# Аравинд Сринивас: «Магия ИИ — в универсальности, а не в специализации»

Источник: https://www.youtube.com/watch?v=4jPg4Se9h5g
Канал: 20VC (Harry Stebbings)
Опубликовано: 05.06.2024

---

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
[[JUMP:0:43]]

Карьера Аравинда Сриниваса в области ИИ началась, по его собственному признанию, почти случайно [0:57]. 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 [1:10]. 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 [2:01].

Этот успех придал ему уверенности. Аравинд Сринивас вспоминает совет Сэма Альтмана: «Ищи то, что тебе дается легко, а другим кажется сложным» [2:54]. Позже он углубился в изучение обучения с подкреплением (Reinforcement Learning), вдохновившись успехами DeepMind в играх Atari [4:50]. 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 [5:17].

## 📉 Закон убывающей доходности в обучении моделей
[[JUMP: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 [5:57]. 

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 [6:10]. 
*   **«Альфа» в качестве данных:** Сейчас преимущество получают те, кто умеет ювелирно отбирать данные, смешивать языки, код, математические задачи и «цепочки рассуждений» (chain of thought) [6:37].
*   **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 [7:53]. Это доказывает, что огромные затраты могут привести к худшему результату, если пренебречь качеством обучающей выборки.

## 🏗️ Миф о вертикализации и магия универсальных моделей
[[JUMP:8:30]]

Многие инвесторы, включая Рида Хоффмана, предсказывают вертикализацию ИИ — создание специализированных моделей для медицины, финансов или юриспруденции. Аравинд Сринивас с этим не согласен [8:33].

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 [8:47]. По мнению главы Perplexity AI, «магия» современных систем заключается в эмерджентных (внезапно проявляющихся) способностях, которые возникают только при обучении на максимально разнообразных данных [10:03]. Универсальный интеллект (general IQ) позволяет модели находить закономерности там, где узкоспециализированная система оказывается бессильна [10:28].

## 🧩 На пороге «эры настоящего рассуждения»
[[JUMP:11:36]]

Сегодняшние модели Аравинд оценивает как «крепких середнячков» среди старшеклассников в плане логики, но они всё еще далеки от уровня Эйнштейна или Фарадея [12:15]. Однако он предвидит фундаментальный сдвиг в способе работы ИИ.

Сравнение текущего и будущего подходов к рассуждению:

1.  **Сегодня:** Модель просто выдает следующий токен (слово), основываясь на вероятности [16:43].
2.  **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 [16:49].

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 [15:29]. Это потребует огромных вычислительных затрат на этапе вывода (inference compute), что дает колоссальное преимущество компаниям с большим капиталом [17:50].

## 📦 Коммодитизация ИИ: кто останется в выигрыше?
[[JUMP: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) [21:04]. 

На рынке наметился раскол:

*   **Commodity-слой:** Множество моделей со схожими характеристиками, которые дешевеют и становятся взаимозаменяемыми [21:16].
*   **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 [22:37].

Главными бенефициарами коммодитизации Аравинд называет компании прикладного уровня (application layer), такие как Perplexity AI [25:51]. Если базовый интеллект становится дешевле и доступнее, выигрывают те, кто напрямую владеет отношениями с пользователем и предлагает лучший интерфейс и опыт (UX) [46:10].

## 💰 Модель бизнеса: почему $20 в месяц — это тупик
[[JUMP:34:36]]

Несмотря на то, что Perplexity AI зарабатывает на подписках (Pro-версия за $20/мес), Аравинд Сринивас не считает эту модель идеальной [34:51]. Для достижения маржинальности уровня Google (80%) подписки недостаточно [35:43].

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 [37:15].
*   **Диверсификация:** Компания стремится сочетать доходы от подписок, рекламы, API и корпоративных решений (Enterprise), чтобы интересы акционеров не вступали в конфликт с интересами пользователей [39:38].

## 🏢 Битва за Enterprise: почему стартапы могут победить гигантов
[[JUMP: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 [43:20].

Преимущества Perplexity в сегменте Enterprise:

*   **Безопасность и комплаенс:** Версия Enterprise Pro гарантирует, что данные компании не будут использованы для обучения моделей [41:37].
*   **Оркестрация данных:** Perplexity выступает как единый интерфейс, который может объединять внутренние данные компании (из Slack или Notion) с внешним поиском в реальном времени [42:15].
*   **Гибкость:** В отличие от жестких SQL-структур Snowflake или Databricks, перенести промпты и рабочие процессы из ChatGPT в Perplexity можно за считанные минуты [43:46].

## 🚀 Будущее интерфейсов: смерть браузера и рождение ИИ-ОС
[[JUMP: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) [58:00].
*   **AI-Native OS:** Будущее за операционными системами, подобными ИИ из фильма «Она» (Her), где взаимодействие происходит голосом или текстом, а система сама управляет приложениями [59:18].
*   **Perplexity через 10 лет:** Аравинд хочет, чтобы его компания стала «незаменимым помощником по фактам и знаниям» [1:02:20]. В мире, переполненном ИИ-контентом, верифицированная, точная информация станет самой ценной валютой [1:02:45].