В новом выпуске Уэс Рот (Wes Roth) вместе с экспертами из Кремниевой долины — Джо и Джорданом — анализирует масштабные изменения в ландшафте искусственного интеллекта. В центре внимания оказалась сделка Meta по инвестированию 14 миллиардов долларов в Scale AI, попытки Apple дискредитировать возможности современных LLM и новые научные работы, описывающие путь к рекурсивному самосовершенствованию ИИ.
💰 Сделка Meta и Scale AI: стратегия на 14 миллиардов 2:53
Марк Цукерберг финализирует сделку на сумму 14 миллиардов долларов (наличные в обмен на долю в капитале) с компанией Scale AI . По мнению Джордана, это вторая по значимости сделка для Meta после покупки WhatsApp. Несмотря на внушительную сумму, в процентном соотношении от рыночной капитализации Meta это составляет менее 1%, что делает риск минимальным при огромном потенциальном росте .
Александр Ван (Alexander Wang), основатель Scale AI, должен возглавить новую команду по созданию «суперинтеллекта» (Super Intelligence), которую сейчас активно формирует Цукерберг. Участники дискуссии выделяют три типа сделок M&A (слияний и поглощений), характерных для индустрии:
- Aqua-hire (найм через поглощение): Покупка компании ради талантов. В этом случае у стартапа нет реальной корпоративной ценности, и покупатель (например, Google) просто выплачивает сотрудникам бонусы для удержания («золотые наручники») .
- License and Release (лицензирование и освобождение): Покупатель забирает интеллектуальную собственность и ключевых людей, но сама организация-оболочка продолжает существовать . Это позволяет обходить антимонопольные проверки FTC.
- Full Stock Purchase (полный выкуп акций): Классическая сделка, как покупка Slack компанией Salesforce, где инвесторы получают огромную прибыль .
Джордан отмечает, что Scale AI в прошлом году не достигла цели по выручке: вместо ожидаемого 1 миллиарда долларов компания заработала 870 миллионов . Это может указывать на замедление цикла корпоративных продаж и рост конкуренции со стороны синтетических данных.
⚖️ Регуляторные шахматы и «уклонение» от FTC 9:40
Современные гиганты индустрии всё чаще выбирают сделки формата «лицензирование и освобождение», чтобы не попадать под радар Федеральной торговой комиссии (FTC). По мнению Джордана, если Google попытается купить еще одного поискового игрока, FTC заблокирует это из-за монополии . Однако при покупке лицензий на IP и найме сотрудников компания формально остается независимой, что ускоряет процесс одобрения.
В качестве примеров таких «обходных» стратегий Джо и Джордан приводят:
- Сделку Microsoft и Inflection на сумму $650 млн .
- Лицензионное соглашение Google и Character AI за $2,7 млрд, целью которого было возвращение Ноама Шазира (Noam Shazeer) .
- Инвестицию Meta в Scale AI, которая, по сути, является скрытым поглощением талантов во главе с Александром Ваном .
Джо приводит в пример неудачное слияние Adobe и Figma, которое развалилось из-за давления британского регулятора (CMA). Adobe пришлось выплатить комиссию за расторжение сделки в размере 1 миллиарда долларов . Примечательно, что после отмены сделки акции Adobe выросли, так как инвесторы посчитали цену покупки сильно завышенной .
💻 Культура «Bootcamp» в Facebook и внутренние войны за инженеров 27:06
Джо, ранее работавший в Meta (Facebook), описывает уникальную систему адаптации инженеров, известную как «Bootcamp». В отличие от Google, где ориентация может длиться неделями и состоять из просмотра видео , в Facebook новые сотрудники не закрепляются за конкретной командой сразу .
Особенности системы Bootcamp:
- Новички проходят обучение от пары недель до нескольких месяцев.
- В первый же день инженер должен внести реальное изменение (код) в работающий продукт .
- Команды внутри компании соревнуются за лучших новичков, буквально «охотясь» на них во время обедов .
- Сотрудники гордятся тем, что новички иногда случайно «обрушивают» Facebook, обнаруживая скрытые уязвимости .
По мнению Джо, эта агрессивная культура найма является сильной стороной компании, хотя и обходится очень дорого из-за затрат на обучение и менторство .
🍏 Apple против ИИ: критика как признак отставания? 35:58
Обсуждая недавнюю научную статью Apple, в которой утверждается, что LLM не способны к истинному рассуждению, Уэс Рот выражает скепсис. Он считает, что Apple выбирает примеры, которые бьют по известным ограничениям (например, размер окна контекста), но игнорирует случаи, когда модели успешно решают сложные задачи .
Аргументы Уэса Рота против позиции Apple:
- Определение «мышления» или «рассуждения» слишком антропоцентрично .
- Если модель понимает, что задача слишком сложна для её контекста, и создает инструмент на Python для её решения — это и есть форма рассуждения .
- Сторонние исследователи уже опровергли часть тезисов статьи Apple, заставив модель (03 Pro) решить задачу «Ханойская башня» с 10 дисками без использования инструментов .
Джордан выдвигает теорию, что Apple ведет себя так из-за «травмы» Apple Maps 2012 года. Тогда провал навигационного сервиса нанес огромный репутационный ущерб . Тим Кук, будучи перфекционистом, не хочет выпускать «сырой» Siri Intelligence. По мнению Джордана, Apple критикует технологию конкурентов просто потому, что не может довести её до своего стандарта качества вовремя .
🧠 Путь к самосовершенствованию: обучение без наград и самоадаптация 47:06
Участники обсуждают прорывные исследования из Беркли и MIT. Статья из Беркли описывает обучение рассуждению без внешних наград (External Rewards). Вместо этого используется внутренняя уверенность модели.
Джо объясняет механизм: если модель дает много разных вариантов ответа, она не уверена. Если варианты кластеризуются вокруг одного решения — уверенность высока . Обучение на таких «уверенных» ответах (Reinforcement Learning) позволяет модели становиться сильнее без участия человека. Это напоминает «вечный двигатель» в мире данных .
Другая работа (MIT) посвящена самоадаптирующимся моделям. Модель ведет себя как студент: читает учебник, делает заметки, сжимает информацию и обучается на собственных выводах, обновляя веса в реальном времени .
Ключевые выводы по новым методам обучения:
- Уход от ручной разметки: Ценность компаний вроде Scale AI может упасть, так как ИИ научился генерировать и фильтровать данные для собственного обучения .
- Автоматизация исследователей: Anthropic и OpenAI работают над тем, чтобы ИИ мог выполнять задачи среднего ML-исследователя: писать код для экспериментов и подтверждать гипотезы из научных статей .
- Рекурсивное улучшение: Сэм Альтман называет текущее состояние «личиночной стадией» рекурсивного самосовершенствования ИИ .
В завершение Уэс Рот отмечает, что даже если экспоненциальный рост сменится S-образной кривой, это всё равно приведет к колоссальным изменениям в ближайшие годы .
