В новом выпуске подкаста The Cognitive Revolution ведущий Нейтан Лабенц обсудил стратегии венчурного инвестирования и автоматизацию проектирования электроники с генеральным партнером фонда Benchmark Эриком Вишрией и основателем стартапа Quilter Сергеем Нестеренко. В центре дискуссии — радикальный переход от концепции ИИ-ассистентов (co-pilots) к полной автономности в сложных инженерных задачах, а также анализ устойчивости ИИ-бизнесов. Собеседники разобрали, почему традиционные языковые модели не подходят для работы с физическим миром, как обучение с подкреплением позволяет создавать «сверхчеловеческие» технологии и почему инвестиции в базовые модели могут оказаться финансовой ловушкой.
🚀 Прорыв в Hard Tech: Почему Benchmark сделал ставку на Quilter 3:29
На современном венчурном рынке нет дефицита ИИ-стартапов. По словам Эрика Вишрии, каждый партнер фонда Benchmark встречается примерно с четырьмя-пятью подобными проектами еженедельно. Многие из этих компаний демонстрируют феноменальный рост выручки, опережающий всё, что индустрия видела ранее. Однако фонд Benchmark, инвестирующий на горизонте 5–10 лет, ищет исключительные бизнесы, способные сохранять устойчивость десятилетиями, а не просто переживать кратковременный «сахарный прилив» от хайпа и инвесторских денег.
При оценке стартапов Эрик Вишрия использует фреймворк, основанный на анализе глобальных изменений в мире, создающих фундамент для долгосрочного доминирования компании. В контексте Quilter инвестор выделил несколько ключевых факторов:
- Тотальная электронизация: Электроника проникает во все сферы жизни. Компоненты и печатные платы сегодня интегрируются даже в те бытовые предметы, которые раньше были исключительно механическими, например, в обычные выключатели света.
- Кризис ручного проектирования: Процесс компоновки и трассировки печатных плат (place and route) до сих пор остается невероятно медленным, трудоемким и ручным. Это создает серьезное узкое место, так как скорость итераций напрямую определяет качество конечного физического продукта.
Дополнительным аргументом в пользу Quilter стала жесткая позиция Сергея Нестеренко против доминирующего тренда на создание ИИ-ассистентов (co-pilots). Основатель Quilter утверждает, что проектирование плат — это задача класса «ИИ сделал» (AI and done), а не поле для взаимодействия человека и машины.
Если автоматический инструмент выполняет работу на 90%, оставшиеся 10% превращаются для инженера в кошмар. Ему приходится вручную прокладывать тончайшие дорожки на сверхплотной плате, пытаясь не нарушить уже созданную ИИ геометрию.
По мнению Сергея Нестеренко, правильный подход заключается в полной передаче этой задачи искусственному интеллекту. Пользователю достаточно задать граничные условия и параметры оптимизации — стоимость, производительность или плотность компоновки, после чего система сгенерирует готовый набор решений.
Для Эрика Вишрии готовность Сергея Нестеренко идти против мейнстрима стала подтверждением того, что основатель стартапа глубоко изучил так называемый «лабиринт идей» (Idea Maze). Опыт работы Сергея Нестеренко в SpaceX, где он лично занимался проектированием сложнейших плат, позволил ему протестировать и отвергнуть неэффективные подходы, придя к четкому пониманию необходимых технологических методов.
🧠 Обучение с подкреплением против LLM: Преодоление дефицита данных 13:30
Один из главных вопросов к ИИ-системам в инженерной графике касается ландшафта данных. Традиционный подход, на котором построены современные языковые модели, требует колоссальных объемов информации для обучения. Однако в сфере проектирования печатных плат ситуация принципиально иная.
Сергей Нестеренко указывает на два фундаментальных ограничения классического supervised learning (обучения с учителем) в этой индустрии:
- Дефицит открытых данных: В открытом доступе, включая GitHub, практически нет качественных и сложных топологий плат. Самые ценные и продвинутые архитектуры надежно защищены коммерческой тайной внутри репозиториев Apple, Google или SpaceX.
- Ошибки человеческого опыта: По утверждению основателя Quilter, люди в принципе не слишком хороши в проектировании плат. Процесс создания сложной топологии занимает месяцы, в течение которых инженеры принимают компромиссные решения. В результате платы получаются больше, многослойнее и дороже, чем могли бы быть. Обучение ИИ на человеческих примерах привело бы лишь к копированию этих недостатков.
Вместо этого Quilter делает ставку на обучение с подкреплением (Reinforcement Learning), ориентируясь на опыт победы системы AlphaGo от DeepMind над лучшими гроссмейстерами. Наиболее эффективные современные ИИ-агенты начинают обучение с абсолютного нуля, не имея человеческих данных, и развивают «сверхчеловеческие» навыки исключительно за счет симуляции игровых сессий.
Главным препятствием на этом пути становится проблема разреженной награды (sparse reward problem). Если давать системе сигнал «успех/неудача» только в самом конце, после прохождения всех физических тестов готовой платы, случайный поиск агента никогда не приведет к победе.
Чтобы преодолеть этот барьер, команда Quilter декомпозировала общую задачу на последовательность подзадач:
- На этапе размещения компонентов система рассчитывает их физическую совместимость и исключает коллизии.
- Специальные эвристические алгоритмы оценивают вероятность успешной трассировки на следующем шаге.
- Быстрые промежуточные вычисления соотносятся с финальными физическими ограничениями, обеспечивая ИИ плотный поток сигналов подкрепления.
По прогнозам Сергея Нестеренко, в долгосрочной перспективе компания планирует перейти к единой сквозной разреженной награде, когда вердикт будет выносить исключительно комплексный физический симулятор. Но пока система еще развивается, использование проверенных инженерных эвристик позволяет успешно автоматизировать процессы на уровне хорошего человеческого дизайна.
🔬 Физика без компромиссов: Как ИИ заменяет человека в симуляциях 24:34
Проектирование электроники выгодно отличается от разработки лингвистических моделей тем, что ИИ здесь взаимодействует не с капризным человеческим мнением, а с объективными законами природы. Сергей Нестеренко подчеркивает, что около 80% создаваемых людьми плат содержат скрытые дефекты именно потому, что человек физически не способен просчитать взаимное влияние тысяч компонентов и десятков тысяч проводящих дорожек.
В то же время базовая физика — уравнения Максвелла и законы термодинамики — абсолютно точна и поддается математическому исчислению. Проблема заключается исключительно в вычислительной скорости: полноценное численное решение уравнений Максвелла для сложной системы может занимать до 20 минут. Для ИИ, которому в процессе обучения требуются миллионы итераций, это слишком долго.
Чтобы обойти это ограничение, Quilter комбинирует различные подходы к моделированию:
- Консервативные приближенные модели: Они позволяют вести вычисления быстро, гарантируя работоспособность платы, пусть и с некоторым запасом по эффективности по сравнению с теоретическим максимумом.
- Квазистатическое приближение: Для низкочастотных и низкоскоростных плат физики исключают фактор времени из дифференциальных уравнений, оценивая только взаимную индуктивность и емкость, что радикально ускоряет процесс.
- Финальная верификация: Полноволновое точное моделирование запускается всего один или два раза на заключительном этапе сборки.
Глубина поисковых итераций гибко настраивается под нужды заказчика. Сергей Нестеренко отмечает, что если инженеру нужно быстро проверить работоспособность схемы, ИИ выдаст первый рабочий вариант без глубокой оптимизации за период от нескольких минут до часа. Если же речь идет о плате для массового производства (например, материнской плате iPhone), где экономия одного цента на единицу продукции оборачивается миллионными прибылями, систему можно запустить в режим глубокого поиска на целый месяц.
В текущей коммерческой версии Quilter ориентируется на ограничение «вычисления за ночь» — пользователь загружает схему вечером и получает готовый оптимизированный результат в течение 12 часов. При этом обучение моделей происходит непосредственно во время производственных запусков, прямо на данных загружаемой платы.
Попытки применить к этой задаче популярные диффузионные модели генеративного ИИ, по мнению Сергея Нестеренко, обречены на провал из-за специфики производственных данных. Фабрики получают от разработчиков лишь фотомаски для травления меди, в которых полностью отсутствует контекст проходящих по плате сигналов. Без знания сигнальной структуры рассчитать физику процесса невозможно, поэтому обучение с подкреплением на базе первых принципов остается единственным жизнеспособным путем.
💼 Три касты ИИ-стартапов: Стратегия выживания на венчурном рынке 43:21
Анализируя масштабную волну ИИ-технологий, Эрик Вишрия разделяет все возникающие стартапы на три крупные категории, каждая из которых имеет свои регуляторные риски и инвестиционную специфику.
Базовые модели (Foundation Models)
По оценке генерального партнера Benchmark, компании, разрабатывающие универсальные большие модели, представляют собой одну из самых опасных зон для венчурного капитала.
«Они сжигают колоссальные объемы ресурсов для создания активов, которые обесцениваются с самой высокой скоростью в истории человечества. Вы можете потратить 150 миллионов долларов на разработку модели, а через шесть месяцев кто-то другой воссоздаст аналогичный функционал всего за 5 миллионов», — констатирует Эрик Вишрия.
Именно из-за этой беспрецедентной скорости технологической уценки фонд Benchmark к настоящему моменту принципиально не инвестировал ни в одного разработчика базовых моделей общего назначения.
Инфраструктурные компании (Infrastructure)
К этой группе относятся разработчики аппаратных систем и сервисов инференса, такие как Cerebras (куда Benchmark зашел еще в 2016 году), Groq или Fireworks. Данный сектор демонстрирует отличную динамику и быстро выходит на реальную выручку.
Главный риск здесь, по мнению Эрика Вишрии, заключается в неопределенном сроке жизни решаемых проблем. Индустрия ИИ сейчас находится примерно в той же точке дезорганизации, где веб-разработка находилась в 2002 году. Продукты вроде систем обсервабилити больших языковых моделей (LLM observability) крайне востребованы сегодня, но могут полностью потерять актуальность по мере стандартизации и созревания технологического стека.
Вертикальные ИИ-приложения (Vertical Applications)
Проекты, внедряющие ИИ в конкретные профессиональные ниши (юриспруденция, медицина, бухгалтерия и проектирование плат, как Quilter), показывают самую стремительную динамику доходов. Скептики часто указывают на отсутствие у таких компаний технологических барьеров, утверждая, что простейший аналог можно собрать за выходные на хакатоне. Инвесторы из Benchmark парируют это тем, что устойчивость вертикального бизнеса обеспечивает не сама модель, а глубина ее интеграции и способность продукта накапливать ценность для клиента со временем.
Дополнительным вызовом для индустрии остается глубокий ментальный разрыв между исследователями (AI researchers) и традиционными инженерами. Код, написанный учеными в рамках подготовки докторских диссертаций, отлично доказывает концепцию в лабораторных условиях, но полностью ломается при попытке масштабировать его в продакшене.
Эрик Вишрия приводит в пример жесткое правило одной из женщин-предпринимателей, которая при обнаружении в кодовой базе стартапа алгоритмов от исследователей применяет команду полного удаления rm -rf. Необходимость ручного выстраивания мостов между академической наукой и промышленной разработкой подтверждается и недавним решением Демиса Хассабиса окончательно слить DeepMind с инженерной структурой Google. Современным разработчикам приходится напрямую взаимодействовать со сложными низкоуровневыми инструментами вроде PyTorch и CUDA, что возвращает индустрию программного обеспечения к уровню зрелости баз данных 1970–1980-х годов.
В завершение беседы Эрик Вишрия подчеркнул, что венчурные капиталисты крайне редко сами генерируют жизнеспособные бизнес-идеи. Задача инвестора — вовремя распознать и поддержать одержимых своим делом предпринимателей, которые годами блуждали по «лабиринту идей» и нашли из него правильный технологический выход.
