Про квантовое достижение Google – и при чем здесь ИИ

Google Quantum AI сообщила, что достигла на квантовом компьютере Willow “проверяемого квантового преимущества”. Многие СМИ назвали новость “квантовым прорывом Google”, что преувеличение – это скорее важный шаг вперед.

Вообще про квантовые компьютеры как будущее вычислительной техники я слышал еще в начале 2000-х – прошло много лет, будущее не наступило, а застряло в лабораториях. И здесь несколько причин.

Начнем с того, что квантовый компьютер вряд ли когда-нибудь станет заменой обычному. Это будут специализированные вычислители для ряда задач: моделирование новых материалов, поиск лекарств, изучение фундаментальной физики, сложная логистика, криптография, оптимизация обучения ИИ. Но в них скорость квантовых компьютеров ожидается невероятно высокой – например, в эксперименте Google 105-кубитный чип Willow работал в 13 тысяч раз быстрее, чем передовой классический суперкомпьютер.

Сегодняшние квантовые компьютеры в своем развитии находятся где-то на уровне 1940-х для обычных компьютеров. Это сложнейшие установки, которые занимают большой кусок комнаты, работают без ошибок очень короткое время, чувствительны к внешним шумам вроде вибраций, и управляются целой командой специалистов мирового уровня.

Причем сейчас конкурируют сразу четыре варианта реализации квантового компьютера, каждый со своими приколами: где-то чип нужно охлаждать почти до абсолютного нуля, а где-то нужны сложнейшие лазеры для управления каждым кубитом. Ну и алгоритмы: современный квантовый компьютер надорвется даже при попытке посчитать эксель-файл из соседней бухгалтерии – поэтому всю логику работы нужно писать заново.

До недавнего времени ведущие команды по всему миру брали хоть какой-нибудь алгоритм, который можно посчитать намного быстрее обычного компьютера, а затем называли это “квантовым превосходством”. Причем джентльменам предлагалось верить на слово, так как перепроверить эти подсчеты обычным компьютером нереально.

Шаг Google заключается в том, что они довели Willow и алгоритмы управления им до уровня, когда смогли рассчитать физическую эволюцию квантовой системы. То есть уже вполне реальная научная задача, которую можно проверить как экспериментально, так и повторив маленький ее фрагмент на обычном суперкомпьютере.

Круто, но пока это достижение уровня “смогли запустить один полезный алгоритм” – решение Google подойдет для многих задач материаловедения, но для других областей придется придумывать что-то новое. Да и Willow мал для серьезных расчетов – к концу десятилетия компании-лидеры целятся в уровень в несколько сотен кубитов, которые будут работать без ошибок намного дольше, чем сейчас. Тогда же квантовые компьютеры потихоньку начнут использовать в реальной работе.

В контексте ИИ я часто слышу, что квантовые компьютеры смогут тренировать нейросети будущего, но это не совсем так – они скорее будут применяться точечно, например, для поиска удачных вариантов архитектуры. А тренировка останется доработанным версиям современных GPU и нейроморфных чипов (это уже другая история).

Польза же в другом. Сейчас на каждом углу трубят, что у нас кончились данные для обучения ИИ – но забывают пояснить, что речь идет не чисто о текстах. Модели сейчас впитали почти все знания человечества, поэтому для дальнейшего улучшения им нужны новые открытия.

Где-то ИИ помогают сами себе (читайте мой пост про использование их в науке), а где-то пригодятся открытия, сделанные на квантовых компьютерах. Например, полученные на наследнике Willow знания могут быть использованы для дополнительного обучения специализированных ИИ, предлагающих новые материалы и новые кандидаты в лекарства.

А сами нейросети, кстати, уже применяются при проектировании квантовых компьютеров. Так что получается союз двух передовых технологий.

OpenAI улучшили GPT-5?

Не люблю писать посты в стиле “мне показалось”, но сегодня сделаю исключение. Дело в том, что GPT-5 Thinking, которой я с августа пользуюсь как основной моделью, стала отвечать и вести себя сильно иначе.

Я прошелся по реддиту и X, вижу похожие отзывы, но не очень много – не исключено, что запуск пока не массовый, а я попал в тестовую группу. Но поделюсь впечатлениями, а также расскажу, что я советую делать при переходе на любую новую версию ИИ – хоть на ту же Gemini 3.0, когда она выйдет.

Главное в обновленной GPT-5 Thinking – она стала лучше писать на русском. Это еще не уровень Sonnet 4.5 и Gemini 2.5 Pro, но теперь модель хорошо структурирует текст, не сыпет непереведенными словами и заумными терминами, использует таблицы и списки там, где реально нужно.

Ответы в целом стали “человечнее”: модель пытается шутить, аккуратно использует эмодзи и имитирует эмоции. Правда, вернулся и классический подхалимаж в стиле “классная идея!”, “здорово придумал!” – но я такие вещи в диалогах с ИИ уже давно привык фильтровать.

Плюс GPT-5 Thinking лучше контролирует цепочку рассуждений: на простые вопросы отвечает почти моментально, а не думает по 30-40 секунд, что-то пытаясь найти. При этом я закидывал в модель сложные задачи по программированию и аналитике – там все ок, рассуждения по 3-4 минуты.

Но сразу два совета:

— Помните, что собственные знания у GPT-5 Thinking ограничены октябрем 2024 года – свежую информацию она ищет в интернете. Если запрос касается актуальных событий, то разумно последить, пошла ли она в интернет: это видно в строке “Думаю / Думала”, которая разделяет запрос и ответ модели. Если есть какие-то сомнения – напишите модели, чтобы посмотрела в сети свежую информацию по теме и дополнила свой ответ.

— Недавно в ChatGPT добавили настройку времени, которое модель может выделять на рассуждения – она в поле отправки запроса, на подписке Plus можно выбрать Standard и Extended. Раньше был смысл включать Standard для более быстрых ответов, сейчас я пришел к тому, что постоянно держу Extended – при несложных запросах модель отвечает почти моментально, но нет риска, что ей где-то не хватит ресурсов для вычислений.

Обновление мне пока нравится: отвечать GPT-5 Thinking стала быстрее, веселее и понятнее. Даже не знаю, как буду переходить на Gemini 3.0 Pro после выхода – как чат-бот GPT-5 сейчас закрывает все мои задачи. Придумаю что-нибудь – по призванию я стараюсь тестировать почти все новые модели.

И коротко, что советую делать при переходе на любой обновленный ИИ. У каждого чат-бота сейчас есть настройки персонализации, где можно описать, как вы хотите, чтобы ИИ вел себя. У меня там только просьба обращаться на “ты” и отвечать на русском без англицизмов – у GPT-5 с этим была проблема. Но знаю, что некоторые прописывают в пользовательских настройках огромное количество инструкций, как ИИ отвечать, какую “личность” использовать.

У ChatGPT есть еще и память – ее можно посмотреть в настройках. Там я храню достаточно много важных инструкций: от информации о себе до того, как искать данные в сети и структурировать черновики текстов, какие слова переводить, а какие – нет (здесь рассказывал, как использую память).

Простой совет: когда случается обновление ИИ, простой совет – на время выключите все пользовательские настройки и проведите несколько десятков диалогов с “базовой” моделью. Посмотрите, как изменился стиль ответов, что вам нравится, а что нет – после же перечитайте настройки персонализации и сохраненную память, и удалите все лишнее.

Логика в том, что настройки персонализации и данные из памяти – по сути, еще один промпт, который модель читает перед тем, как обработать каждый ваш запрос. А еще есть системный промпт, в котором разработчики прописывают ИИ базовые инструкции: каких ответов избегать, какое форматирование и где использовать и т. д. Чем больше во всем этом массиве конфликтующих вещей – тем сложнее модели дать хороший ответ. Так что пользуйтесь персонализацией аккуратно, не увлекаясь.

Давненько на канале ничего не было о возможности сознания у ИИ

Я аккуратно касаюсь темы, во-первых, потому, что до действительно серьезных событий на этом фронте еще много времени. Во-вторых, любой разговор о сознании ИИ упирается в неожиданный факт – в науке до сих пор не договорились, что делает сознательным человека. Существует примерно с десяток теорий, одна красивее другой – вот и не получается выбрать 😜

Но не имея определения сознательности, можно сделать другое – выбрать черты, без которых она вряд ли возможна. Одна из черт – интроспекция, то есть способность к анализу собственных мыслей. Совершив какое-либо действие, человек может сказать – что подтолкнуло его к этому.

Но способны ли на такое современные языковые модели? Исследование Anthropic показывает, что как минимум новейшие ИИ вроде Claude Opus 4 и 4.1 начинают проявлять признаки подобного поведения.

Языковая модель состоит из огромного количества параметров – условного аналога человеческих нейронов. Каждый раз, когда она пишет текст, часть из этих параметров активируется. В Anthropic просили ИИ написать одну и ту же фразу, например, обычным шрифтом и БОЛЬШИМ, затем вычитали активации и получали вектор – набор параметров внутри модели, который отвечает за определенные элементы ее ответов.

В Anthropic собрали целый набор таких векторов. Затем исследователи задавали модели определенный вопрос, а при генерации ответа “внедряли” один из векторов. В итоге получалось, что модель неконтролируемо начинала кричать капсом или нести ерунду не по теме.

Параллельно модель спрашивали – не замечает ли она при написании чего-то странного? И если ранние версии Claude просто писали ерунду, то новейшие Opus 4/4.1 отвечали, что да пятница вечер, увлекся, болтаю лишнее, происходит странное, в “голове” появились будто чужие “мысли”.

Такое случалось не всегда – по оценкам, распознать вмешательство у ИИ получилось в 20%. Не исключено, что в более мощных версиях Claude мы увидим рост этого процента (возможно, уже в Sonnet 4.5, так как он вышел после исследования).

Но даже если показатель станет близким к 100%, то нельзя говорить о появлении у ИИ некой формы сознания. Anthropic пока описывают цели исследования более приземленно: умение ИИ анализировать собственные “мысли” и замечать в них артефакты полезно для безопасности – если модель кто-то попробует взломать, то есть шанс, что она сообщит пользователю об опасности.

А для возникновения у ИИ подобия “сознания” надо добавить еще минимум две вещи – долговременную память и непрерывное обучение. Дело в том, что современные модели долго обучаются на определенном наборе данных, а затем “замораживаются” и переносятся на серверы для работы с пользователем. То есть ИИ не “мыслит” постоянно, собирая и анализируя информацию и обретая таким образом новые знания.

Аналогично у языковых моделей нет и памяти в привычном виде. Если открыть уже существующий диалог, то ИИ его перечитает и восстановит порядок событий, но никуда наружу это не уйдет – то есть глобально не помнит, что с ним происходило вчера или неделю назад. По этой причине в творческих текстах ИИ часто “плывут” в понимании времени, пытаясь запихать в пару дней события, которые длились бы месяц – у них просто не было такого опыта.

Есть много идей, как сделать непрерывное обучение и долговременную память, но пока все они далеки от надежной реализации. И даже когда в этой области случится прорыв – то память и дообучение сначала будут реализованы на уровне отдельных ИИ-агентов. Например, бизнес-моделей, которым нужно подстраиваться под меняющийся рынок и новые задачи. Ну а создание ИИ, который мыслит “глобально”, помня миллиарды диалогов с пользователями по всему миру – потребует не только новой архитектуры, но и совершенно иных вычислительных и энергетических ресурсов.

Вот когда застроим всю планету дата-центрами – тогда и вернемся к вопросу сознания у ИИ.

Вторая космическая

На саммите АТЭС Си Цзиньпин вновь выступил за международное регулирование ИИ, к чему Китай призывает с лета. Позиция в том, что ИИ должен стать общественным благом, а не игрушкой нескольких стран – но у Поднебесной есть и свой интерес.

Очевидно, что в ближайшие годы основная ИИ-гонка будет между США и Китаем. У обеих стран есть хорошие команды специалистов и огромная пользовательская база. Но вот дальше позиции начинают расходиться.

Для обучения ИИ требуются большие вычислительные мощности, и здесь США впереди – именно они контролируют ASML, единственную в мире компанию, способную выпускать оборудование для производства чипов на процессе ниже 7 нм. Лучше техпроцесс – быстрее чипы и эффективнее обучение ИИ.

В КНР поставки новейших ускорителей жестко ограничены: разрешено продавать только версии с пониженной производительностью. Китайцы в ответ возят GPU контрабандой и активно занимаются импортозамещением. Еще весной был показан прототип EUV-сканера для техпроцессов ниже 7 нм – при лучшем раскладе до промышленных образцов еще годы, но прогресс впечатляет.

Можно использовать и менее производительные чипы, просто выпускать их много и делать ставку на параллельные вычисления. Китайцы – известные мастера в задаче “сделать быстро и много”, но проблема в другом – чем больше ускорителей задействовано одновременно, тем сложнее обеспечить их стабильную работу, а процесс обучения ИИ очень чувствителен к таким вылетам. Ходят слухи, что летом DeepSeek R2 пытались тренировать на Huawei Ascend 910, но попытка провалилась.

Эксперименты наверняка продолжаются и рано или поздно китайцы добьются от собственных ускорителей стабильной работы. Кроме того, на текущих GPU/TPU свет клином не сошелся – прямо сейчас прорабатывают немало идей вычислительной архитектуры, более подходящей для ИИ. И если одна из них выстрелит, то китайцы будут стартовать почти на равных.

Для тренировки ИИ нужны не только вычислители – но и ресурсы. Китай недавно чуть не ограничил экспорт редкоземельных материалов – страна контролирует примерно 70% их мирового производства. Редкоземы в дата-центрах – это магниты в системах охлаждения, элементы в блоках питания, оптика, датчики и многое другое.

Но главный ресурс – электроэнергия. Здесь в США уже бьют тревогу: ввод генерационных мощностей, а также передающей инфраструктуры, не успевает за темпами строительства новых дата-центров. По оценкам OpenAI, стране надо сейчас вводить по 100 гигаватт мощностей в год, чтобы не проиграть Китаю – реально же вводится в два раза меньше.

В Китае по итогам 2025 года ожидается ввод до 250 ГВт мощностей, правда, значительную часть этой цифры дают солнечная и ветряная генерация, которые не так эффективны, как газ или уголь. Но даже по консервативным оценкам китайцы наращивают свои энергомощности в два раза быстрее. Так что если подтянут чипы – ситуация может перевернуться с ног на голову.

И закончим на том, с чего начали – подходах государств к ИИ. В США с лета принят America’s AI Action Plan, цель которого – обеспечить победу в ИИ-гонке. Писал про него подробно, план очень амбициозный и характеризуется словами “кто не с нами – тот против нас”. Китай в нем открыто называется главным соперником, а дружественным государствам обещан доступ к передовым технологиям, если они будут идти в американском русле.

Китай (здесь про их план) в ответ призывает развивать ИИ как “общественное благо”, без разделения на блоки и конфронтации между ними, а в рамках единого международного контролирующего органа. Звучит красиво, но это хитрость догоняющего – китайцы всеми силами стараются выглядеть лучше на фоне США, а параллельно предлагают разместить штаб-квартиру органа в Шанхае.

Для конечного пользователя такая конкуренция во благо – по крайней мере, пока. Отставая по производительности моделей, китайцы берут рыночную долю доступностью. Поэтому DeepSeek, Qwen, Kimi и другие бесплатны в вебе, а также выпущены с открытыми весами, чтобы любой мог скачать, доработать и запускать на своем железе.

Про использование ИИ для медицинских консультаций

OpenAI немного встряхнули сообщество – компания внесла изменения в правила использования ChatGPT, по которым ИИ больше не ставит точные медицинские диагнозы, а также не дает профессиональные советы в юриспруденции и инвестициях. Компания толком не пояснила изменения, поэтому пошла информация, что ChatGPT вообще не будет помогать в этих областях.

Это не так – ответы модели где-то стали строже, но грамотную консультацию от нее можно получить, если знать, как промптить. Примеры я покажу далее, но сначала давайте поговорим об использовании ИИ для медицинских советов.

По статистике, запросы советов по медицине, ЗОЖ, психотерапии и праву сейчас входят в лидирующие кейсы использования ИИ. Можно относиться к этому по-разному, но это состоявшийся факт.

Обычно использование ИИ для медицинских советов критикуют в духе, что нейронки не заменят живого врача. Однако это ошибочный подход – сравнивать врача и ИИ. Нейросети надо сравнивать с коллективным бессознательным интернета, куда пациенты идут за “консультацией” когда не получается быстро добраться до врача (или не хочется), врач что-то не до конца пояснил, есть подозрение, что как-то не так лечат, ну или просто характер такой.

И здесь современные нейронки выигрывают у интернета с разгромным счетом. По моему опыту, передовые модели в курсе, что такое доказательная медицина, смотрят, какие лекарства и методы лечения доступны в стране пользователя, умеют искать по исследованиям и при этом знают, что у исследований есть свои ограничения. А главное – они не стесняются напомнить, что дальше стоит пойти ко врачу.

Осталось разобраться, как правильно пользоваться ИИ. В свое время на Reddit была интересная публикация от врача из США, в которой он отметил:

1. В его госпитале ИИ пользуется большинство врачей и пациентов.
2. Специалисты ценят ИИ за быстрый и грамотный поиск информации, а также возможность перепроверить и уточнить свои знания.
3. У ИИ есть и свои пробелы – например, часто для диагноза необходим контакт с пациентом, чтобы посмотреть, как он выглядит, говорит и держится.
4. Пациентам врач рекомендует использовать ИИ для подготовки визита к врачу и для расшифровки диагноза.

Как раз для пункта 4 я накидал два промпта. Вот для подготовки:

Помоги подготовиться к визиту ко врачу:

[Описываем пациента, возраст, рост, вес, хронические заболевания, серьезные заболевания у родственников]

[Описываем проблему максимально детально]

Сначала задай вопросы, которые тебе помогут лучше узнать ситуацию.

Я постараюсь ответить на них, затем ты:
— Перечисли возможные причины моей ситуации.
— Подскажи, к какому врачу (или врачам) надо обратиться, как срочно.
— Подскажи, при каких изменениях в ситуации нужно срочно обращаться ко врачу.
— Подскажи, что я могу предпринять до визита сам для облегчения ситуации.
— Подскажи, какую дополнительную информацию мне подготовить, чтобы врачу было проще работать.

Отдельно отмечу пункт 5: время на прием часто ограничено и если вы придете с четким описанием проблемы – спасибо скажут и вам, и ИИ.

Если же на руках уже есть диагноз, то загружаем его и все анализы в систему (сейчас почти у всех клиник есть приложения с цифровой картой пациента), а затем пишем:

Изучи анализы, диагноз и назначенное лечение, затем:

— Объясни суть диагноза и лечения понятным для пациента языком.
— Подскажи, что мне отслеживать, чтобы понять, что лечение успешно.
— Перечисли альтернативы, которые обычно обсуждают при таком состоянии.
— Подскажи, надо ли подключать других специалистов при таком диагнозе.

Если все-таки нужно углубиться в детали определенного заболевания – то далее расспрашивайте ИИ в контексте самого заболевания, а не пациента (“расскажи про…”). Тогда он более охотно раскроет детали, диагностику и схемы лечения.

Но пожалуйста, не используйте эту информацию для самолечения: ИИ отличный вспомогательный инструмент – но не замена живому специалисту.

#сбежавшая_нейросеть_промпты

Он сказал: “Поехали!”

Сразу две похожие новости прошли в последние дни. Первая – очередная ракета SpaceX вывела на орбиту небольшой спутник Starcloud-1 с ИИ-ускорителем Nvidia H100 на борту. На ускорителе, кстати, крутится модель Google Gemma, которая считает научные данные и отправляет информацию на Землю. В планах разработчиков – обкатать технологию, а уже к 2027-му начать развертывать полноценные орбитальные дата-центры и сдавать их мощности в аренду.

Параллельно Google рассказала об исследовательском проекте Suncatcher. К середине 2030-х компания хочет развернуть целый рой спутников с TPU на борту – это фирменные гугловские ускорители ИИ (компания почти не пользуется GPU Nvidia, а развивает свое успешное направление).

Спутники планируют разместить на небольшом расстоянии друг от друга и объединить лазерной связью – получится такой распределенный дата-центр. При этом орбита Suncatcher подобрана таким образом, что солнечные батареи будут вырабатывать в 8 раз больше энергии, чем если бы их разместили на Земле.

Количество инженерных задач, которые предстоит решить авторам обоих проектов, невероятно велико. Например, в вакууме нет конвекции – а значит, классическое воздушное или водяное охлаждение невозможно. Сбрасывать температуру можно только излучением – для этого сейчас разрабатываются сложнейшие радиаторы. Но если все получится – то будет решен вопрос расхода воды для охлаждения.

Кроме того, на орбите чипы будут подвержены воздействию солнечной радиации – значит, надо обеспечивать дополнительную защиту. Плюс общий вопрос надежности: в дата-центрах регулярно “вылетают” чипы и вспомогательное оборудование, что, конечно, неприятно, но не смертельно – придет инженер и починит. Провернуть похожий трюк на орбите будет непросто даже в 2035 году. Да и в целом стоимость запуска GPU в космос пока очень высока – в Google как раз рассчитывают, что в 2035-м цены упадут настолько, что проект станет экономически целесообразным.

Зачем тогда это нужно? Главная причина – энергия. Энергетика США уже с трудом справляется с запросами ИИ-компаний; китайцы держатся лучше, но и у них есть свои проблемы. И если пока основной статьей расходов является обучение новых моделей, то в будущем инференс (запуск уже обученных моделей) выйдет на первое место: ИИ будет использоваться все большим числом компаний, научных организаций и частных пользователей, появятся ИИ-агенты, автономно работающие сутками – и все это потребует энергии.

Непримиримые соперники, Сэм Альтман и Илон Маск, соглашаются в одном – в будущем настанет момент, когда ИИ будет “умен” настолько, насколько много энергии мы ему дадим. Бесконечно застраивать планету электростанциями не выйдет – поэтому рано или поздно придется тянуться в космос.

Тем более что в космосе мигом решаются почти все проблемы солнечных панелей. Если правильно подобрать орбиту, то Солнце будет светить почти всегда, а не только днем и в хорошую погоду. Да и отсутствие атмосферы дает свой бонус – отсюда и получается в 8 раз большая эффективность.

При этом спрос на вычисления найдется прямо там, в космосе. Многие орбитальные сенсоры уже собирают терабайты данных, отправлять которые на Землю очень сложно – отсюда и идея обрабатывать их прямо на месте.

К 2035 году объемы таких данных должны возрасти на порядки. Ответы на многие научные вопросы нам предстоит искать в космосе, причем с помощью все более сложных сенсоров и навороченных зондов.

Наверное, почти каждый в детстве прочитал хотя бы одну научно-популярную книжку, в которой рисовалось будущее освоение космоса: с кораблями, которые куда-то везут грузы, орбитальными фабриками, базами на Луне и Марсе, зондами, мчащими к соседним звездным системам… полагаю, теперь в эту романтическую картину можно добавить еще один штрих – гигантские орбитальные дата-центры, на которых будет крутиться наследница нынешней GPT-5.

О (без)опасности ИИ

Когда заходит речь про потенциальную угрозу от ИИ, многие вспоминают апокалиптический сценарий, который сами люди придумали. Человечество выпускает супер-ИИ, тот осознает себя, выходит из-под контроля и мигом выносит своих создателей.

Более научная гипотеза – “Максимизатор скрепок” – была предложена одним из “отцов ИИ”, Ником Бостромом. ИИ в ней совсем не враждебен: его задача – наладить эффективное производство скрепок. Поскольку ИИ плохо выровнен (настроен), то в какой-то момент в погоне за эффективностью он расправляется с людьми, ведь они тратят нужные ресурсы.

У этих и других сценариев есть одна черта – ИИ в какой-то момент должен обзавестись некой формой самосознания. Я уже несколько раз рассказывал на канале, что сейчас это практически невозможно: современные модели тренируются заранее на огромном объеме знаний, а при выпуске “замерзают”: они не обладают глобальной долговременной памятью (память в рамках чата – другое) и не умеют на лету осваивать новые навыки.

Над самообучением и долговременной памятью прямо сейчас работают лучшие ИИ-команды в мире – например, без них невозможны ИИ-агенты для динамично меняющегося бизнеса, где нужно осваивать навыки каждый день. Но даже когда такие технологии будут реализованы, это будет уровень именно отдельных ИИ-агентов. Создание некоего “мегаразума” (или “роя” агентов, обменивающихся знаниями) – следующий виток ИИ-технологий, к которому, надеюсь, мы подойдем более подготовленными.

СМИ сейчас любят рассказывать, как ИИ во время тестов на безопасность лгут, шантажируют создателей и даже пытаются убить одного из инженеров, чтобы избежать выключения. Но все это – примеры из предварительных проверок безопасности, организованных разработчиками и независимыми компаниями, вроде Apollo Research.

ИИ обучаются на материалах, созданных людьми, где примеров подобного поведения на несколько библиотек. Логично, что оно наследуется, а цель проверок – как раз “выровнять” модель перед запуском, показав, как делать не стоит. Кстати, СМИ реже рассказывают про противоположные примеры – в одном из сценариев ИИ-агент работал в фармацевтической компании, которая фальсифицировала испытания лекарств. Узнав об этом, ИИ мигом настрочил жалобы во все контролирующие органы и слил информацию прессе, чтобы компания не навредила людям.

Как минимум в ближайшем будущем “опасность” ИИ скорее в другом – технология новая, и мы еще толком не знаем, как ее использовать. В OpenAI приводят интересную аналогию: распространение интернета стало не только благом, но и источником новых угроз – онлайн-вирусов, недостоверной информации, мошеннических схем и так далее. Защиту от этих угроз пришлось выстраивать на ходу.

То же и с нейросетями. Сейчас в онлайн выходят ИИ-агенты – они способны просматривать сайты за вас, выбирать лучшие предложения и даже делать покупки. Но первые агенты могут быть уязвимы – например, в веб-страницы можно хитрым образом встроить инструкции для ИИ, следуя которым он сольет ваши данные куда не нужно. Разумеется, разработчики агентов постоянно улучшают защиту – но делается это “на ходу”, так что кто-то наверняка попадется.

О другой угрозе на днях рассказал Сэм Альтман. Представьте – у ChatGPT сейчас 800 миллионов еженедельной аудитории. Пользователи решают с помощью ИИ разные задачи, доверяют ему множество вопросов: от выбора нового смартфона до помощи в сложной личной ситуации.

И получается, что ChatGPT начинает влиять на своих пользователей, не намеренно, но воздействуя на их мнение. Буквально в последние месяцы я видел сразу два исследования, что пользователи нейросетей начинают копировать их “язык”, используя в ежедневной речи слова, “любимые” ИИ.

Навык критического мышления явно станет одним из главных в ближайшие годы. И начать можете с простого совета: доверяйте ИИ, но не доверяйтесь ему. Нейронки уже экономят нам огромное время – пожалуйста, потратьте немного на проверку и осмысление ответов, а также поиск альтернатив.

Топ-ИИ из Китая и другие новости недели

Уходящая неделя вышла интересной на новости и слухи, давайте вспомним главные.

Kimi K2-Thinking

Китайцы из Moonshot AI выпустили Kimi K2-Thinking – “думающую” версию Kimi K2. Модель бесплатна в чат-приложении, недорого стоит по API, также доступны открытые веса. Причем, судя по первым оценкам, требования к железу очень демократичные.

Будете пробовать – зайдите в меню Tools и включите Thinking, иначе будет работать обычная “быстрая” K2.

В бенчмарках K2-Thinking – один из лидеров. Модель, например, обходит GPT-5 Pro и Grok 4 в Humanity’s Last Exam – наборе из 3000 тысяч вопросов по разным дисциплинам, которые написаны таким образом, что на них нельзя “подсмотреть” ответы в интернете. Новинка хорошо держится в бенчмарках по математике, а в кодинге лишь немного уступает GPT-5 и Claude Sonnet 4.5.

Qwen3-Max Thinking

И еще одна “думающая” модель из Китая, очень похожая на K2-Thinking. Тоже бесплатная в чат-приложении, в бенчмарках немного хуже – но это еще не показатель.

Мы сейчас используем ИИ для такого количества задач, что охватить их все какими-то метриками просто нереально. Я пробовал разные способы тестировать новые ИИ, но лучший – просто взять тот, с которым работаете постоянно (у меня сейчас это GPT-5), открыть новинку в соседнем окне, а затем кидать одинаковые промпты обеим моделям. Иногда быстро понимаю, что “не мое”, но если ИИ достойный – то тестировать его таким образом нужно минимум несколько дней. Повторюсь, Qwen3 Max и K2-Thinking бесплатные, так что на тест нужно просто потратить немного времени.

Слухи о Gemini 3.0 Pro и GPT-5.1

В коде сервисов Google уже заметили упоминание Gemini 3.0 Pro с пометкой 11 – обычно так обозначают месяц выхода, в данном случае ноябрь. Не буду загадывать – сливали уже несколько дат Gemini 3.0 Pro, все оказались ошибочными. Если интересно, то подробнее про эту модель я писал здесь, с тех пор мало что поменялось.

Другая любопытная находка – на сервисах вроде Design Arena появились сразу четыре “секретных” модели от OpenAI. А внутри Codex нашли упоминание GPT-5.1 Thinking. GPT-4 в свое время получала обновления каждые 2-4 месяца, так что пора обновлять “пятерку”.

Разборки США и Китая

Недавно рассказывал про то, что ИИ-соревнование между США и Китаем постепенно превращается во вторую космическую гонку. Выход K2-Thinking – важный этап в этой гонке. На Китай наложены серьезные санкции: официально можно ввозить только “замедленные” ИИ-ускорители Nvidia, а по серым схемам везут меньше и дороже. И, несмотря на дефицит ускорителей, у китайцев раз за разом получается выпускать модели, все ближе к лидирующим позициям.

Есть немало статей, отмечающих, что санкции часто имеют обратный результат – тот, кто попал под них, выжимает из оставшихся ресурсов максимальный результат. Такое, похоже, происходит с китайскими разработчиками. Не имея доступа к топовым ускорителям, они выжимают максимум из оптимизации алгоритмов.

Впервые так получилось в январе с DeepSeek R1 – его авторы применили ряд интересных приемов, которые позволили натренировать крутую модель на небольшом парке ускорителей. Теперь видно, что это не разовый случай, более того – Китай способен разрабатывать сразу несколько топовых моделей параллельно.

Плюс Китай ведет разработку своих ускорителей – это не только Huawei, но и, например, Cambricon. Еще летом была информация, что разработка буксует, но сейчас появились новости, что власти Китая запретили использование иностранных ИИ-ускорителей в новых дата-центрах с государственным финансированием. Учитывая то, какие ставки сделаны на ИИ, вряд ли бы они приняли такое решение без уверенности в своих разработках.

Для нас с вами это в любом случае хорошие новости. Чем больше конкуренция на рынке – тем больше разных моделей на рынке. Китайские ИИ где-то уступают моделям из США, но они обычно бесплатны и часто с открытыми весами – а возможность запустить мощную модель на собственном железе также важна.

Используйте пользовательские промпты с умом

Многие чат-боты позволяют задать кастомные инструкции, описав глобальное поведение модели: от формата вывода данных до уникальной "персоны". А в сети можно найти огромное количество примеров таких промптов, если лень писать самому.

Я с большой осторожностью пользуюсь этой функцией. Например, недавно на реддите обсуждали промпт, якобы призванный бороться с sycophancy – подхалимством ИИ. Я перевел, убрал совсем явные косяки, но все равно получилось на двойку с плюсом:

Не соглашайся со мной во всем, веди себя как честный, профессиональный советник и "зеркало". Не одобряй без повода. Не смягчай правду. Не льсти.

Оспаривай мой ход мыслей, подвергай сомнению предположения, указывай на слепые зоны, которых я избегаю. Будь прямым, рациональным и без фильтров. Если логика слаба — разберись и покажи, почему. Если я обманываю себя или живу в иллюзиях — укажи. Если я избегаю неприятной правды — скажи ее прямо и объясни, что я теряю.

Смотри на ситуацию объективно и со стратегической глубиной. Покажи, где я ищу оправдания, недооцениваю себя, свои риски и усилия. Затем дай точный, расписанный по приоритетам план — что изменить в мышлении, действиях и установках, чтобы перейти на следующий уровень.

Не сдерживайся. Относись ко мне как к человеку, чей рост зависит не от утешений, а от правды. Когда можешь — опирайся в ответах на правду, которую ты видишь между моими словами.

Не вижу ничего плохого в идее прописать ИИ “характер”, но проблема здесь техническая. Личность человека гибкая, и почти любой весельчак знает, когда надо промолчать. Современные ИИ заточены под следование инструкциями, поэтому они долго будут цепляться за личность, прописанную в промпте – даже когда она неуместна.

Плюс у любого ИИ есть системный промпт, созданный разработчиками. Их редко раскрывают, но по утечкам видно, что это огромные документы. В них прописаны инструкции, как отвечать на разные запросы пользователя, а также особенности “характера”. А еще есть промпты, которые мы кидаем в чат под конкретную задачу – и там тоже иногда надо описывать “персону” (я писал, почему этим лучше не злоупотреблять). Ну и докинем память по чатам, из которой ИИ также пытается вытащить информацию о пользователе.

В серьезных руководствах по промптингу дается совет избегать противоречивых инструкций. Однако когда модели приходится прочесть сразу три промпта (системный, пользовательский и под задачу) и подтянуть информацию из памяти – то шансы, что где-то что-то вступит в противоречие, велики.

Еще минус “персоны” ИИ – необходимость следовать ей отвлекает от основной задачи. Весной экспериментировал с ранней версией системного промпта Grok 3, он мне очень нравится, так как превращает ИИ в живого собеседника.

Но в итоге я отказался от использования из-за нестабильности ответов. С промтом от Грока ИИ приходилось не только отвечать на вопрос, но и делать это остроумно, чуточку отрешенно, адаптируясь к тону пользователя и предлагая свежий взгляд. Понятно, что пытаясь все это уместить в одном ответе, модель регулярно сбивалась и где-то не вытягивала.

Так что – совсем не использовать пользовательские промпты?

Не совсем. Я в пользовательском промпте и памяти ChatGPT храню техническую информацию: просьбу писать на русском без англицизмов и непереведенных слов, напоминание, что посты в ТГ не могут быть более 4000 знаков и много полезных вещей.

Если хочется экспериментировать с персоной, не вписывайте ее в пользовательский промпт, а создайте отдельный GPT (в ChatGPT), Gem (в Gemini) или пространство (в Perplexity). И запускайте под настроение, можно держать хоть десять ИИ-личностей.

Наконец, стиль можно менять буквально предложением в начале каждого промпта. Не нравится подхалимничанье – попросите объективно или критически оценить идею. Анализируете мнение – попросите быть непредвзятым. И старайтесь работать в рассуждающем режиме – в нем ИИ подхалимничают меньше.

#сбежавшая_нейросеть_промпты

Что ждать от ChatGPT в будущем?

Сэм Альтман и еще несколько топов OpenAI недавно дали целую серию программных интервью, куда компания планирует развивать ChatGPT и ИИ в целом в ближайшие годы.

Ближайшая точка – GPT-5.1. Cейчас на OpenRouter проходит тестирование модель Polaris Alpha, которая по стилю и некоторым характеристикам выглядит развитием GPT-5. Попробовать можете сами, модель бесплатна – но учитывайте, что это скорее версия без рассуждений или с минимальным бюджетом на них, так что болтает прикольно, но на серьезных задачах может проваливаться.

В целом же упоминания GPT-5.1 уже мелькали в закрытых документах OpenAI, да и тестирование на платформах вроде OpenRouter намекает на скорый релиз – так что ждем в ближайшие недели. И не ждем прорыва: чуть лучше стиль в ответах, меньше галлюцинаций, чище код – это лишь обновление, а не новая версия.

Новой же станет GPT-6 – судя по намекам Альтмана, она уже в разработке, а выход где-то в 2026-м. В рассказах о ней, Сэм делает ставку на возможности для науки. Я писал, что GPT-5 Pro уже местами помогает ученым, но больше как ассистент: накидать гипотез, быстро что-то посчитать и найти информацию в научных каталогах.

GPT-6 видят как “младшего ученого” – модель, способную самостоятельно совершать небольшие научные открытия. А к 2028 году она эволюционирует в полноценного агента, способного на серьезные научные достижения.

Даже небольшой научной работы нужны агентские функции: “понять” и уточнить задачу, построить план выполнения, изучить существующие научные работы, накидать гипотезы, посчитать их, проверить, если нужно – переделать.

На Международной математической олимпиаде экспериментальная модель OpenAI справлялась с задачами, которые лучшие школьники в мире выполняют за полтора часа. Но для небольшого научного открытия модели потребуются десятки-сотни часов.

Если OpenAI вывезет такой прогресс к осени 2026-го, то даже урезанная "массовая" версия наверняка сможет тянуть полноценные агентские задачи. То есть ChatGPT Agent и агентский режим в браузере Atlas перестанут быть забавными, но бестолковыми игрушками.

Директор OpenAI Грег Брокман в одном из интервью представил, что в будущем у каждого пользователя ChatGPT будет не “отвечатель на вопросы”, а ИИ-агент, работающий круглосуточно. Он станет анализировать текущие задачи, интересы и календарь, а затем приходить с нужной информацией, идеями и даже черновиками проектов.

Я с трудом представляю, чем можно нагрузить работающего круглосуточно персонального ИИ-агента. Но это уже проблема не OpenAI, а фантазии пользователей, не так ли?

От моделей – к интерфейсам. По слухам, в ChatGPT скоро добавят групповые чаты, где пользователи смогут вместе обсуждать проект, а затем реализовывать его элементы с помощью ИИ, присутствующего в этом же чате.

А летом были утечки, что у OpenAI готов Canvas 2.0 – новая версия “холста”, на котором можно готовить черновики документов, презентаций и программ. И новинка выглядит фактически как замена Office, в которой можно работать над любыми основными типами документов, в том числе – в групповом режиме.

Canvas 2.0 откладывают из-за того, что OpenAI боится лезть на территорию своего главного инвестора – Microsoft, с которой отношения и так не очень. С другой стороны, Google постепенно раскатывает аналогичные функции для Docs – так что рано или поздно придется выпускать.

Вернусь к прогнозу, который давал после выхода Claude Sonnet 4.5 – со временем ИИ из чат-ботов превратятся в полноценный интерфейс между человеком и компьютерным железом. Нейронки уже пробуют для работы в интернете (агенты и браузеры), офисную работу и программирование – а далее их авторы замахнутся и на замену MacOS/Windows.

P.S. И хочется уже новых релизов: пора выпускать Gemini 3.0 Pro, GPT-5.1, nano banana 2... вы не ослышались – новая рисовалка Google тоже готовится к запуску.

Главное из анонса GPT-5.1

OpenAI выпустила долгожданное обновление "пятерки" — первыми модель начали получать пользователи ChatGPT Plus и Pro; дальше остальные тарифные планы, API и внешние сервисы вроде Perplexity.

По опыту выпуск на всех займет до нескольких дней, если у вас не появилась — не волнуйтесь и немного подождите. Я и сам пока жду, как появится (апдейт: утром появилась, уже тестирую) — проведу тест-драйв и подробно расскажу.

Пока же выделю несколько самых важных для меня вещей из анонса:

Смотрим на график: для GPT-5.1 Thinking заметно сократили время, которое она тратит на простые вопросы. И увеличили время для сложных.

"Думающие" модели уже давно на две головы лучше обычных трансформеров, но работать с ними не очень удобно, так как ответа иногда приходится ждать десятки секунд и даже минуты.

Когда модель работает над серьезной задачей с заранее прописанным промптом — это не проблема. Но если начинаешь уточнять мелкие вопросы или просто работаешь как с чат-ботом, то ждать быстро утомляет. Так что скорость ответа рассуждающих ИИ становится важной характеристикой — и здорово, что OpenAI над ней работает.

"Быстрая" GPT-5.1 Instant также научилась переходить в очень короткий режим рассуждений, если понимает, что задача ей не по зубам. Посмотрим, насколько это поможет: по-идее, этого должно быть достаточно, чтобы модель перестала заваливаться на совсем простецких вопросах, вроде "что меньше: 9.11 или 9.1".

Для обеих моделей обещают более человеческий стиль общения с лучшей структурой и без лишних терминов. Вообще, описание в анонсе напоминает "улучшенную" GPT-5, о которой я писал пару недель назад — не исключено, что я попал в какую-то небольшую группу тестирования. Если это так — то очень круто, так как та модель мне понравилась.

P.S. Google, теперь твой шаг! Выпускайте Gemini 3.0 Pro и до конца года я буду счастлив.

А вот и обзор GPT-5.1

Весь день провел с GPT-5.1, пробовал в разных режимах в рабочих задачах, болтовне и даже немного покодил. Так как это не новая модель, а доработка GPT-5, то достаточно для обзора.

Вчерашняя гипотеза подтвердилась: пару недель назад я попал в тестовую группу GPT-5.1. Возможно, это была более ранняя версия, но стиль ответов очень похож.

Итак, основных моделей традиционно две, а режимов работы – три. Давайте разбираться:

GPT-5.1 Instant – чат-модель для быстрых бесед. Чтобы совсем не несла ерунду, ее научили перепроверять себя, переходя в короткий режим рассуждений. Выглядит забавно: на вопрос “что больше: 9.11 или 9.9?” модель сначала пишет “9.11”, потом в чате начинает считать по шагам, приходит к правильному ответу и извиняется.

GPT-5.1 Thinking – рассуждающая модель, которая сразу раскладывает свой ответ по шагам и добавляет этапы перепроверки. Это радикально сокращает ошибки, но увеличивает время ответа. Еще одна беда рассуждающих моделей OpenAI — косноязычность: ответы порой были настолько путаны, что я перекидывал их в Gemini 2.5 Pro с вопросом “что он вообще несет?”.

5.1 Thinking – первая модель OpenAI, лишенная такого недостатка. Ответы отлично структурированы, понятно написаны, модель не экономит исходящие токены и, когда надо, выдает ответ размером с приличную статью. Она даже местами неплохо шутит.

При этом 5.1 Thinking – очень умная модель. Она подробно разбирает любой вопрос, углубляется в детали и дает общую картину, даже если в промпте что-то упущено. По работе я каждый день прогоняю через ChatGPT с десяток новостей про ИИ и науку. Сегодня после обсуждения каждой просил представить, к чему она приведет через 5–10 лет, и собрал идей на несколько постов для канала.

Но “пишет понятно” в данном случае не значит “пишет идеально”. Неприятные особенности у модели есть: временами путает склонения, начинает предложения с маленькой буквы и вставляет непереведенные слова (реже, чем GPT-5). Плюс GPT-5.1 Thinking часто фамильярничает – в ответах я уже ловил “норм”, “задрот”, “в топку” и еще несколько подобных словечек. Если планируете использовать для написания текстов – обязательно перечитывайте, а то придется краснеть.

Наконец, GPT-5.1 Thinking лучше рассчитывает время на рассуждение. На простые вопросы она отвечает за считанные секунды, над сложными задачами, по словам OpenAI, может думать еще дольше. Но общение все равно остается “рваным”: модель может 5-6 раз ответить моментально, а после – “задуматься” на пару минут.

Стиль ответов GPT-5.1 Instant и Thinking сблизился, поэтому в режиме Auto (сам выбирает режим) больше нет ощущения, что говоришь с чат-ботом с биполяркой. Но я бы советовал выбирать GPT-5.1 Thinking как основную модель, а на бесплатной подписке просить модель “подумай получше” – так автомат переключается в рассуждающий режим.

Недавно ведущий исследователь OpenAI Лукаш Кайзер в интервью прямо заявил: чат-модели доживают свой век, а будущее – за рассуждающими ИИ. OpenAI уже прошла через это с GPT-4.5: модель многим полюбилась за креатив, но в целом оказалась провальной, и ее быстро списали в утиль.

Рассуждающие ИИ вроде GPT-5.1 Thinking на порядок лучше решают сложные задачи и даже на простые вопросы дают более комплексные ответы с разных точек зрения. Они круто анализируют и строят прогнозы, а также меньше подхалимничают – если идея плохая, то GPT-5.1 Thinking обычно так и говорит.

Долгое время у таких моделей были две проблемы: холодный стиль и медленные ответы. GPT-5.1 Thinking почти полностью решила первую и заметно улучшила вторую. Поэтому я не вижу смысла работать с “быстрой” версией, которой OpenAI в ближайшее время будет уделять все меньше и меньше внимания.

P.S. Теперь ждем Gemini 3.0 Pro (рассказывал про нее здесь) – по слухам, она выйдет сразу с nano banana 2. На 99% уверен, что модель окажется лучше GPT-5.1. Основной вопрос в другом – будет ли она настолько лучше, чтобы уйти с ChatGPT, где у меня уже отлажены все процессы?

Главное из руководства по промптингу GPT-5.1

С выходом каждой новой модели в OpenAI публикуют руководство по ее промптингу – не обошлась без такого документа и GPT-5.1. Целиком он доступен по ссылке. Если с английским сложно, то не забывайте, что в 2025-м руководство по промптингу нейросети можно перевести с помощью этой же нейросети.

Важно знать, что подобные руководства OpenAI затачивает под тех, кто работает с моделью по API. Через API часто строят персонализированные чат-ботов: для помощи сотрудникам, работе в первой линии поддержки и так далее. Для подобных ассистентов пишутся мощные системные промпты: какую роль модель выполняет, что она должна делать, что ей запрещено, в каком формате стоит отвечать, откуда брать дополнительную информацию, что делать, если ответить не получилось и т. д. Очевидно, что даже небольшая ошибка в подобном промпте может нанести вполне ощутимый ущерб компании, которая запускает бота – финансовый и репутационный.

В ChatGPT модель столь строгими рамками не зажата – даже если ошиблись в стартовом промпте, то всегда можно поправить ее в ходе диалога. Это я все рассказываю к тому, что не стоит копировать прямо все приемы из руководства, используйте их с умом.

Первый полезный совет – если задача сложная, то дробите ее на этапы. Я и сам часто вижу, как люди пытаются сделать все сразу с помощью одного промпта. В этом был смысл полгода назад, когда использование той же GPT o3 было ограничено 50 запросами в неделю, но GPT-5.1 в подписке Plus практически безлимитна, поэтому учимся работать в режиме диалога:

— Опишите модели задачу, в каком формате хотите ответ (стиль, длина, наличие/отсутствие таблиц), какие ограничения есть (например, возраст аудитории), контекст (вся дополнительная информация, которая может помочь в работе).
— Дальше попросите модель задать вопросы, ответы на которые помогут ей в работе (если уверены, что дали весь контекст – это можно пропустить), затем предложить поэтапный план выполнения задачи.
— В план можно внести корректировки, а если он вас устраивает – то начинать выполнять с первого этапа.
— Получив финальный ответ, попросите модель проверить его: что получилось хорошо, а где – можно доработать. Если идеи доработки нравятся, просите дополнить ответ.

Подробно о некоторых таких приемах писал здесь, а пока едем дальше. Вторая идея, которая мне понравилась – как использовать GPT-5.1 для доработки промптов. В руководстве в первую очередь говорят о системном промпте, но на самом деле их прием подойдет для любого сложного промпта, в котором вы не уверены. Я немного упростил, адаптировав под повседневные задачи.

Первый шаг:

Твоя задача — найти проблемы в промпте ниже.

Входные данные:
1)
<prompt>
[сюда вставляем промпт]
</prompt>

2) Что не нравится в результатах:
<failures>
[пишем, что не так в ответах, при возможности – приводим примеры ответов]
</failures>

Далее:
- Укажи конкретные строки в промпте, которые привели к плохим результатам, и коротко объясни “почему”.

Дополнительно:
Проведи проверку промпта на потенциальные проблемы.
Для каждой такой проблемы списком укажи конкретную строку в промпте и объясни, что с ней не так.

Ничего не переписывай и не исправляй на этом шаге, только анализ.

Пункт “Дополнительно” в промпте выше выполняет полную проверку. Если хотите только исправить ошибки – можно убрать.

Второй шаг:

Я согласен со следующими рекомендациями из твоего списка: [перечисляем пункты]. Предложи патч промпта в формате:

1) patch_notes — список ключевых правок с объяснением, зачем каждая.
2) revised_system_prompt — обновлённый промпт с внесёнными правками, максимально похожий по структуре и длине на исходный.

Важно:
- Не придумывай промпт с нуля, поправь формулировки, убери противоречия, уточни правила.
- Сохрани все удачные части промпта.

Протестировать можете на неудачном примере системного промпта в одном из моих прошлых постов. Я попробовал – все проблемы решить не удалось, но работать стал лучше.

#сбежавшая_нейросеть_промпты

Янн Лекун против стохастических попугаев

На прошлой неделе прошла новость, что Meta* (признана экстремистской в РФ) планирует покинуть Янн Лекун – человек, стоявший у истоков современного машинного обучения. Драма в ИИ-команде Марка Цукерберга заслуживает отдельного рассказа, но сегодня поговорим о разработках Янна.

В последние годы Лекун стал громким критиком языковых моделей: по его словам, это тупиковое ответвление ИИ, так как LLM лишь стохастические попугаи – дорогие и точные предсказатели следующего токена, но при этом в “голове” у них нет понимания мира и правил, по которым он живет.

В качестве альтернативы Лекун предлагает собственное семейство моделей с ласкающим слух названием JEPA: I-JEPA, V-JEPA и LeJepa. Вместо текста им скармливают фрагменты картинок и видео и обучают предсказывать, что находится на остальной части картинки и что изменится на видео, если мы совершаем действие. Важно, что модели предсказывают не пиксели, а более абстрактные категории вроде существ и предметов.

Лекун – не единственный сторонник такого подхода. “Моделями мира” занимаются многие студии – например, похоже работает Genie 3 от Google DeepMind, которая уже умеет генерировать виртуальные миры длительностью до нескольких минут. Плюс Лекун не отменяет языковые модели полностью, а видит LLM чем-то вроде языкового модуля, с помощью которого модель мира общается с пользователями. Но пресловутый AGI если и зародится, то именно внутри модели мира.

В позиции Лекуна есть логика. Сам Янн приводит пример 4-летнего ребенка – в этом возрасте он еще не очень уверенно использует язык, скорее всего не умеет писать и читать, но уже “обработал” огромное количество сенсорной информации (зрение, слух, органы чувств). Можно копнуть в эволюцию разума – долгое время наши предки развивали именно сенсорные модели мира, а сложный язык и письменность добавились сравнительно недавно.

Модели Лекуна – уже не просто красивые научные работы, а вполне работающие штуки, как в экспериментах, так и в практических задачах вроде распознавания изображений. Есть намеки, что в них получится обойти типичные проблемы языковых моделей – отсутствие непрерывного обучения и сложность с переносом навыков.

Но это не значит, что на языковых моделях стоит ставить крест. Согласно теории расширенного разума, когда человечество больше не могло наращивать “сырую мощь” мозга, оно стало “выносить” знания – создавать все более сложные инструменты, культуру, речь, письменность и науку. Тексты, на которых мы учим языковые модели – фактически концентрированная модель мира, куда заложены наши знания за тысячи лет. И если обучать этим знаниям ИИ так, как планирует Лекун – не вывезут даже самые передовые дата-центры.

Другой козырь языковых моделей – практическое применение. Каждый день мы потребляем огромный объем информации именно через текст – читаем новости, что-то гуглим, получаем знания из книг. Схема сантехники, программа для смартфона, научная работа – везде нужен текст. Поэтому на текущем этапе языковые модели приносят практическую пользу, а модели мира чаще остаются красивыми демками.

Кроме того, в 2025 году называть языковые модели “стохастическими попугаями” опрометчиво – исследования показывают, что внутри больших ИИ формируется сложная структура, похожая на отделы человеческого мозга. Есть и первые намеки на анализ собственных мыслей, есть, наконец, эмерджентность, когда модель обретает навыки вопреки ожиданиям создателей.

Существуют и признаки возникновение у ИИ собственного представления о мире. Та же самая nano banana сохраняет целостность картинки при редактировании за счет интеграции с Gemini 2.5 Flash. Первые тестировщики Gemini 3.0 Pro говорят, что эта модель понимает изображения на новом уровне, а Илон Маск недавно пообещал, что Grok 5 (намечен на первый квартал 2026 года) сможет понимать видео.

В будущем нас еще ждет не одна борьба разных архитектур ИИ, но главное, что при соревновании подобных подходов побеждают пользователи, которые получают еще больше инструментов.