Временной горизонт появления рекурсивного, самосовершенствующегося ИИ сместился ближе, и последствия для корпоративных бюджетов на исследования и разработки выглядят радикально. По словам сооснователя Anthropic Джека Кларка, сроки появления систем искусственного интеллекта, способных самостоятельно обучать более мощного преемника, сдвинулись к 2027 году. Вероятность достижения этого порога оценивается примерно в 30 процентов к 2027 году и почти в 60 процентов к концу 2028 года.
Этот сдвиг обусловлен не маркетинговыми заявлениями, а конкретными бенчмарками, отслеживающими возможности автономных исследований. Новая система оценки под названием TasteVal измеряет, насколько эффективно ИИ-системы могут проектировать эксперименты и интерпретировать их результаты без вмешательства человека. Как отмечают в P-Zero Research, исследовательский вкус опирается на три ключевых столпа: определение того, какие исследовательские вопросы действительно стоит изучать, разработка строгих экспериментов для получения ответов и правильный анализ полученных данных.
В ходе тестирования модели сопоставлялись с восемью фиксированными исследовательскими задачами, взятыми непосредственно из практики разработки ИИ-моделей, с четкими критериями оценки. Фиксированный агент для написания кода выполнял все эксперименты на одном GPU Nvidia H100. Для создания базовой линии исследователи привлекли 24 экспертов с опытом работы в таких лабораториях, как OpenAI, Google DeepMind, Nvidia и Microsoft Research.
Результаты демонстрируют растущий разрыв в эффективности. Самая производительная система в оценке, модель Opus 5.5 от Anthropic, достигла коэффициента вычислительной эффективности в 2.3, показав результаты экспертного уровня при затратах вычислительных ресурсов менее чем вполовину от человеческих. Что еще важнее с финансовой точки зрения, один автоматизированный запуск обошелся примерно в тридцать раз дешевле средних расходов на попытку человеческого эксперта.
Еще показательнее скорость улучшений. От поколения к поколению моделей коэффициент вычислительной эффективности удваивался примерно каждые три месяца начиная с декабря 2025 года. Когда возможности машин удваиваются ежеквартально, а удельные затраты падают до доли от стоимости человеческого труда, традиционные модели затрат на R&д полностью разрушаются. Эта динамика заставляет проводить структурное перераспределение корпоративного капитала: бюджеты должны стремительно уходить от расширения штата сотрудников для поисковых испытаний в пользу автоматизированной вычислительной инфраструктуры, способной параллельно запускать тысячи виртуальных экспериментов.
Для руководства компаний этот структурный сдвиг означает необходимость болезненных пересчетов. Коэффициент вычислительной эффективности в 2.3 позволяет ИИ-системам соответствовать результатам экспертов при расходе менее половины ресурсов, из-за чего сроки корпоративных экспериментов сокращаются с месяцев до часов. Направление капитала в крупные исследовательские команды под руководством людей и затянутые циклы экспериментов несет риск финансирования подходов, которые вскоре окажутся экономически неконкурентоспособными на фоне автономных систем, работающих за малую долю стоимости и времени.
Анализ редакции
Как мы писали в сентябре, Дарио Амодеи открыто требовал осторожности на фоне предупреждений собственного лида по безопасности о рисках уничтожения человечества выше 10%, а в апреле мы сообщали о сборе 81 тысячи ответов для анализа перекройки найма и должностей. Оценка Джека Кларка в 30% к 2027 году и почти 60% к концу 2028 года превращает автономный R&D из отдаленной теории в конкретный график перераспределения расходов на кремний и людей. Парадокс саморегуляции окончательно закрепился в расписании лабораторий: призывы нажать на тормоза звучат одновременно с ускорением гонки за самообучаемым преемником.
Мы писали об этом: 26 апреля, 26 сентября