# Уэс Рот: «Почему Apple критикует ИИ-рассуждения, пока Цукерберг строит суперинтеллект» Источник: https://www.youtube.com/watch?v=1QIVPotRhrw Канал: Wes Roth Опубликовано: 19.06.2025 --- 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 [[JUMP:02:53]] Марк Цукерберг финализирует сделку на сумму 14 миллиардов долларов (наличные в обмен на долю в капитале) с компанией Scale AI [02:53]. 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 [04:11]. 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») [06:08]. * **License and Release (лицензирование и освобождение):** Покупатель забирает интеллектуальную собственность и ключевых людей, но сама организация-оболочка продолжает существовать [07:39]. Это позволяет обходить антимонопольные проверки FTC. * **Full Stock Purchase (полный выкуп акций):** Классическая сделка, как покупка Slack компанией Salesforce, где инвесторы получают огромную прибыль [08:32]. Джордан отмечает, что Scale AI в прошлом году не достигла цели по выручке: вместо ожидаемого 1 миллиарда долларов компания заработала 870 миллионов [21:37]. Это может указывать на замедление цикла корпоративных продаж и рост конкуренции со стороны синтетических данных. ## ⚖️ Регуляторные шахматы и «уклонение» от FTC [[JUMP:09:40]] 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 [10:17]. 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 [17:27]. * Лицензионное соглашение Google и Character AI за $2,7 млрд, целью которого было возвращение Ноама Шазира (Noam Shazeer) [17:40]. * Инвестицию Meta в Scale AI, которая, по сути, является скрытым поглощением талантов во главе с Александром Ваном [18:07]. 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 [12:44]. Примечательно, что после отмены сделки акции Adobe выросли, так как инвесторы посчитали цену покупки сильно завышенной [14:29]. ## 💻 Культура «Bootcamp» в Facebook и внутренние войны за инженеров [[JUMP: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 [34:36], в Facebook новые сотрудники не закрепляются за конкретной командой сразу [27:06]. Особенности системы Bootcamp: 1. Новички проходят обучение от пары недель до нескольких месяцев. 2. В первый же день инженер должен внести реальное изменение (код) в работающий продукт [33:29]. 3. Команды внутри компании соревнуются за лучших новичков, буквально «охотясь» на них во время обедов [31:14]. 4. Сотрудники гордятся тем, что новички иногда случайно «обрушивают» Facebook, обнаруживая скрытые уязвимости [33:54]. По мнению Джо, эта агрессивная культура найма является сильной стороной компании, хотя и обходится очень дорого из-за затрат на обучение и менторство [32:05]. ## 🍏 Apple против ИИ: критика как признак отставания? [[JUMP: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 [38:52]. Аргументы Уэса Рота против позиции Apple: * Определение «мышления» или «рассуждения» слишком антропоцентрично [37:46]. * Если модель понимает, что задача слишком сложна для её контекста, и создает инструмент на Python для её решения — это и есть форма рассуждения [38:25]. * Сторонние исследователи уже опровергли часть тезисов статьи Apple, заставив модель (03 Pro) решить задачу «Ханойская башня» с 10 дисками без использования инструментов [40:40]. Джордан выдвигает теорию, что Apple ведет себя так из-за «травмы» Apple Maps 2012 года. Тогда провал навигационного сервиса нанес огромный репутационный ущерб [40:57]. 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 [45:43]. ## 🧠 Путь к самосовершенствованию: обучение без наград и самоадаптация [[JUMP: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 [49:28]. Обучение на таких «уверенных» ответах (Reinforcement Learning) позволяет модели становиться сильнее без участия человека. Это напоминает «вечный двигатель» в мире данных [52:03]. 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 [55:22]. 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 [54:54]. * **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 [1:02:47]. * **Рекурсивное улучшение:** Сэм Альтман называет текущее состояние «личиночной стадией» рекурсивного самосовершенствования ИИ [1:05:23]. В завершение Уэс Рот отмечает, что даже если экспоненциальный рост сменится S-образной кривой, это всё равно приведет к колоссальным изменениям в ближайшие годы [1:05:49].