Ключевое Суждение
Основатель и CEO DeepMind Demis Hassabis дал свой самый конкретный публичный прогноз временной шкалы AGI на сегодняшний день в выступлении на Y Combinator: около 2030 года.
Но одновременно он вынес более критичное суждение: парадигма «масштабного предобучения + RLHF», на которую опирается текущая индустрия фронтальных моделей, далеко недостаточна для достижения AGI. Необходимо добавить две ключевые способности — непрерывное обучение и долгосрочное рассуждение.
Это не типичный «прогноз от большого босса AI». Hassabis — создатель AlphaGo и AlphaFold, соучредитель DeepMind. Его суждение об AGI основано на реальном опыте построения самых передовых AI-систем в мире.
Три Ключевых Аргумента
1. Предобучение + RLHF — Лишь Начальная Точка
Все текущие фронтальные модели (GPT-5.5, Claude Opus 4.7, Gemini 3.1 Pro) построены на одной парадигме:
Масштабное предобучение → Инструкционная настройка → Выравнивание RLHF → ПродуктСуждение Hassabis ясно: у этой парадигмы есть потолок. Предобучение — «одноразовое» — знания модели замораживаются после завершения обучения. RLHF может оптимизировать только в пределах распределения обучающих данных, он не может дать модели способности, которых она никогда не видела во время обучения.
Аналогия: Это как дать студенту учебник, заставить его запомнить все пункты знаний, а затем использовать экзаменационные приемы (RLHF), чтобы он выступал лучше. Но настоящий интеллект — это не «запомненное».
2. Непрерывное Обучение — Необходимый Путь
Ядро непрерывного обучения: модель может продолжать изучать новые знания и навыки после развёртывания, без необходимости переобучения с нуля.
| Способность | Текущие Модели | Нужно для AGI |
|---|---|---|
| Обновление знаний | Требует переобучения или RAG | Обучение новой информации в реальном времени |
| Приобретение навыков | Требует тонкой настройки или промпт-инженерии | Автономное освоение новых задач |
| Коррекция ошибок | Требует аннотированных человеком данных для переобучения | Самоулучшение из взаимодействий |
| Накопление опыта | Каждая беседа — «новая» | Накопление опыта и инсайтов через сессии |
Hassabis намекнул, что DeepMind уже инвестировал значительные ресурсы в направлении непрерывного обучения. Успех AlphaFold — по сути случай «непрерывного обучения» — непрерывное обучение на данных о структуре белков, непрерывное улучшение точности предсказаний.
3. Долгосрочное Рассуждение — Это Бутылочное Горлышко
Текущие модели превосходны в «краткосрочном рассуждении» — ответить на вопрос, сгенерировать код, резюмировать статью. Но на задачах, требующих многошагового рассуждения, интеграции знаний из разных доменов и долгосрочного планирования, производительность значительно падает.
Hassabis привёл пример: поручить AI-системе спланировать научный исследовательский проект с 0 до 1 — выдвинуть гипотезы, спроектировать эксперименты, проанализировать результаты, итерировать гипотезы. Это требует:
- Кросс-шаговой зависимости: Решения каждого шага зависят от результатов предыдущих шагов
- Управление неопределённостью: Эксперименты могут провалиться, гипотезы могут быть фальсифицированы
- Распределение ресурсов: Принятие оптимальных решений при ограниченных времени и вычислительных ресурсах
- Самокоррекция: Корректировка направления после обнаружения ошибок, а не продолжение движения по неверному пути
Эти способности — именно то, чего текущим моделям больше всего не хватает.
Сравнение с Другими Прогнозами AGI
| Лицо/Организация | Прогноз AGI | Ключевой Путь |
|---|---|---|
| Demis Hassabis (DeepMind) | Около 2030 | Непрерывное обучение + долгосрочное рассуждение |
| Dario Amodei (Anthropic) | 2026-2027 | Масштабирование + выравнивание |
| Sam Altman (OpenAI) | Конкретного времени не названо | Масштабирование + Агент |
| Yann LeCun (Meta) | Минимум 10+ лет | Новая архитектура (не LLM) |
Прогноз 2030 года Hassabis находится между оптимизмом Amodei и пессимизмом LeCun, но он дал более конкретный список «отсутствующих способностей» — не просто говоря «нужно больше данных/вычислений», а явно указывая, какие именно прорывы в способностях нужны.
Значение для Индустрии
Для Компаний-Разработчиков Моделей
Дивиденды Scaling Law (увеличения размера модели) маргинально уменьшаются. Следующий прорыв не в «большем», а в «лучшем умении учиться».
DeepMind уже экспериментировал с некоторыми подходами непрерывного обучения в серии Gemini. Если суждение Hassabis верно, то следующий «поколенческий» прорыв моделей произойдёт от прорывов в способности непрерывного обучения, а не от роста параметров.
Для Разработчиков
Если вы создаёте AI-приложения, учтите этот тренд: будущие модели будут лучше «учиться из использования». Это означает:
- Данные взаимодействий, которые накапливает ваше приложение, станут ценными ресурсами для обучения следующего поколения моделей
- Агенты, способные непрерывно учиться и само-улучшаться, станут мейнстримом
- AI-приложения «одноразового развёртывания» будут заменены «непрерывно развивающимися» AI-приложениями
Для Инвесторов
Выступление Hassabis намекает на направление инвестиций: инфраструктура непрерывного обучения. Включая:
- Платформы Online Learning
- Инструменты непрерывной тонкой настройки моделей
- Бенчмарки и системы оценки долгосрочного рассуждения
Итог Одним Предложением
AGI — это не «большие модели» — это «системы, которые учатся лучше». Прогноз 2030 года и тезис о непрерывном обучении Hassabis указывают AI-индустрии на направление, более заслуживающее внимания, чем Scaling Law.