Интервью YC: Человек, основавший DeepMind, ждёт «момента Эйнштейна» ИИ

2026.04.30

«Проблемы, связанные с непрерывным обучением, рассуждениями на длительные временные интервалы и некоторыми аспектами памяти, пока не решены; для создания ИИ общего назначения необходимо решить их все.»

Подготовка и перевод: TechFlow

Гость: Демис Хассабис (основатель DeepMind, лауреат Нобелевской премии по химии 2024 года, руководитель Google DeepMind)

Ведущий: Гэри Тан

Источник подкаста: Y Combinator

Оригинальное название: Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough

Дата выхода: 29 апреля 2026 года

Редакционное вступление

Демис Хассабис, генеральный директор Google DeepMind и лауреат Нобелевской премии по химии, выступил в эфире Y Combinator, обсудив ключевые этапы на пути к ИИ общего назначения (AGI), дав рекомендации предпринимателям по сохранению лидерства и назвав области, где может произойти следующий крупный научный прорыв. Самый практичный для глубоких технологий вывод для стартаперов заключается в следующем: если вы сегодня запускаете десятилетний проект в сфере глубоких технологий, вам необходимо учитывать появление AGI при планировании. Кроме того, он сообщил, что Isomorphic Labs — компания по разработке лекарств на основе ИИ, выделенная из DeepMind, вскоре объявит о значительных новостях.

Ключевые цитаты

Маршрут и временные рамки создания AGI

«Существующие на сегодня технологии почти наверняка станут частью окончательной архитектуры AGI».
«Проблемы непрерывного обучения, долгосрочных рассуждений и некоторых аспектов памяти пока не решены; AGI должен справиться со всеми этими задачами».
«Если ваш прогноз по появлению AGI совпадает с моим — примерно к 2030 году — и вы сегодня начинаете проект в сфере глубоких технологий, вы должны предусмотреть, что AGI появится уже на полпути к завершению вашего проекта».

Память и контекстное окно

«Контекстное окно примерно соответствует рабочей памяти. Средняя человеческая рабочая память вмещает всего семь цифр, тогда как у нас контекстные окна объёмом в миллионы или даже десятки миллионов токенов. Однако проблема в том, что мы загружаем в них всё подряд — включая незначимую и даже ошибочную информацию; такой подход в настоящее время весьма груб».
«Если требуется обрабатывать потоковое видео и сохранять все токены, миллион токенов хватит всего на ~20 минут».

Недостатки рассуждений

«Я люблю наблюдать за тем, как Gemini играет в шахматы. Иногда она осознаёт, что намеревается сделать плохой ход, но не может найти лучший вариант и в итоге после долгих колебаний всё же делает тот самый плохой ход. Точная система рассуждений не должна так поступать».
«С одной стороны, она способна решать задачи уровня золотой медали Международной математической олимпиады (IMO), а с другой — при изменении формулировки вопроса допускает ошибки, характерные для младших школьников. Внутреннее самонаблюдение за собственным процессом мышления, похоже, остаётся недостаточным».

Агенты и творчество

«Для достижения AGI необходима система, способная активно решать за вас задачи. Агенты — это именно тот путь, и, по моему мнению, мы только начали по нему двигаться».
«Я ещё не видел, чтобы кто-то создал 3A-игру, занявшую первое место в рейтинге магазинов приложений, используя метод “vibe coding”. При нынешнем уровне вложений это должно быть возможно, но пока не реализовано. Значит, чего-то не хватает либо в инструментах, либо в процессах».

Дистилляция и малые модели

«Мы исходим из предположения, что через полгода–год после выпуска передовой профессиональной модели её возможности можно будет скомпрессировать в очень компактную модель, способную работать на периферийных устройствах. На сегодняшний день теоретический предел плотности информации не достигнут».

Научные открытия и «тест Эйнштейна»

«Иногда я называю его “тестом Эйнштейна”: сможет ли система, обученная лишь знаниями 1901 года, самостоятельно вывести результаты, полученные Эйнштейном в 1905 году, включая специальную теорию относительности? Как только это станет возможным, такие системы будут уже близки к самостоятельному созданию принципиально новых концепций».
«Решение одной из задач тысячелетия уже является выдающимся достижением. Но ещё сложнее — сформулировать новую группу задач тысячелетия, которые были бы признаны ведущими математиками столь же глубокими и достойными посвящения им всей жизни».

Путь к AGI

Гэри Тан: Вы размышляете над проблемой AGI дольше, чем практически любой другой человек. Оценивая текущую парадигму, какую долю окончательной архитектуры AGI мы уже имеем сегодня? Что принципиально отсутствует?

Демис Хассабис: Масштабное предварительное обучение, RLHF (обучение с подкреплением с помощью обратной связи человека), цепочки рассуждений (chain-of-thought) — я уверен, что все эти элементы войдут в окончательную архитектуру AGI. Эти технологии уже доказали свою ценность. Мне сложно представить, что через два года мы обнаружим, что пошли по тупиковому пути — это противоречит здравому смыслу. Тем не менее, сверх существующих компонентов, вероятно, потребуется ещё один-два ключевых элемента. Проблемы непрерывного обучения (continual learning), долгосрочных рассуждений (long-term reasoning) и некоторых аспектов памяти до сих пор не решены. AGI должен преодолеть все эти барьеры. Возможно, существующих технологий в сочетании с постепенными усовершенствованиями будет достаточно для достижения этой цели, однако могут оказаться ещё один-два принципиальных прорыва, без которых не обойтись. Я не думаю, что их будет больше двух. Вероятность наличия таких нерешённых ключевых задач — примерно 50 на 50. Поэтому в Google DeepMind мы одновременно развиваем оба направления.

Гэри Тан: Я работаю с множеством систем-агентов, и меня поражает, что в основе всех них лежит одна и та же совокупность весов. Поэтому идея непрерывного обучения особенно интересна: сейчас мы фактически “склеиваем” решения, например, с помощью так называемых «ночных циклов сновидений».

Демис Хассабис: Да, эти циклы сновидений действительно впечатляют. Мы ранее рассматривали эту проблему в контексте интеграции эпизодической памяти. Моей докторской диссертацией было исследование того, как гиппокамп элегантно встраивает новую информацию в уже существующую структуру знаний. Мозг справляется с этим превосходно: он выполняет этот процесс во время сна, особенно в фазе быстрого сна (REM sleep), многократно воспроизводя важные события для последующего обучения. В нашей первой программе для Atari — DQN (глубокая Q-сеть, представленная DeepMind в 2013 году, которая впервые достигла человеческого уровня игры в Atari с помощью глубокого обучения с подкреплением) — ключевым методом овладения играми стало воспроизведение опыта (experience replay). Эта идея заимствована из нейронауки: успешные траектории многократно повторяются. Это случилось в 2013 году — в терминах ИИ это эпоха «доисторическая», но тогда этот метод был чрезвычайно важен.

Я согласен: сегодня мы действительно «склеиваем» решения. Мы загружаем всё подряд в контекстное окно. Это ощущается как нечто неправильное. Даже если мы создаём машины, а не биологические мозги, и теоретически можем обеспечить контекстные окна объёмом в миллионы или десятки миллионов токенов с идеальной памятью, стоимость поиска и извлечения информации остаётся реальной проблемой. В момент принятия конкретного решения найти действительно релевантную информацию непросто — даже если вы можете сохранить всё подряд. Поэтому, по моему мнению, в области памяти ещё огромный простор для инноваций.

Гэри Тан: Честно говоря, миллион токенов в контекстном окне — это уже значительно больше, чем я ожидал; с таким объёмом можно многое сделать.

Демис Хассабис: Для большинства задач, где оно предназначено, этого объёма вполне достаточно. Но представьте: контекстное окно примерно соответствует рабочей памяти. Средняя человеческая рабочая память вмещает всего семь цифр, тогда как у нас — миллионы или даже десятки миллионов токенов. Проблема в том, что мы загружаем в него всё подряд — включая незначимую и даже ошибочную информацию; такой подход в настоящее время весьма груб. Более того, если вы хотите обрабатывать потоковое видео и сохранять все токены без фильтрации, миллион токенов хватит лишь на ~20 минут. Но если вы хотите, чтобы система понимала вашу жизнь в течение одного-двух месяцев, этого объёма явно недостаточно.

Гэри Тан: DeepMind исторически глубоко вовлечена в обучение с подкреплением и поиск; насколько эта философия встроена в современные процессы разработки Gemini? Не недооценивается ли обучение с подкреплением?

Демис Хассабис: Возможно, оно действительно недооценивается. Уровень внимания к этой области колеблется. С первого дня основания DeepMind мы занимались системами-агентами. Все наши работы над играми Atari и AlphaGo по своей сути представляли собой агентов, обучаемых с подкреплением, — автономные системы, способные достигать целей, принимать решения и строить планы. Разумеется, мы выбрали игровую область, поскольку здесь сложность контролируема, а затем постепенно переходили к более сложным играм: после AlphaGo мы создали AlphaStar. По сути, мы прошли весь спектр доступных игр.

Следующий вопрос: можно ли обобщить эти модели до мировых моделей или языковых моделей, а не ограничиваться игровыми? Именно этим мы занимались последние несколько лет. Сегодняшние лидирующие модели используют режим мышления и цепочки рассуждений, которые по сути являются возвращением к идеям, заложенным в AlphaGo. Многие наши прежние разработки оказываются чрезвычайно актуальными сегодня; мы переосмысливаем старые идеи, применяя их в масштабах, значительно превосходящих первоначальные, в более универсальном виде — включая методы, такие как поиск по дереву Монте-Карло (Monte Carlo tree search). Концепции AlphaGo и AlphaZero имеют прямое и фундаментальное отношение к современным базовым моделям, и я считаю, что значительная часть прогресса в ближайшие годы будет основана именно на них.

Дистилляция и малые модели

Гэри Тан: Сейчас для повышения интеллекта моделей нужны всё большие размеры, однако технологии дистилляции тоже развиваются, и малые модели становятся всё быстрее. Ваша модель Flash чрезвычайно сильна: она демонстрирует ~95 % эффективности передовых моделей при стоимости в десять раз ниже. Так ли это?

Демис Хассабис: Я считаю это одним из наших ключевых преимуществ. Чтобы получить передовые возможности, нужно сначала построить самые крупные модели. Одно из наших главных преимуществ — способность быстро дистиллировать и сжимать эти возможности в модели всё меньшего и меньшего размера. Сам метод дистилляции был изобретён нами, и сегодня мы остаёмся мировыми лидерами в этой области. Кроме того, у нас есть сильнейший бизнес-стимул для этого: мы, вероятно, крупнейшая в мире платформа применения ИИ. У нас есть функции AI Overviews и AI Mode, а также Gemini; сегодня каждый продукт Google — от Карт до YouTube — интегрирует Gemini или связанные технологии. Это затрагивает миллиарды пользователей и десятки продуктов с аудиторией в миллиарды человек. Они должны быть чрезвычайно быстрыми, эффективными, недорогими и иметь минимальные задержки. Это даёт нам мощнейший стимул довести модели Flash и ещё более компактные Flash-Lite до максимальной эффективности. Я надеюсь, что это в конечном счёте принесёт пользу пользователям во всех сферах их деятельности.

Гэри Тан: Интересно, насколько «умными» вообще могут стать такие малые модели. Есть ли пределы дистилляции? Могут ли модели объёмом 50 млрд или 400 млрд параметров быть такими же «умными», как сегодняшние самые крупные передовые модели?

Демис Хассабис: Я не думаю, что мы уже достигли теоретических пределов теории информации — по крайней мере, никто пока не знает, достигнуты ли они. Возможно, когда-нибудь мы столкнёмся с неким пределом плотности информации, но пока наша гипотеза такова: через полгода–год после выпуска передовой профессиональной модели её возможности можно будет скомпрессировать в крайне компактную модель, способную работать даже на периферийных устройствах. Это прослеживается и в моделях Gemma: наша Gemma 4 показывает выдающиеся результаты в своём классе. Здесь использованы обширные технологии дистилляции и оптимизации эффективности малых моделей. Я действительно не вижу никаких теоретических пределов, и мне кажется, что мы ещё очень далеко от такого предела.

Гэри Тан: Сегодня наблюдается совершенно невероятное явление: объём работы, который может выполнить инженер, вырос примерно в 500–1000 раз по сравнению с шестью месяцами назад. В этом зале некоторые люди выполняют работу, эквивалентную работе одного инженера Google начала 2000-х годов, умноженной на 1000. Об этом говорил Стив Йегге.

Демис Хассабис: Мне это чрезвычайно вдохновляет. У малых моделей множество применений. Во-первых, они дешевле, а высокая скорость также даёт значительные преимущества. При написании кода или выполнении других задач вы можете быстрее проводить итерации, особенно в сотрудничестве с системой. Даже если быстрая система демонстрирует лишь 90–95 % эффективности передовых моделей, этого обычно более чем достаточно, а выигрыш в скорости итераций с лихвой компенсирует потерю этих 10 %.

Другое важное направление — запуск таких моделей на периферийных устройствах. Это важно не только для эффективности, но и для конфиденциальности и безопасности. Представьте себе различные устройства, обрабатывающие чрезвычайно личную информацию, а также роботов: для домашнего робота вы, скорее всего, захотите, чтобы на устройстве локально работала эффективная и мощная модель, а сложные задачи делегировались облачным большим моделям лишь в определённых сценариях. Аудио- и видеопотоки обрабатываются локально, данные остаются на устройстве — я могу представить, что это и будет идеальным конечным состоянием.

Память и рассуждения

Гэри Тан: Вернёмся к контексту и памяти. Сегодня модели являются «безсостоятельными»: как изменится опыт разработчиков при появлении возможности непрерывного обучения? Как вы будете направлять такую модель?

Демис Хассабис: Этот вопрос чрезвычайно интересен. Отсутствие непрерывного обучения — ключевой узкий момент, препятствующий агентам выполнять комплексные задачи целиком. Современные агенты хорошо справляются с отдельными локальными фрагментами задачи: комбинируя их, можно добиться впечатляющих результатов, но они плохо адаптируются к вашей конкретной среде. Именно поэтому они пока не готовы к работе по принципу «запустил и забыл»: им необходимо учиться на вашей конкретной ситуации. Для достижения по-настоящему универсального интеллекта эту проблему необходимо решить.

Гэри Тан: Каковы текущие достижения в области рассуждений? Цепочки рассуждений у моделей уже весьма сильны, но они всё ещё допускают ошибки, которых не совершил бы даже способный студент-бакалавр. Что конкретно требует доработки? Каких улучшений в рассуждениях вы ожидаете?

Демис Хассабис: В области парадигмы мышления остаётся огромный простор для инноваций. То, что мы делаем сегодня, по-прежнему довольно грубо и примитивно. Возможны многочисленные улучшения — например, мониторинг процесса цепочки рассуждений и вмешательство на промежуточных этапах. Мне часто кажется, что как наши системы, так и системы конкурентов в какой-то степени «переусердствуют», попадая в бесконечные циклы.

Я иногда люблю наблюдать, как Gemini играет в шахматы. Вообще говоря, все ведущие базовые модели демонстрируют в шахматах весьма посредственные результаты — это весьма интересно. Анализ их мыслительных траекторий чрезвычайно ценен, поскольку шахматы — полностью формализованная область, позволяющая быстро оценить, отклоняется ли рассуждение от правильного пути и является ли оно действительным. Мы видим, что модель иногда рассматривает ход, осознаёт его ошибочность, но не может найти лучшей альтернативы и в итоге после длительных колебаний всё же делает тот самый плохой ход. Точная система рассуждений не должна так поступать.

Такой огромный разрыв по-прежнему существует, но его устранение может потребовать лишь одного-двух корректирующих шагов. Именно поэтому мы наблюдаем так называемый «зубчатый интеллект» (jagged intelligence): с одной стороны, модель решает задачи уровня золотой медали IMO, а с другой — при изменении формулировки вопроса допускает ошибки, характерные для младших школьников. Внутреннее самонаблюдение за собственным процессом мышления, похоже, остаётся недостаточным.

Реальные возможности агентов

Гэри Тан: Агенты — широкая тема. Некоторые считают их маркетинговым шумом. Лично я считаю, что мы только начинаем. Какова внутренняя оценка DeepMind реальных возможностей агентов и насколько она отличается от внешних заявлений?

Демис Хассабис: Я полностью согласен: мы только начинаем. Для достижения AGI необходима система, способная активно решать за вас задачи. Это всегда было для нас очевидно. Агенты — это именно тот путь, и, по моему мнению, мы только начали по нему двигаться. Все мы экспериментируем с тем, как лучше интегрировать агентов в рабочие процессы, и мы проводим множество личных экспериментов — как, вероятно, и многие из присутствующих. Как сделать так, чтобы агенты встраивались в рабочие процессы не как декоративный элемент, а как настоящий двигатель фундаментальных изменений? Пока мы находимся в стадии экспериментов. Возможно, лишь в последние два-три месяца мы начали действительно находить особо ценные сценарии использования. Технологии, судя по всему, только сейчас достигли уровня, когда они перестают быть «игрушечными» демонстрациями и реально приносят пользу в плане времени и эффективности.

Я часто наблюдаю, как запускают десятки агентов, которые работают десятки часов, но пока не уверен, что результат оправдывает такие затраты.

Мы ещё не видели, чтобы кто-то создал 3A-игру, занявшую первое место в рейтинге магазинов приложений, используя метод «vibe coding». Я сам пробовал писать подобное, и многие из присутствующих тоже создавали неплохие небольшие демо. Сегодня я могу создать прототип игры «Theme Park» за полчаса, тогда как в 17 лет на это у меня ушло шесть месяцев. У меня сложилось ощущение, что если потратить на это всё лето, можно создать поистине невероятное произведение. Однако это всё ещё требует мастерства, человеческой души и вкуса: вы должны обязательно внести всё это в любой продукт, который создаёте. Фактически, ни один ребёнок ещё не создал хит-игру, продавшуюся миллионами копий — хотя при нынешнем уровне инструментов это должно быть вполне осуществимо. Значит, чего-то не хватает: возможно, в процессах, возможно, в инструментах. Я ожидаю, что такие результаты появятся в ближайшие 6–12 месяцев.

Гэри Тан: Какая доля автоматизации будет в этом процессе? Я не думаю, что сразу появится полная автоматизация. Более вероятный путь — сначала люди достигнут увеличения эффективности в 1000 раз, затем появятся люди, использующие эти инструменты для создания хитовых приложений и игр, а уже потом автоматизируются всё больше этапов.

Демис Хассабис: Да, именно это вы и должны увидеть в первую очередь.

Гэри Тан: Часть причины в том, что некоторые люди действительно так поступают, но не хотят публично заявлять, насколько сильно им помогли агенты.

Демис Хассабис: Возможно. Но давайте поговорим о творчестве. Я часто привожу в пример AlphaGo и знаменитый 37-й ход во второй партии. Для меня именно этот момент стал сигналом к запуску научных проектов, таких как AlphaFold. Мы начали работу над AlphaFold на следующий день после возвращения из Сеула — это было десять лет назад. Я как раз сейчас нахожусь в Корее, чтобы отпраздновать десятилетие AlphaGo.

Однако одного лишь «хода 37» недостаточно. Он впечатляет и полезен. Но может ли такая система сама изобрести игру го? Если вы дадите ей высокоуровневое описание вроде: «игра, правила которой можно освоить за пять минут, но освоить её в совершенстве невозможно даже за всю жизнь; она эстетически изысканна и позволяет сыграть одну партию за один послеобеденный сеанс», — и система вернёт вам в ответ игру го. Современные системы этого сделать не могут. Почему?

Гэри Тан: Возможно, среди присутствующих найдётся кто-то, кто уже способен это сделать.

Демис Хассабис: Если кто-то это уже сделал, значит, дело не в недостатке возможностей у системы, а в том, как мы её используем. Возможно, это и есть правильный ответ. Может быть, современные системы уже обладают этой способностью, но для её раскрытия нужен по-настоящему гениальный творец, способный вдохнуть в проект «душу», одновременно максимально тесно интегрировавшись с инструментами — почти сливаясь с ними. Если вы постоянно работаете с этими инструментами и обладаете глубоким творческим потенциалом, вы сможете создать нечто поистине невообразимое.

Открытый исходный код и мультимодальные модели

Гэри Тан: Перейдём к другой теме — открытому исходному коду. Недавний релиз Gemma позволил запускать чрезвычайно мощные модели локально. Как вы это оцениваете? Станет ли ИИ инструментом, которым владеет сам пользователь, а не останется преимущественно в облаке? Изменит ли это круг тех, кто может использовать эти модели для создания продуктов?

Демис Хассабис: Мы твёрдо поддерживаем открытый исходный код и открытую науку. Например, AlphaFold мы полностью открыли бесплатно. Наши научные работы по-прежнему публикуются в ведущих научных журналах. Что касается Gemma, мы стремились создать в своём классе модель мирового уровня. За две с половиной недели Gemma была скачана примерно 40 миллионов раз.

Я также считаю важным наличие в сообществе открытого исходного кода западного стека технологий. Китайские модели с открытым исходным кодом чрезвычайно сильны и в настоящее время лидируют в этой области, однако мы уверены, что Gemma является высококонкурентоспособной в своём классе.

Для нас также существует проблема ресурсов: никому не хватает вычислительной мощности для разработки двух полноценных передовых моделей. Поэтому наша текущая стратегия такова: периферийные модели для Android, очков, роботов и т.д. лучше делать открытыми, поскольку после развертывания на устройстве они и так становятся доступными — разумнее открыть их полностью. Мы унифицировали нашу политику открытости на наноуровне, и это стратегически оправдано.

Гэри Тан: Перед выходом на сцену я продемонстрировал вам свою операционную систему на основе ИИ: я взаимодействую с Gemini голосом. Мне было довольно неловко демонстрировать это, но всё сработало. Gemini изначально создавалась как мультимодальная модель. Я использовал множество моделей, но ни одна из них не может сравниться с Gemini по глубине и контекстному пониманию при прямом голосовом взаимодействии и способности вызывать инструменты.

Демис Хассабис: Да. Одно из ещё недостаточно оценённых преимуществ серии Gemini — её изначальная мультимодальность. Это усложнило старт, по сравнению с созданием текстовой модели, но мы уверены, что в долгосрочной перспективе это принесёт выгоду, и первые результаты уже проявляются. Например, в области мировых моделей мы построили Genie (генеративная интерактивная средовая модель DeepMind) поверх Gemini. То же верно и для робототехники: Gemini Robotics будет основана на мультимодальной базовой модели, и наши преимущества в мультимодальности станут серьёзным конкурентным преимуществом. Мы также всё чаще используем Gemini в Waymo (дочерней компании Alphabet, занимающейся автономным вождением).

Представьте цифрового помощника, следующего за вами в реальный мир — возможно, в вашем смартфоне или очках, — который должен понимать физический мир вокруг вас и вашу окружающую среду. В этой области наши системы чрезвычайно сильны. Мы продолжим инвестировать в это направление и считаем, что наше лидерство в подобных задачах весьма значимо.

Гэри Тан: Стоимость рассуждений быстро снижается. Что станет возможным, когда рассуждения станут практически бесплатными? Изменится ли из-за этого фокус ваших команд по оптимизации?

Демис Хассабис: Я не уверен, что рассуждения когда-либо станут по-настоящему бесплатными — здесь действует парадокс Джевонса (Jevons’ Paradox: повышение эффективности ведёт к росту общего потребления). Я думаю, что в конечном счёте все будут использовать всю доступную вычислительную мощность. Можно представить коллективы из миллионов агентов, совместно работающих над задачей, или небольшую группу агентов, одновременно рассуждающих в нескольких направлениях и затем интегрирующих результаты. Мы экспериментируем со всеми этими направлениями, и все они будут потреблять доступные вычислительные ресурсы для рассуждений.

Что касается энергии: если мы решим хотя бы несколько из задач — управляемый термоядерный синтез, сверхпроводимость при комнатной температуре, оптимальные аккумуляторы — я считаю, что это достижимо с помощью материаловедения, и тогда стоимость энергии приблизится к нулю. Однако физическое производство чипов и другие этапы всё ещё остаются узкими местами — как минимум на ближайшие десятилетия. Таким образом, ограничения на вычислительные мощности для рассуждений сохранятся, и их использование должно оставаться высокоэффективным.

Следующий научный прорыв

Гэри Тан: Хорошо, что малые модели становятся всё умнее. В зале присутствует много основателей компаний в области биологии и биотехнологий. AlphaFold 3 уже вышла за рамки белков и охватывает более широкий спектр биомолекул. Насколько мы отстоим от моделирования полной клеточной системы? Является ли это задачей совершенно иного уровня сложности?

Демис Хассабис: У Isomorphic Labs дела идут прекрасно. AlphaFold — лишь один из этапов процесса открытия лекарств; мы занимаемся смежными исследованиями в области биохимии, проектированием соединений с нужными свойствами и скоро объявим о важных новостях.

Наша конечная цель — создать полную виртуальную клетку: полнофункциональный клеточный симулятор, в котором можно вносить возмущения, и результаты которого будут достаточно близки к экспериментальным данным и пригодны для практического применения. Это позволит пропустить множество поисковых этапов и генерировать огромные объёмы синтетических данных для обучения других моделей, позволяющих предсказывать поведение реальных клеток.

Я оцениваю срок до создания полной виртуальной клетки примерно в десять лет. В DeepMind мы начинаем с виртуального клеточного ядра, поскольку оно относительно автономно. Ключевой вопрос для таких задач — можно ли выделить фрагмент подходящей сложности, который будет достаточно самодостаточным, чтобы можно было адекватно аппроксимировать его входы и выходы, и сосредоточиться на этом подсистеме. С этой точки зрения клеточное ядро подходит идеально.

Другая проблема — нехватка данных. Я беседовал с ведущими учёными, работающими с электронной микроскопией и другими методами визуализации. Если бы удалось визуализировать живые клетки без их уничтожения, это стало бы революционным прорывом. Ведь тогда задача превратилась бы в визуальную, а визуальные задачи мы умеем решать. Однако, насколько мне известно, сегодня нет технологий, позволяющих визуализировать живые динамические клетки с нанометровым разрешением без их разрушения. Статические изображения с таким разрешением уже получаются — и это чрезвычайно впечатляет, — но этого недостаточно, чтобы напрямую превратить задачу в визуальную.

Таким образом, существуют два пути: один — аппаратный и ориентированный на данные; другой — создание более совершенных обучаемых симуляторов для моделирования этих динамических систем.

Гэри Тан: Вы смотрите не только на биологию. Материаловедение, открытие лекарств, климатическое моделирование, математика — если ранжировать их по степени трансформации в ближайшие пять лет, какая научная область изменится наиболее радикально?

Демис Хассабис: Каждая из этих областей вызывает огромный интерес, и именно поэтому это всегда было моим главным увлечением и причиной, по которой я занимаюсь ИИ вот уже более 30 лет. Я всегда считал ИИ «окончательным инструментом науки» для углубления научного понимания, открытий, медицины и нашего представления о Вселенной.

Первоначально мы формулировали свою миссию в два этапа. Первый — решение проблемы интеллекта, то есть создание AGI. Второй — применение AGI для решения всех остальных задач. Позднее нам пришлось скорректировать формулировку, потому что нас спрашивали: «Вы действительно имеете в виду все задачи?» — и мы действительно имели в виду именно это. Теперь люди начинают понимать, что это означает. Конкретно я имею в виду научные области, которые я называю «корневыми проблемами» — такие, что их решение открывает целые новые ветви открытий. AlphaFold является точным прототипом того, что мы стремимся сделать. Более трёх миллионов исследователей по всему миру — почти каждый биолог — сегодня используют AlphaFold. От своих друзей-руководителей фармацевтических компаний я слышал, что почти каждое новое лекарство в будущем будет использовать AlphaFold на каком-либо этапе своего открытия. Мы гордимся этим и именно такой влияние ИИ должен оказывать. Но я считаю, что это лишь начало.

Я не могу придумать ни одной научной или инженерной области, где ИИ не смог бы помочь. Те области, которые вы упомянули, сейчас находятся примерно на «моменте AlphaFold 1»: результаты уже многообещающие, но фундаментальные вызовы области ещё не преодолены. В ближайшие два года мы будем сообщать о значительных успехах во всех этих областях — от материаловедения до математики.

Гэри Тан: Это ощущается как прометеевский дар — новая способность для человечества.

Демис Хассабис: Совершенно верно. И точно так же, как в прометеевском мифе, мы должны крайне осторожно относиться к тому, как используется эта способность, где она применяется и каковы риски её злоупотребления одной и той же инструментальной базой.

Опыт успеха

Гэри Тан: В зале много людей, пытающихся основать компании, применяющие ИИ в науке. По вашему мнению, чем отличаются стартапы, действительно продвигающие передовой рубеж, от тех, кто просто оборачивает базовые модели в API и называет себя «AI for Science»?

Демис Хассабис: Я задумался, как бы я поступил, если бы сегодня сидел на вашем месте в Y Combinator и оценивал проекты. Во-первых, вы должны предвидеть траекторию развития ИИ — это само по себе крайне сложно. Однако я действительно считаю, что объединение прогноза развития ИИ с другой областью глубоких технологий открывает огромные возможности. Эта точка пересечения — будь то материалы, медицина или другая действительно сложная научная область, особенно связанная с атомным миром, — в обозримом будущем не будет иметь лёгких путей. Эти области не будут «сметены» следующим обновлением базовой модели. Но если вы ищете устойчивое направление, я рекомендовал бы именно его.

Лично я всегда предпочитал глубокие технологии. Настоящие, устойчивые и ценные вещи не бывают лёгкими. Меня всегда привлекали глубокие технологии. В 2010 году, когда мы начинали, ИИ и был глубокой технологией: инвесторы говорили мне: «Мы уже знаем, что это не сработает», а академическое сообщество считало его узконаправленной областью, которую пробовали в 1990-х и неудачно забросили. Но если вы верите в свою идею — почему на этот раз будет иначе, в чём уникальность вашего сочетания компетенций — и, в идеале, являетесь экспертом как в машинном обучении, так и в прикладной области, или можете собрать такую команду основателей, — вы можете создать огромное влияние и ценность.

Гэри Тан: Эта информация чрезвычайно важна. Когда что-то уже сделано, оно кажется само собой разумеющимся, но до этого все были против вас.

Демис Хассабис: Конечно, поэтому вы должны заниматься тем, что вам по-настоящему интересно. Для меня, независимо от обстоятельств, ИИ — это то, чем я буду заниматься. Я решил это ещё в детстве — это самая влиятельная вещь, которую я мог себе представить. И это действительно подтвердилось, хотя могло и не подтвердиться — возможно, мы опередили время на 50 лет. Кроме того, это самое интересное, что я могу себе представить. Даже если бы мы сегодня всё ещё сидели в гараже, а ИИ ещё не был создан, я всё равно нашёл бы способ продолжать. Возможно, я вернулся бы в академию, но нашёл бы какой-то путь для продолжения.

Гэри Тан: AlphaFold — это пример того, как вы долго шли в одном направлении и оказались правы. Что делает научную область подходящей для прорыва типа AlphaFold? Существуют ли закономерности, например, определённая целевая функция?

Демис Хассабис: Я действительно должен как-нибудь записать это. Из опыта всех проектов Alpha — AlphaGo, AlphaFold и других — я вынес следующее: наши современные технологии наиболее эффективны в случаях, когда выполняются три условия. Во-первых, задача имеет колоссальное пространство комбинаторного поиска — чем больше, тем лучше, настолько большое, что ни полный перебор, ни какие-либо специализированные алгоритмы не могут его покрыть. Пространство возможных ходов в го и пространство конформаций белков превосходят количество атомов во Вселенной. Во-вторых, вы можете чётко определить целевую функцию — например, минимизацию свободной энергии белка или победу в го, — чтобы система могла осуществлять подъём по градиенту. В-третьих, у вас есть достаточное количество данных или симулятор, способный генерировать огромные объёмы синтетических данных из требуемого распределения.

Если эти три условия выполняются, современные методы позволяют пройти очень далеко, чтобы найти ту самую «иголку в стоге сена», которую вы ищете. То же логика применима и к открытию лекарств: существует некоторое соединение, которое лечит данное заболевание без побочных эффектов; если физические законы позволяют ему существовать, единственная проблема — как эффективно и практически найти его. Я считаю, что AlphaFold впервые доказал, что такие системы способны находить «иголку» в огромных пространствах поиска.

Гэри Тан: Давайте поднимемся на уровень выше. Мы говорим о том, как люди с помощью этих методов создали AlphaFold, но существует и метауровень: люди используют ИИ для исследования пространства возможных гипотез. Насколько мы отстоим от того момента, когда ИИ-системы смогут выполнять подлинные научные рассуждения (а не просто выявлять паттерны в данных)?

Демис Хассабис: Я считаю, что мы уже очень близки. Мы разрабатываем такие универсальные системы. У нас есть система AI co-scientist и алгоритм AlphaEvolve, способные делать больше, чем базовый Gemini. Все ведущие лаборатории исследуют это направление.

Однако до сих пор лично я не видел ни одного подлинного, крупного научного открытия, сделанного такими системами. Я считаю, что это уже близко. Это, вероятно, связано с тем творчеством, о котором мы говорили ранее — с настоящим прорывом за пределы известного. На этом уровне это уже не сопоставление паттернов, поскольку паттернов просто не существует. Это и не просто экстраполяция, а скорее аналоговое рассуждение (analogical reasoning), которым, по-видимому, эти системы пока не обладают — или мы пока не используем их правильно.

В научной среде я часто привожу такой критерий: может ли система сформулировать по-настоящему интересную гипотезу, а не просто проверить уже существующую. Проверка гипотезы сама по себе может быть сенсационным событием — например, доказательство гипотезы Римана или решение одной из задач тысячелетия, — но, возможно, до этого остаётся всего несколько лет.

А ещё сложнее — сформулировать новую группу задач тысячелетия, которые были бы признаны ведущими математиками столь же глубокими и достойными посвящения им всей жизни. Это ещё на порядок сложнее, и мы пока не знаем, как этого достичь. Однако я не считаю это чем-то магическим: я верю, что эти системы в конечном счёте смогут это сделать — возможно, для этого потребуется ещё один-два элемента.

Мы можем проверить это с помощью теста, который я иногда называю «тестом Эйнштейна»: можно ли обучить систему знаниями 1901 года и затем заставить её самостоятельно вывести результаты, полученные Эйнштейном в 1905 году, включая специальную теорию относительности и другие его работы того года. Я считаю, что нам действительно следует провести этот тест, многократно повторяя его, чтобы увидеть, когда он станет возможным. Как только это произойдёт, такие системы будут уже близки к самостоятельному изобретению принципиально новых вещей.