В новом выпуске подкаста 20VC Гарри Стеббингс беседует с Дэвидом Луаном, сооснователем и генеральным директором компании Adept. Луан, прошедший через «золотой век» Google Brain и участвовавший в становлении OpenAI, делится инсайдами о том, как изменилась культура разработки ИИ: от академических статей к масштабным инженерным проектам. Главная тема беседы — неизбежная вертикальная интеграция индустрии, где производители чипов начинают создавать модели, а разработчики моделей — собственное «железо».
🏛 От академической свободы к «Проекту Аполлон»: эволюция Google Brain и OpenAI 0:43
Дэвид Луан описывает период с 2012 по 2018 год в Google Brain как «магическое время», сравнимое с эпохой Bell Labs . По его словам, это была эпоха «восходящих» (bottom-up) исследований: компания нанимала блестящих ученых, которые могли полгода работать над любой интересующей их проблемой без четких краткосрочных бизнес-целей . Именно в этой атмосфере родились ключевые технологии современности:
- Архитектура Transformer (была изобретена в Google, а не в OpenAI, подчеркивает Луан) .
- Диффузионные модели (основа генерации изображений).
- Новые методы оптимизации нейросетей .
Однако с появлением архитектуры Transformer парадигма изменилась. Как вспоминает гость, работавший тогда в OpenAI вместе с Ильей Суцкевером, стало ясно: Transformer — это универсальная модель, подходящая для любой задачи . По мнению Луана, OpenAI первой (наряду с DeepMind) осознала, что следующая фаза ИИ — это не написание научных статей, а решение фундаментальных инженерных проблем .
Луан утверждает, что OpenAI перешла от структуры «федерации независимых исследователей» к модели «Проекта Аполлон» . Вместо того чтобы позволять тысяче людей организовывать себя самостоятельно, компания начала формировать гигантские команды вокруг конкретных целей: управления рукой робота, победы в сложнейших видеоиграх или масштабирования GPT до уровня универсального интеллекта .
📈 Почему закон масштабирования не умрет: RL-петли и синтетические данные 8:33
В индустрии всё чаще звучат мнения о «законе убывающей отдачи» (diminishing returns) при увеличении вычислительных мощностей. Луан с этим категорически не согласен . Он признает, что простая дозагрузка данных в базовую модель требует экспоненциального роста ресурсов: для предсказуемого улучшения «умности» модели количество вычислений нужно удваивать .
Однако гость выделяет второй, более перспективный путь улучшения производительности, который только начинает осваиваться, — это использование моделей для самообучения в симуляциях .
Основные тезисы Луана о будущем масштабировании:
- Проблема обучения на человеческих данных: Модель, обученная только на текстах из интернета, не может превзойти человеческий уровень, так как её учат лишь подражать написанному .
- Синтетическая обратная связь: Чтобы решить нерешенные математические задачи или создать что-то новое, модели нужно дать доступ к инструментам (например, библиотекам для доказательства теорем или Jupyter Notebook) .
- Обучение через опыт: Модель должна экспериментировать в симуляции, получать результат, рефлексировать над ним и учиться на своих ошибках. Этот процесс поглотит колоссальное количество вычислений, поэтому Луан не ждет замедления спроса на чипы .
⚔️ Вертикальная интеграция: война Nvidia и облачных гигантов 23:26
Луан предсказывает фундаментальный сдвиг в структуре бизнеса ИИ. По его мнению, владение только одним уровнем стека (чипами или моделями) становится рискованным .
Позиция гостя по рынку чипов: Хотя Nvidia сейчас доминирует, Луан указывает на пример Google с их процессорами TPU. Команда TPU (менее 500 человек на момент его работы в Google) смогла создать чипы, на которых обучались Gemini и PaLM . Луан считает, что у облачных провайдеров первого эшелона (AWS, Google, Microsoft) есть экзистенциальная потребность иметь собственные чипы для контроля маржинальности .
Почему Nvidia пойдет в модели: По мнению Луана, Nvidia будет вынуждена «подниматься по стеку» и развивать собственные модели. Если они этого не сделают, они рискуют превратиться в поставщика «коммодити» (взаимозаменяемого товара), так как клиентам будет все равно, на каком железе работает API их чатбота .
Луан ожидает появления 5–7 крупных игроков на рынке LLM, которые будут владеть полным стеком: от собственных дата-центров и чипов до конечных интерфейсов .
🤖 Агенты против RPA: в чем разница? 33:53
Многие сравнивают современные ИИ-агенты с традиционной автоматизацией процессов (RPA), такой как UiPath. Луан объясняет, почему это сравнение некорректно, используя аналогию с роботами на заводе :
- RPA — это «желтая линия»: Робот на заводе просто следует по нарисованной линии от станции к станции. Если линия прервется или на пути возникнет препятствие, он остановится. RPA эффективно только для высокообъемных, абсолютно идентичных задач .
- ИИ-агенты — это «автопилот» (Full Self-Driving): Агент постоянно думает, планирует и оценивает ситуацию на каждом шаге для достижения цели. Он может справляться с «краевыми случаями» (edge cases), из которых, по словам Луана, состоит любой реальный рабочий процесс в корпорации .
Луан подчеркивает, что Adept строит «вертикально интегрированный стек» для агентов . Он считает, что владение интерфейсом дает колоссальное преимущество, так как позволяет модели учиться напрямую у пользователя, наблюдая за его действиями в браузере или специализированном ПО .
🏢 Будущее работы: «схлопывание» стека талантов 39:18
Обсуждая влияние ИИ на организационную структуру компаний, Луан ссылается на идею инвестора Скотта Бельски о «схлопывании стека талантов» (collapsing the talent stack) .
По мнению Луана:
- Сотрудники станут «генералистами», способными одновременно выполнять роли менеджера продукта, дизайнера и инженера .
- ИИ возьмет на себя узкоспециализированные задачи, работая под руководством человека.
- Это приведет к созданию гораздо более эффективных и компактных команд .
При этом Луан скептически относится к модели оплаты «за выполненную работу» (price per work) в сфере интеллектуального труда . Он полагает, что компании продолжат платить за «место» или лицензию, так как ИИ-агент — это скорее ко-пилот или член команды, усиливающий креативность человека, а не просто исполнитель рутинных заявок .
⚠️ Регуляторный захват и риски AGI 48:18
Луан выражает серьезную обеспокоенность по поводу текущих попыток регулирования ИИ. Он называет это «регуляторным захватом» (regulatory capture) .
Аргументы гостя:
- Крупнейшие лаборатории ИИ пытаются «поднять лестницу» за собой, навязывая правила, которые затруднят стартапам и Open Source проектам обучение новых моделей .
- Законодатели часто не понимают технологию и слушают только «самых авторитетных» игроков, у которых могут быть скрытые мотивы для ограничения конкуренции .
Относительно безопасности AGI (общего искусственного интеллекта) Луан считает, что рассуждать о нём сложно, так как люди часто определяют AGI как «бесконечность» . Он прагматично замечает, что в ближайшие пять лет открытые модели (Open Source) будут неизбежно отставать от закрытых из-за нехватки ресурсов на обучение, но их существование критически важно для баланса сил в индустрии .
🧠 Проблема интерфейса: почему чат — это не предел 51:49
В завершение беседы Луан утверждает, что индустрия слишком мало времени уделяет проблеме взаимодействия человека и компьютера (HCI) .
По мнению гостя:
- Чат — это плохой интерфейс. Общение с коллегой гораздо богаче: вы используете доски, общие документы, вместе смотрите в один монитор . Простое написание промптов и получение ответов — это тупиковый путь для по-настоящему умных систем.
- Агенты заменят GUI. Переход от графического интерфейса к агентам будет таким же значимым, как переход от командной строки DOS к Windows .
- ИИ как расширение мозга. В идеале агент должен ощущаться как неинвазивный нейроинтерфейс, позволяющий человеку оперировать на более высоком уровне абстракции .
Главным препятствием для этого видения Луан называет «огороженные сады» (walled gardens) существующих ИТ-гигантов . Если Salesforce, Google и Microsoft закроют свои данные друг от друга, агенты не смогут эффективно работать во всех доменах сразу.
