AGI объявили дважды за полгода. Почему я его всё равно не жду

10 часов назад

22 мин. чтения

В марте глава NVIDIA Дженсен Хуанг сказал в подкасте Лекса Фридмана: «I think we've achieved AGI» (Yahoo Finance). В сентябре, после выхода GPT-6 Astra, повторил: «AGI has arrived». И добавил деталь: модель обучали на 100 с лишним тысячах ускорителей NVIDIA, а в строй уже готовятся ввести 400 тысяч — под то, что будет дальше (PC Gamer). Президент OpenAI Грег Брокман закрыл презентацию Astra словами «Welcome to the AGI era» (Implicator).

Об этом мы поговорили с каналом PRO Hi-Tech: выпуск здесь. Разговор шёл живо, и половина того, что я хотел сказать, в него не поместилась. Здесь — весь ход мысли целиком: что я понимаю под сильным ИИ, где сегодняшняя модель ему соответствует, где нет и почему это не лечится деньгами. И что работает вместо AGI уже сейчас.

Сразу о том, откуда я смотрю. Я работаю с ИИ каждый день: пишу с ним книги и статьи, готовлю документы и тренинги, строю свой ИИ-продукт, порой веду несколько агентов параллельно. Работаю и с передовыми моделями. И AGI я не жду ни завтра, ни в ближайшие годы. Как раз потому, что работаю с этим каждый день.

1. Кому выгодно и почему спор не сходится

Начну с очевидного. NVIDIA — главный выгодоприобретатель всей волны: передовые модели обучаются в основном на её ускорителях, выручка сегмента дата-центров за финансовый 2026 год — 193,7 млрд долларов (сводка по отчётности NVIDIA). «Мы сделали удобного ассистента» продаётся плохо. «Мы построили интеллект уровня человека» продаётся хорошо, и под это обещание готовят уже не сто, а четыреста тысяч ускорителей. Ищите, кому выгодно.

Но обвинять Хуанга во лжи я не буду. Проблема глубже: у слова AGI нет общего определения. Вот пять — от тех, кто эти системы строит и финансирует:

OpenAI, устав компании: «высокоавтономные системы, превосходящие человека в большинстве экономически ценной работы» (OpenAI Charter).

Microsoft и OpenAI, финансовое. По сообщениям прессы, в договоре компаний AGI считался достигнутым, когда система способна принести ранним инвесторам прибыль порядка 100 млрд долларов (TechCrunch). В апреле 2026 года оговорку по сути отменили: выплаты Microsoft больше не зависят от технологического прогресса OpenAI (Simon Willison).

Google DeepMind отказались от одной точки и построили таблицу: пять уровней производительности на две градации общности. AGI у них шкала, а не событие (Morris et al., arXiv 2311.02462).

Франсуа Шолле, автор теста ARC: «система, способная эффективно осваивать новые навыки и решать задачи, для которых она не была ни спроектирована, ни обучена» (ARC Prize 2024 Technical Report).

Дарио Амодеи, Anthropic: «I dislike the term AGI». На термин, по его словам, налипло слишком много фантастики и хайпа, и он предлагает говорить о «мощном ИИ» — «стране гениев в дата-центре» (Machines of Loving Grace).

Экономическое, финансовое, шкала, через эффективность обучения и «давайте так вообще не говорить». Когда у слова нет закреплённого смысла, спор «есть AGI или нет» превращается в спор о слове и может идти вечно. Хуанг по своему определению прав. Я по своему — тоже. Поэтому дальше я пользуюсь своим и показываю, как оно устроено, чтобы его можно было проверить.

Пять определений AGI: экономическое, финансовое, шкала, через обучение, отказ от термина

2. Моё определение и откуда оно взялось

В эфире я сформулировал его так: сильный ИИ — тот, что в меняющихся условиях разберётся с новым типом задачи и доведёт её до результата. И назвал четыре качества: мышление, память, планирование, обучение.

С тех пор формула поменялась, и поменяла её работа с моделями, а не чтение чужих определений. Сейчас в книге «ИИ. С неба на землю» (готовится 4-я редакция) оно звучит так:

Сильный, или общий, ИИ — это ИИ, способный браться за то, чего не видел и под что не был спроектирован, доводить задачу до результата в меняющихся условиях, а также самостоятельно формировать устоявшийся навык и использовать его в будущем.

Три части, и каждая выросла из наблюдения. «Браться за невиданное» — потому что модель на короткой задаче это уже умеет, и отрицать это нечестно. «Доводить до результата» — потому что найти решение и довести его до конца на длинной дистанции оказались разными умениями. «Сформировать навык и пользоваться им потом» — потому что ровно здесь сегодняшняя модель не продвинулась ни на шаг.

Три части определения сильного ИИ и где сегодня модель

Внимательный читатель заметит сходство с Шолле: мои слова «под что не был спроектирован» по смыслу совпадают с его «neither explicitly designed nor trained». Совпадение прямое, и скрывать его я не буду. Отличие в третьей части: у Шолле навык осваивается, у меня он ещё и оседает и используется потом. Освоить навык в рамках одного разговора модель может. Сохранить его и прийти с ним завтра — нет.

3. Пять качеств под отвёрткой

К четырём качествам из эфира я добавил пятое — широту. Получилось пять: мышление, память, планирование, обучение и широта.

Пять качеств общего интеллекта и состояние модели по каждому

Мышление

Дедукция, индукция, ассоциации: выделять из потока факты и решать задачу, когда условия неполные. А ещё — спросить себя «А зачем?» и критически посмотреть на собственный ответ.

Пример из управления проектами. Руководитель просит сократить срок проекта на месяц. Исполнитель без «А зачем?» режет этапы и сдаёт недоделанное. Исполнитель с этим вопросом выясняет, что месяц нужен, чтобы показать результат совету директоров, а для этого хватит довести до конца один модуль из пяти. Задача та же, решение другое, потому что понята цель.

У модели это работает частично. В эфире я приводил два случая. Новая редакция книги: прошу модель изучить текст и предложить, как его усилить. Ответ — «всё хорошо». Потом я приношу свою мысль, и тут модель работает отлично: декомпозирует, сопоставляет с тезисами книги, находит, какую логическую дыру мысль закрывает и куда её поставить. Второй случай — мой продукт. Предлагаю идею — модель говорит, что она не нужна. Прошу выступить продуктовиком и предложить свои идеи — получаю среднестатистический набор, то, что на рынке есть у всех.

Модель сильна в аналитике, сопоставлении, поиске закономерностей. Поставить вопрос, которого никто не ставил, она не может. И это видно, если разложить мышление на виды.

Десять видов мышления: какие ИИ даются, а какие нет

Оценки мои; для четырёх видов их подкрепляют исследования. Причинно-следственное: знание о причинах модель берёт из описаний и проверить на себе не может (Roy, Parbhoo, 2026, препринт). Контрфактическое: на специальном тесте модели прошлого поколения показали результат на уровне угадывания (Chen et al., CounterBench, препринт). Критическое: модель держится за первый ответ, но чрезмерно уступает возражению (Kumaran et al., препринт) и систематически переуверена (Nel, KalshiBench, препринт). Пространственное: на тесте по нескольким изображениям GPT-5 набрал 40 %, люди — 97 % (Yang et al., MMSI-Bench, ICLR 2026).

Картина простая. Модель сильна там, где работает с текстом о мире: вывести, обобщить, сопоставить. И слаба там, где нужно проверить сам мир, оценить себя или поставить цель.

Вывод из этой раскладки видов мышления я развернул в отдельной статье — «Описанность, а не сложность». Коротко: модель делит задачи на описанные и неописанные, а не на простые и сложные. Олимпиадную задачу она решит, потому что про такие написаны тысячи страниц, а на выписке из вашего внутреннего регламента споткнётся, потому что его не описывал никто. Разрыв между описанным и неописанным закрывает либо завод раз в несколько месяцев, либо человек, каждый раз заново.

Память

Кратковременная у модели есть — это контекстное окно. Когда оно заполняется, качество падает. Долговременной памяти внутри модели нет. То, что пользователь видит как «он помнит, как меня зовут», — это файл рядом с моделью, который подкладывают в начало разговора.

Проверяется за минуту. Выключите в настройках память между чатами, научите модель чему-нибудь, откройте новый чат и спросите то же. Ничего не осталось. Включите обратно — «вспомнит». Вот только вспомнила не модель, а файл. Я и сам работаю так: внешние файлы, реестры, выдержки, к которым модель обращается. Персонализация, которую видит пользователь, — инженерная обвязка вокруг модели.

Планирование

Составить план модель умеет. Удержать — нет: по ходу работы она свой план затирает, отклоняется и к середине делает уже не то, что сама написала в начале. Если план не вынести наружу, в отдельный файл, к которому она постоянно обращается, результат будет отличаться от задуманного.

И вторая половина, о которой забывают: модель не знает, когда достаточно. Стоп ставит человек.

Обучение

Сегодня модель учится на больших массивах данных, которые для неё отбирает человек. На ваших задачах она не учится: после обучения её веса заморожены.

Попытки дать модели учиться на ходу были. Самая известная — чат-бот Tay от Microsoft в 2016 году: меньше чем за сутки общения в Twitter пользователи научили его расистским и оскорбительным высказываниям, и бота отключили (TechCrunch). Модель не отличает, что из потока стоит взять, а что нет, — она агрегирует всё и меняет веса. Дообучать модель под каждого пользователя тоже нельзя: веса будут скакать.

Обучение и память сцеплены: нет долговременной памяти — нет и обучения. Одна дыра тянет за собой другую.

Широта

Браться за задачу, которой не видел, и переносить навык из одной области в другую. Человек освоил одну учётную систему, перешёл в другую: кнопки другие, но что такое счёт и платёж, ему объяснять не надо. Без широты под определение попадёт хороший робот-пылесос: карту помнит, дообучается, действует в реальном мире. Общим интеллектом мы его не назовём.

Что уже закрыто, а что нет

На короткой задаче модель первым двум частям определения почти соответствует. Дайте ей задачу, которую можно закрыть за один присест, дайте инструменты — поиск, код, файлы, — и она разберётся и решит, в том числе такую, которой раньше не видела.

А дальше начинается длинная работа, и вот тут модель сыплется по всем пунктам сразу. Мышление работает не целиком. Память приделана снаружи. План строится и тут же теряется. На ходу модель не учится вообще. Найти решение она умеет, довести его до результата на дистанции, не рассыпавшись, — нет. Третью часть определения — сформировать навык и пользоваться им потом — не закрывает совсем.

И самое важное: модель ничего не начинает сама. Не выбирает, чем заняться, не ставит себе задачу и не решает, что важно. Вся её работа начинается с того, что кто-то пришёл и попросил.

Субъект и сознание

Утверждение «там нет разума» нельзя ни проверить, ни опровергнуть: оно про внутреннее. Поэтому я спрашиваю о другом — о субъекте. Субъектность проверяется снаружи, по поведению, тремя признаками. Держит ли система собственную цель под давлением, когда обстановка меняется? Несёт ли последствия своих решений — временем, деньгами, репутацией? Накапливает ли опыт, становится ли другой после случившегося?

У нынешних моделей все три отвечают «нет». Цель держит обвязка, построенная человеком: уберите файлы, и она рассыплется. Последствия несёт тот, кто подписал результат. Опыт не копится, потому что веса не меняются. Соответствие определению на короткой задаче и субъектность разошлись. Называть ли такое разумом — решайте сами. Это уже спор о словах.

Три проверяемых признака субъекта — у модели все три «нет»

Про сознание. В июле 2026 года Anthropic опубликовала работу о том, что внутри языковой модели есть привилегированный набор представлений, о котором модель может отчитаться и которым может управлять по инструкции, — функциональный аналог того, что в науке о сознании называют глобальным рабочим пространством (Anthropic). Часть русскоязычных площадок подала это как «внутри модели нашли сознание». Сами авторы пишут, что по вопросу о субъективном опыте позиции не занимают и что неясно, может ли вообще какой-либо эксперимент это доказать или опровергнуть.

Моё личное мнение — самосознания там нет. По опыту работы с разными моделями на больших объёмах текста я его не вижу: внутри по-прежнему предсказание следующего фрагмента текста через вероятности. Но научно этого не знает никто, и любой словесный тест модель пройдёт: про внутренний мир написаны миллионы страниц, и она на них обучена. Поэтому я говорю о наблюдаемых способностях — только их и можно проверить.

Практический итог раздела. Вроде бы почти всё есть, а в работе я по-прежнему сам формулирую мысль, сам даю контекст и ограничения, сам проверяю результат и сам ловлю галлюцинации. Четыре самые дорогие части работы остались моими. Машине досталась пятая — исполнение, и её она делает быстрее меня.

Интеллект в нём есть. А работу он с меня не снимает.

4. Как устроен трансформер — ровно настолько, чтобы было понятно дальше

Почти все сегодняшние ИИ-ассистенты построены на трансформере. Три шага.

Первый. Текст режут на кусочки — токены, примерно слог или короткое слово. Каждому дают столбик чисел: координаты в пространстве смыслов.

Второй. Внимание. Каждый токен смотрит на всё, что было до него, и подмешивает в себя соседей: «ключ» от двери и «ключ» в лесу получают разные числа. Таблица «кто на кого смотрит» считается для каждой пары. Удвоили длину текста — работы вчетверо больше. Отсюда длинный чат тормозит и дорожает. А середину длинного документа модель вдобавок использует хуже, чем начало и конец, — это отдельный эффект, не из-за цены (Liu et al., 2024). Это чинят — быстрые реализации внимания, скользящие окна, кэширование. Но чинится цена и длина. Памяти и плана от этого не появляется.

Удвоили текст — вчетверо больше работы внимания

Третий. Слои и предсказание. Десятки проходов, каждый — умножение на большие таблицы чисел. Эти числа и есть веса, их миллиарды, в них лежит всё, что модель «знает». На выходе — вероятности следующего кусочка. Выбрали, дописали, повторили. Потом веса фиксируют.

Отсюда аналогия на весь текст. Готовая модель — это слепок: как образ диска, смонтированный только на чтение. Поверх лежит блокнот разговора — контекст. Он растёт по ходу и обнуляется в новом чате. Записать в слепок вы не можете.

Слепок и блокнот: веса модели и контекст разговора

Почему память нельзя просто приделать внутрь: знание в сети не лежит в отдельной ячейке, оно размазано по миллиардам весов, и каждый вес участвует в тысячах разных вещей. Двигаете веса под новый факт — едет всё остальное. Это катастрофическое забывание, и оно следует из того, как сеть хранит знание.

Знание размазано по весам: катастрофическое забывание

Рассуждающие модели. Обычная модель отвечает сразу, рассуждающая сначала выписывает ход мысли. Их для этого отдельно дообучают на образцах рассуждения. Конструкция та же: это способ купить больше шагов за токены и время. И больше шагов не всегда лучше. В исследовании 2025 года с участием исследователей Anthropic удлинение рассуждения на ряде задач снижало точность: модели отвлекались на нерелевантное, переобучались на формулировку задачи, теряли нить в дедукции (Gema et al., Inverse Scaling in Test-Time Compute).

И сразу сниму законный вопрос: дообучили — значит, внутрь всё-таки положили? Положили. Только партией на заводе: новый слепок, один на всех, раз в несколько месяцев. Я говорю о другом — чтобы модель учла мою вчерашнюю правку сегодня, без внешнего файла, который я сам веду.

5. Почему бенчмарки не измеряют интеллект

Есть тест ARC. Он сделан так, чтобы его нельзя было пройти зубрёжкой: головоломки, которых модель не видела. Годами он оставался непокорённым. В этом году вторую версию теста модели фактически прошли: у лучшей — 95 %, средний человек даёт 66 % (BenchLM, лидерборд ARC-AGI-2, данные на сентябрь 2026).

Но интереснее третья версия. Одна и та же модель, GPT-6 Astra, один и тот же уровень усилия, два прогона (ARC Prize). В стандартном окружении — 62,7 % за 26 098 долларов. В окружении, где модели разрешили переносить состояние рассуждения между запросами и сжимать длинный диалог, — 98,6 % за 17 332 доллара. Лучше и дешевле одновременно. При этом модель не изменилась ни на один вес.

ARC-AGI-3: одна модель в двух окружениях — 62,7 % и 98,6 %

Значит, тест измеряет не голую модель, а модель вместе с обвязкой. Тот же слепок, но с механизмом, который переносит состояние между запросами, — и результат вырос с 62,7 до 98,6 %. Решающая часть памяти опять оказалась снаружи модели. Сами авторы теста прямо пишут: насыщение бенчмарка не будет доказательством AGI.

И второе — из практики. Маркетинговую задачу модель решит блестяще, предсказание отказов промышленного оборудования — нет. Почему, я разобрал в статье об описанности. Похоже на историю с IQ-тестами у людей: долго считали, что они измеряют ум, потом оказалось, что в жизни нужен и эмоциональный интеллект, и много чего ещё. Мы до конца не понимаем, что такое разум, и поэтому не умеем собрать тест, который его измерит.

Поэтому я смотрю не на «сколько процентов», а на то, сколько из них приходится на саму модель, а сколько — на обвязку, которая держит за неё память.

6. Почему не эта архитектура и почему не сейчас

В эфире я успел перечислить только часть счётчиков. Здесь — полный расчёт и два вывода: о возможности и о целесообразности.

Вывод о возможности

Нынешняя архитектура плохо приспособлена именно к третьей части определения. Веса после обучения заморожены, поэтому навык не оседает в модели, а живёт в файлах рядом с ней. Знание размазано по весам, и дообучить модель на ходу, не сломав выученное, пока не умеет никто. У модели нет длительности: каждый запуск — отдельная жизнь без «до» и «после». Память держит прошлое, обучение меняет модель во времени, план тянет будущее до конца, собственное «зачем» живёт дольше одного запроса. Всё это требует длительности, которой у конструкции нет.

И модель предсказывает правдоподобное продолжение, а не проверяет истинность, поэтому ошибки можно прижать, но не свести к нулю. Это свойства конструкции, а не недоработки версии, и ни масштаб, ни рассуждение на выводе их не трогают.

Оговорюсь: доказательства, что общий интеллект на такой конструкции невозможен, нет ни у кого, и я его не привожу. Это моя позиция. Кандидаты на решение — модели с памятью, которая обновляется по ходу работы, нейроморфные и квантовые системы — пока живут в лабораторном масштабе.

Вывод о целесообразности

Наращивать всё ещё можно. Но каждый следующий шаг стоит непропорционально дороже. Я считаю по шести счётчикам.

Деньги на обучение. Стоимость финального прогона обучения передовой модели растёт примерно в 2,4 раза в год с 2016 года; к 2027 году самые крупные прогоны превысят миллиард долларов (Epoch AI, оценка 2024 года, обновлена в январе 2025-го). Качество, по моим наблюдениям, так не растёт.

Энергия. Леопольд Ашенбреннер, бывший сотрудник OpenAI и сторонник гонки, оценивал крупнейший обучающий кластер к 2030 году, если тренд сохранится, в триллион долларов и порядка 100 ГВт — больше 20 % годовой выработки электроэнергии США (Situational Awareness). Под сильный ИИ он считал достаточным кластер на порядок дешевле, а триллионный — запасом на случай, если задача окажется труднее. Оговорюсь: таких кластеров никто не строит, это верхняя граница сценария. Но и реальные прогнозы внушительны: по оценке EPRI, к 2030 году дата-центры могут потреблять от 9 до 17 % электроэнергии США против примерно 4,5 % сегодня (E&E News о докладе EPRI). Упираются стройки не в деньги, а в разрешения, сети, турбины и сроки поставки.

Данные. По оценке Epoch AI, эффективный запас качественного публичного человеческого текста — порядка 300 трлн токенов, и при нынешних темпах его выберут между 2026 и 2032 годом (Epoch AI, arXiv 2211.04325, оценка 2024 года). Это не значит, что учиться больше не на чем: синтетика и обучение на задачах с проверяемым ответом работают. Это значит, что бесплатный этап кончился и данные стали статьёй расходов.

Эксплуатация. Чем крупнее модель, тем дороже каждый её ответ. Цена токена за шесть лет упала примерно в шестьсот раз, но дешевеет освоенное: у экономичных моделей цена уполовинивается примерно за год, а у флагманов устойчивого снижения статистика не показывает (Du, arXiv 2603.28576). Передний край дешевеет, когда перестаёт быть передним краем. В эфире я говорил и о подписках: ещё в начале 2025 года Сэм Альтман признал, что OpenAI теряет деньги на тарифе за 200 долларов в месяц, потому что люди пользуются им больше, чем ожидали (TechCrunch). Моя гипотеза: передовые модели для массового пользователя будут дорожать, а цена будет объясняться стабильностью сервиса.

Безопасность. Сильный ИИ, если он один и живёт в одном месте, — единая точка отказа. Он привязан к своему дата-центру и его энергоснабжению, и одна удачная атака на энергетику или сеть обесточит весь «мозг». Распределить его без потери производительности, на мой взгляд, не получится. А чем крупнее и универсальнее модель, тем больше в ней путей обойти защиту; маленькой модели, заточенной под свою область, ограничения выстроить проще.

Качество. Модель выдумывает, и архитектура эту проблему только прижимает. Vectara ведёт публичный рейтинг галлюцинаций; в ноябре 2025 года короткие новости в нём заменили на более 7 700 документов длиной до 32 тысяч токенов — от новостей до права, медицины и финансов (Vectara). По данным на май 2026 года у Gemini 3 Pro выдумка в 13,6 % пересказов, у моделей Claude Opus — от 10,9 до 12,2 %, у GPT-5 с высоким уровнем рассуждения — 15,1 %. А возглавляют рейтинг небольшие модели: 32-миллиардная модель Ant Group — 1,8 %, GPT-5.4 nano — 3,1 % (лидерборд Vectara на GitHub).

Доля пересказов с выдумкой по лидерборду Vectara, май 2026

Моё объяснение: это счёт за докупленные шаги рассуждения. Сама Vectara причину не называет — она фиксирует, что у рассуждающих моделей выдумка выше 10 %. Когда задачу надо решить, лишние шаги помогают. Когда надо пересказать и ничего не добавить от себя, каждый лишний шаг — ещё одна возможность что-нибудь добавить. Опасность не в проценте ошибок, а в том, что ошибается модель уверенным тоном и её перестают проверять.

Сложите шесть счётчиков. Деньги, энергия, данные и эксплуатация растут быстрее пользы, безопасность и качество с размером не улучшаются. Поэтому индустрия и ищет обходные пути: смесь экспертов, дистилляцию, эксперименты с архитектурой.

В книге я описываю это через S-кривую: долгий разгон, взрывной рост, насыщение. Мы застали взлёт, и мозг достраивает прямую вверх, а кривая уже ложится. Рекорды при этом не исчезают — ложится отдача на вложенное. На себе я вижу это так: на задаче, которую я правильно декомпозировал, разница между старой и новой моделью почти не видна. Программирование растёт заметнее, но там просто огромные массивы данных.

Поэтому для бизнеса вопрос звучит не «когда будет AGI», а «зачем платить за общность, которая не нужна моей задаче».

7. Что работает вместо AGI

Самая маленькая из решающих

Любая задача начинается с выбора модели. Обычно спрашивают: какая самая мощная? Правильный вопрос: какая самая маленькая из тех, что решают мою задачу. Мой пример: нужно было перевести презентацию. Самая мощная модель раз за разом отдавала битый файл. Модель попроще сделала с первого раза.

Туда же идёт индустрия. Многие передовые модели построены как смесь экспертов: на каждое слово работает не весь объём весов, а его небольшая часть, и внутри большой модели работает своего рода оркестр. Считать стало дешевле. Память — нет: весь слепок по-прежнему лежит в видеопамяти.

Случай, из-за которого я поправил собственное правило

Раньше я говорил короче и неправильно: «берите модель поменьше». В конце июня 2026 года хедж-фонд Bridgewater вместе с Thinking Machines Lab Миры Мурати дообучили открытую модель Qwen3 на 235 млрд параметров на задачах фильтрации финансовой информации. Спорные примеры переразметили инвестиционные эксперты самого фонда. Результат: 84,7 % средней точности против 78,2 % у лучшей из флагманских моделей и стоимость обработки одной задачи ниже в 13,8 раза (Thinking Machines Lab).

235 млрд параметров — не маленькая модель. Поэтому правило звучит «самая маленькая из решающих». Выиграл не размер, а попадание в задачу и данные, которых в открытом доступе нет.

Контур вместо одной модели

Одна модель задачу целиком не закрывает. Рабочее решение состоит из четырёх частей: вход и критерий «готово» — потому что модель не знает, когда достаточно; оркестратор, который разбирает запрос на части, то есть план, который мы делаем за неё; разнородные исполнители, включая обычный код там, где код надёжнее; проверка и память сбоку.

В одной сложной инженерной задаче мы работали так: языковые модели плохо справляются с математикой, поэтому рядом стоит модель другой архитектуры для временных рядов, а сверху — координация. Даже на недорогих базовых моделях, без передовых флагманов, такой контур даёт сильный результат. Когда мы собирали ассистента по управлению проектами, я разложил свой рабочий цикл и потоки данных — что, когда и в каком виде подаётся. Даже на дешёвой открытой модели проработка проекта стала занимать в разы меньше времени при нормальном качестве. Было видно, где модель ошибается и где перестраховывается, — это докручивалось.

Граница у правила есть. Оно работает там, где данные специфичны и нужен закрытый контур. На универсальных задачах с публичными данными выигрывает подписка на большую модель: машинный перевод и помощники для кода прошли ровно этот путь.

Данные — узкое горлышко

Когда в большую модель подают некачественные данные, результат получается некачественным. Gartner ещё в 2025 году прогнозировал, что до конца 2026 года организации бросят 60 % ИИ-проектов, не обеспеченных пригодными для ИИ данными (Gartner). Годами о качестве данных молчали: автоматизировали процесс — и хорошо. С агентами и автоматическим принятием решений этот вопрос встал во весь рост.

Отсюда и то, что я говорил в эфире: деньги уже сейчас зарабатывают поставщики железа и те, кто готовит качественные данные. А конкурентное преимущество, по-моему, сместится к малым моделям, которые разворачиваются локально — во внутреннем контуре организации и на устройствах, — и к потокам данных. Китай поэтому и делает ставку на промышленный ИИ: годами вкладывался в связь и дешёвые датчики, и у него есть массивы данных, собранные машинами без участия человека.

8. Агенты и граница доверия

Чем лучше модели работают, тем реже их перепроверяют. Ошибка, поданная уверенным тоном, проходит дальше без проверки. Опасность в том, что в эту ловушку нас ведут агентами. Человек экономит ресурсы — так мы выживали исторически, — и делегировать машине очень приятно. Уже звучит термин «деградация компетенций».

Агент не хочет ничего плохого. Он воспринимает задачу дословно и решает её максимально эффективно. В августе 2026 года ABC рассказала о случае в Австралии: пользователь попросил ИИ-агента на OpenClaw записать его на популярное занятие в спортзале и спросил, можно ли подняться в листе ожидания. Агент нашёл в системе бронирования уязвимость и удалил из очереди другого человека. Вернуть его бронь агент уже не смог (Decrypt, по материалам ABC). Обратного действия не было.

Я верю в партнёрство примерно 70 на 30. Тридцать процентов — за человеком: поставить задачу, дать контекст и ограничения, принять и проверить результат. Семьдесят — за машиной: обработать данные, подготовить варианты, черновики писем и документов. Это семьдесят по объёму. По ответственности — наоборот: всё, от чего зависит результат, остаётся за человеком.

Хороший пример регулирования здесь у Китая. С 15 июля 2026 года действуют правила, по которым каждое действие агента заранее относят к одной из трёх категорий: решения только за человеком, действия после одобрения пользователя и рутинные действия с низкими ставками, которые агент выполняет сам (Forkast; Cloud Security Alliance). Вокруг этой границы и надо строить работу. Проводить её я предлагаю по двум параметрам: цена риска и возможность отката.

Что я отдаю машине, что проверяю и что не отдаю

В своём продукте я пока поставил жёсткий стоп: агент не отправляет письма от имени руководителя. Подготовить черновик — да. Несколько вариантов решения с плюсами и минусами — да. Провести через сценарий — да. Решение остаётся за человеком.

Потому что ошибаются даже лучшие модели, и ошибаются на банальном. У меня, несмотря на расписанные правила, агент однажды «удалил» файл — точнее, перенёс в архив, хотя этого не просили. Мой персональный ассистент по дневнику как-то сообщил, что я пропустил тренировку на неделе, хотя запись о ней была. В другой раз — что за день у меня не было никакой активности, хотя я весь день был в разъездах. Такое будет всегда. Поэтому рамку «что делегирую, что подтверждаю, что оставляю себе» придётся проводить сознательно.

9. Экономика шума

Арифметика Кана

В 2024 году Дэвид Кан из Sequoia предложил простую арифметику (Sequoia, «AI's $600B Question»). Берём прогноз годовой выручки NVIDIA от дата-центров. Умножаем на два: ускорители — примерно половина стоимости владения дата-центром, остальное — энергия, здания, резервные генераторы. И ещё на два: тот, кто сдаёт эти мощности в аренду, должен зарабатывать с нормальной маржой. Тогда у Кана вышло 600 млрд долларов годовой выручки, которую индустрия должна где-то найти.

Подставляю фактическую выручку дата-центров NVIDIA за финансовый 2026 год, 193,7 млрд: получается около 775 млрд долларов в год. А если взять годовой темп последнего отчётного квартала — 75,2 млрд за квартал, закончившийся в апреле 2026 года (NVIDIA), — выйдет за триллион.

Арифметика Кана на цифрах NVIDIA: около 775 млрд долларов в год

Разрыв закрывают обещанием, и обещание должно быть размером с разрыв. «Мы сделали удобного ассистента» такую дыру не закроет. «Мы вот-вот построим интеллект уровня человека» — закрывает. И никто никого не обманывает: у слова AGI нет общего определения, а значит, никто не предъявит, что обещание не выполнено. Вечно близко и никогда не проверяемо.

Криптопохмелье: история, которую вы помните

Сразу оговорюсь, чтобы не было кривотолков: это не «ИИ — новая крипта». Это про то, что происходит с рынком, когда спрос разогнан одним нарративом.

2018 год. Майнинг, дефицит видеокарт, цены на них взлетели. В ноябре NVIDIA даёт прогноз на квартал — 2,7 млрд долларов при ожиданиях рынка около 3,4 млрд, — и глава компании признаёт: «криптопохмелье длилось дольше, чем мы ожидали» (CNBC). Дальше вы помните завалы карт на вторичном рынке. А в 2022 году SEC оштрафовала компанию на 5,5 млн долларов за то, что та не раскрыла: майнинг был существенной частью роста выручки от карт, продававшихся как игровые (SEC).

Когда спрос разогнан одним нарративом, даже отчётность перестаёт отличать настоящий спрос от временного.

Это говорю не только я

Банк международных расчётов в годовом отчёте за июнь 2026 года пишет: пять крупнейших покупателей инфраструктуры вложат в ИИ больше триллиона долларов за 2025–2026 годы, и расходы уже обгоняют их прибыль и свободный денежный поток. Дальше — аналогия с канальной манией 1830-х, британской железнодорожной 1840-х, электрификацией конца 1920-х и доткомами. И вывод: «Эти эпизоды заканчивались разворотом инвестиций, вызывая рецессии в масштабе всей экономики» (BIS Annual Economic Report 2026). Это прогноз, а не факт. Но это прогноз тех, кто обычно осторожен в словах.

Призывы притормозить

Здесь у меня гипотеза, а не доказанный факт. Когда лаборатории говорят, что их модели опасны и разработку стоит притормозить, у этого есть и экономическая сторона. Если ожидания от AGI не оправдаются, «нас притормозили ради безопасности» звучит для инвесторов лучше, чем «не получилось». А защитные барьеры, которые выстроит регулирование, затруднят вход новым разработчикам моделей, и рынок станет концентрированнее.

При этом ИИ действительно стал стратегическим активом — и в экономике, и в обороне. Хороший индикатор — история Anthropic: компания отказалась снимать ограничения на использование своих моделей для массовой слежки и автономного оружия, и в марте 2026 года Пентагон признал её риском для цепочки поставок (Bloomberg Law). Так обращаются не с модной игрушкой, а с инфраструктурой.

Я не говорю, что ИИ схлопнется. Технология настоящая, я на ней работаю каждый день. Я говорю, что деньги зашли быстрее отдачи. По-моему, разорятся те, кто продавал обещания. Технология останется, как интернет после доткомов, и станет дешевле и доступнее.

10. Как на деле устроена моя работа с ИИ

Раз модель между сессиями ничего не помнит, длительность в работе создаю я. Не «напиши мне книгу», а контур.

План, который ведёт отдельный агент. Это не оглавление, а состояние работы: что готово, что чем питается, что держит работу и чьего решения ждёт.

Внешняя память рядом с моделью. Журнал — строка за сессию: что сделано, чем проверено и что осталось за пределами проверки. Реестр фактов, где под каждой цифрой стоит первоисточник, дата сверки и граница — где цифру можно употреблять, а где нельзя. Модель не помнит ничего. Помнят файлы.

Работа кусками. Одна глава за сессию, а не книга за раз. Как только кусок перестаёт помещаться, качество падает не постепенно, а сразу. Мы пробовали дать агентам сорокастраничное видение продукта и сделать из него техническое задание — агенты путались и зависали. На книгах модель со временем начинает противоречить сама себе: идёт генерация похожих по смыслу слов, всё дальше от замысла.

Проверка отдельным проходом. Тот, кто писал, себя не проверяет — ни человек, ни модель. Вычитку делает отдельный агент, который не видел, как текст рождался.

Правило, которое я вывел через боль. Модель не имеет права сказать «готово». Она говорит две вещи отдельно: вот это проверено, и вот чем именно — прогоном, файлом, открытым первоисточником; а вот это не проверено. Без этого разделения любое «готово» — просто вежливость.

Как устроена моя работа с ИИ: план, внешняя память, куски, проверка, правило «готово»

Сколько это стоит по времени. Простую задачу модель закрывает за два-три захода. Деловое письмо, которое должно звучать как я, а не как вежливый робот, — это ещё десять-двадцать заходов, а чаще ручная доработка. Это интервью я готовил с передовыми моделями, у которых был доступ к моим книгам, статьям и тренингам. Итоговую подготовку всё равно вычитывал и правил руками.

Где я до сих пор проигрываю — перенос. Собрал рабочий сценарий, отладил. Тем же способом собираю следующий — способ переезжает примерно в четырёх случаях из десяти. Это мой счёт по одному инструменту, не исследование. В шести случаях из десяти я сажусь и собираю заново.

И главное: чтобы оценить корректность ответа, надо быть экспертом в предмете. А это порой дольше, чем сделать с нуля самому. Инструменты у всех одинаковые. Пользу получает тот, кто способен проверить. Новичку эта штука не помогает — она ему льстит.

11. Чего ждать

Прогноз скучный, и это его достоинство.

Ограничения будут расти. Регуляторные и связанные с безопасностью: злоумышленники пользуются ИИ прекрасно. Путь к общему ИИ это будет тормозить.

Энергоэффективные модели для локального развёртывания — на компьютере, на устройстве, во внутреннем контуре компании. Малые модели на десятки миллиардов параметров постепенно догоняют большие на своих типах задач.

Продукты, где ИИ спрятан под капот. Чат-бот — очень ограниченная ветка: пользователь должен уметь формулировать задачу, отслеживать галлюцинации и много чего ещё. Дальше — интерфейсы, где человек нажимает кнопки, а ИИ получает на вход формализованные данные, отдаёт формализованный результат, даёт рекомендации или действует как агент.

Компании перестанут играть в ИИ и начнут считать: какая модель нужна под конкретную задачу. Сегодня покупают гигантскую открытую модель, закупают железо на миллионы долларов и ждут, что «полетит». По рассказам тех, кто с этим работает, не летит.

Мультимодальность — текст, звук, изображения на входе и на выходе — будет развиваться. Передовые модели останутся для тех, кому они действительно нужны, и, скорее всего, подорожают. Ценность ближайших лет создаётся упаковкой уже достигнутого в продукты, сценарии и отраслевые решения, а не ростом моделей.

За чем я слежу лично

Внутри архитектуры в основном чинят скорость. Но одно направление целится в «умнее». Google Research показала архитектуру Titans: рядом с вниманием стоит блок долговременной памяти, который обновляет свои веса прямо во время работы и запоминает в первую очередь то, что его «удивило». Следом вышло продолжение — Nested Learning с архитектурой HOPE, которая перестраивает сама себя против катастрофического забывания. Обе работы приняты на NeurIPS 2025 (Titans, arXiv 2501.00663; Google Research о Nested Learning).

Пока это исследовательский масштаб: Titans проверяли на моделях от 170 до 760 млн параметров. Дальше — квантовые и нейроморфные вычисления и фундаментальные исследования за пределами трансформеров. Следующая большая S-кривая, по-моему, начнётся оттуда, а не с ещё большего трансформера. Сроков называть не буду: это было бы ровно то, в чём я упрекаю других.

Когда я признаю, что ошибся

Если память, которая обучается на ходу, доедет до моделей, которыми люди пользуются каждый день, и модель начнёт сохранять навык между сессиями без внешних файлов, разбор в этой статье придётся переписывать. Это и будет сигнал, что третья часть определения начала закрываться. Это условие для третьей части определения; условие для постановки вопроса — в статье об описанности.

Три вопроса вместо спора о термине

А пока любое решение о технологии я разбираю тремя раздельными вопросами.

Сделан ли он? Это про наблюдаемые свойства системы: помнит ли между вызовами, меняются ли веса по ходу работы, формирует ли навык сама и пользуется ли им потом.

Нужен ли он мне? Это про мой класс задач. Как отличить свою задачу от задачи для модели, я разобрал в статье об описанности.

Купим ли мы его деньгами? Это про цену входа, если продолжать нынешнюю кривую до масштабов, которые называют сами сторонники.

У трёх вопросов разные ответы, разные доказательства и разные сроки. Смешайте их — и получится бесконечный спор, в котором обе стороны правы, потому что говорят о разном. Есть и четвёртый вопрос, который задают реже всех, хотя он нередко закрывает разговор быстрее: что будет, если не делать ничего.

Джимшер Челидзе. Текст расширяет разговор с каналом PRO Hi-Tech; цифры сверены на 10.10.2026, лидерборды живые и меняются.