традиционного браузера: По его мнению, браузеры в нынешнем виде устареют, когда ИИ-агенты смогут самостоятельно выполнять действия (бронировать билеты, заполнять формы, покупать товары на Amazon) .
- AI-Native OS: Будущее за операционными системами, подобными ИИ из фильма «Она» (Her), где взаимодействие происходит голосом или текстом, а система сама управляет приложениями .
- Perplexity через 10 лет: Аравинд хочет, чтобы его компания стала «незаменимым помощником по фактам и знаниям» . В мире, переполненном ИИ-контентом, верифицированная, точная информация станет самой ценной валютой .
