Демис Хассабис, сооснователь DeepMind и лауреат Нобелевской премии по химии, представил свое видение пути к сильному искусственному интеллекту (AGI). В беседе на площадке Y Combinator он обсудил трансформацию архитектур современных моделей в полноценных агентов, потенциал ИИ в фундаментальной науке и дал тактические советы фаундерам, начинающим путь в эпоху, когда AGI может появиться прямо в разгаре процесса построения их компаний.
🧠 Архитектура AGI: чего не хватает существующим моделям? 1:56
Современные системы ИИ, основанные на масштабном предварительном обучении (pre-training), RLHF (обучении с подкреплением на основе отзывов людей) и методах «цепочки рассуждений» (chain of thought), по мнению Хассабиса, станут неотъемлемой частью финальной архитектуры AGI . Он уверен, что этот путь не является тупиковым, однако для достижения уровня общего интеллекта не хватает нескольких критических компонентов:
- Непрерывное обучение (Continual learning): способность системы адаптироваться и учиться на новом опыте в реальном времени, не забывая старые навыки.
- Долгосрочное планирование и рассуждение: умение выстраивать сложные стратегии на длительных временных отрезках.
- Улучшенная память: текущие методы работы с контекстным окном Хассабис называет «обмоткой изолентой» (duct tape) .
Спикер проводит параллель с человеческим мозгом, где гиппокамп консолидирует знания во время сна (REM-фаза). Хотя современные модели имеют контекстные окна в миллионы токенов, что формально превышает объем рабочей памяти человека, они работают «грубой силой» . Хассабис считает, что простое увеличение контекста неэффективно из-за вычислительной стоимости поиска нужной информации в этом массиве. Для понимания жизни пользователя в течение месяца или года текущих мощностей контекстного окна по-прежнему недостаточно .
🤖 От чат-ботов к активным агентам 6:21
Хассабис подчеркивает, что DeepMind с самого начала (с 2010 года) фокусировался именно на создании агентов — систем, способных самостоятельно принимать решения для достижения целей . Прошлые успехи в Atari, AlphaGo и StarCraft были этапами этого пути.
Главное отличие агента будущего от современного LLM-интерфейса:
- Активность вместо реактивности: система не просто отвечает на запрос, а активно планирует шаги.
- Интроспекция: Хассабис отмечает, что текущие модели часто «передумывают» (overthinking) или зацикливаются. Например, при игре в шахматы Gemini может увидеть, что ход ошибочен, но, не найдя лучшего варианта, все равно совершает его .
- Преодоление «неравномерного интеллекта»: сейчас ИИ может решать олимпиадные задачи по математике (IMO), но ошибаться в базовых логических выводах. Это указывает на отсутствие глубокого понимания собственных процессов мышления .
По прогнозу Хассабиса, значительный прорыв в полезности автономных агентов произойдет в ближайшие 6–12 месяцев .
📉 Дистилляция и эффективность: «Nano» против «Frontier» 8:18
Одной из ключевых стратегий Google DeepMind является упаковка возможностей огромных моделей в компактные версии. Хассабис утверждает, что их модели серии Flash часто показывают 90–95% качества работы фронтирных моделей при стоимости в 10 раз меньше .
Это открывает путь к гибридным системам:
- Локальные модели: будут работать на мобильных устройствах, очках или домашних роботах, обеспечивая приватность и минимальную задержку.
- Облачные модели: к ним локальный агент будет обращаться только для решения сверхсложных задач .
Именно поэтому Google развивает серию открытых моделей Gemma (более 40 млн скачиваний за первые недели) . Хассабис считает стратегически важным наличие западных стеков с открытыми весами, чтобы конкурировать с сильными китайскими разработками.
🧬 ИИ в науке: «Цифровая клетка» и поиск иголки в стоге сена 28:27
Хассабис называет ИИ «ультимативным инструментом для науки». Его миссия в DeepMind состояла из двух шагов: 1. Решить проблему интеллекта; 2. Использовать его, чтобы решить всё остальное .
AlphaFold уже изменил биологию: по словам Хассабиса, почти каждое новое лекарство сегодня разрабатывается с использованием этой технологии . Следующие цели:
- Материаловедение и математика: поиск новых соединений и доказательство фундаментальных гипотез (например, P vs NP) .
- Виртуальная клетка: создание полной симуляции живой клетки. Хассабис оценивает срок реализации этого проекта в 10 лет . Главным барьером здесь является отсутствие данных: чтобы ИИ мог моделировать клетку, нужны технологии микроскопии, позволяющие наблюдать живую клетку в динамике, не убивая её.
Идеальная задача для ИИ-прорыва, по мнению Хассабиса, должна обладать тремя признаками:
- Огромное комбинаторное пространство поиска (больше, чем атомов во вселенной).
- Четкая функция цели (победа в игре или минимизация свободной энергии белка).
- Наличие симулятора или достаточного объема данных для обучения .
🚀 Советы стартапам: как строить в тени AGI 30:49
Для фаундеров, работающих в сфере Deep Tech, Хассабис дает важную рекомендацию: учитывайте «фактор появления AGI».
- Горизонт планирования: Если ваш путь в глубоких технологиях рассчитан на 10 лет, а AGI (по прогнозу Хассабиса) может появиться к 2030 году, вы должны строить компанию, которая выиграет от его появления, а не будет им уничтожена .
- Защищенность (Moat): Самые устойчивые стартапы возникают на стыке ИИ и физического мира (мира атомов) — медицина, новые материалы, производство. Простая «обертка» над API существующих моделей уязвима перед очередным обновлением Claude или Gemini .
- Междисциплинарность: Лучшие команды сегодня — те, где есть глубокая экспертиза и в машинном обучении, и в предметной области (биологии, химии, инженерии) .
Хассабис резюмирует: работа над сложными, фундаментальными проблемами зачастую не труднее, чем над поверхностными решениями, но она гораздо более значима. «Жизнь коротка, — говорит он, — направьте свою жизненную энергию на то, что действительно изменит мир» .
