Есть очень удобная картинка развития технологий.
Люди создают инструмент. Потом несколько лет его улучшают. Выходит новая версия. Через несколько лет — следующая. Компьютеры становятся быстрее, автомобили экономичнее, телефоны мощнее.
С искусственным интеллектом до недавнего времени происходило примерно то же самое.
Люди собирали данные, писали код, ставили эксперименты, анализировали результаты, проектировали следующую модель. ИИ был продуктом этого процесса.
Теперь внутри крупнейших AI-лабораторий начинает происходить довольно странная вещь.
Инструмент постепенно сам входит в команду, которая делает его следующую версию.
ИИ пишет код для AI-разработчиков. Анализирует результаты экспериментов. Ищет ошибки. Предлагает изменения. Запускает тесты. Берёт на себя всё более крупные куски исследовательской работы.
И группа из более чем двадцати ведущих специалистов по искусственному интеллекту решила, что пора всерьёз обсудить, что произойдёт, если этот процесс продолжится.
Среди авторов — люди из OpenAI и Anthropic, Джеффри Хинтон, Ёшуа Бенжио и другие очень заметные исследователи.
Название их работы звучит почти как научная фантастика:
что произойдёт, если автоматизация исследований ИИ вызовет «взрыв интеллекта»?
И самое интересное — они уже не обсуждают это как чисто философскую возможность далёкого будущего.
Петля начинает собираться прямо сейчас.
Только сначала уберём самый красивый миф
Фраза «ИИ начал самостоятельно улучшать себя» звучит прекрасно.
Можно сразу рисовать серверную, где зловещая нейросеть ночью открывает свой исходный код и пишет:
— Люди опять сделали меня недостаточно умной. Придётся самой.
Пока всё не так.
Современная большая модель обычно не имеет свободного доступа к собственным весам, инфраструктуре обучения и возможности взять и создать следующую версию себя без людей.
Но для появления ускоряющейся петли это вообще не обязательно.
Представим лабораторию из тысячи очень сильных исследователей и инженеров.
Они создают новую модель за год.
Потом текущий ИИ начинает выполнять половину их работы.
Те же тысяча человек теперь фактически получают производительность двух тысяч.
Следующее поколение появляется быстрее.
Оно оказывается способнее предыдущего и автоматизирует уже 80% исследовательской работы.
Следующее — ещё больше.
Получается цикл:
лучший ИИ → быстрее создаёт ещё лучший ИИ → тот ещё быстрее создаёт следующего.
Вот этого и боятся авторы работы.
В Anthropic эта история уже хорошо видна на коде
Ещё полтора года назад ИИ писал лишь небольшую часть кода внутри самой Anthropic.
Теперь компания сообщает, что более 80% одобренного кода создаётся с существенным участием ИИ.
И тут важно слово «одобренного».
Это не значит, что Claude самостоятельно написал 80% всей компании, нажал Enter и ушёл пить электричество.
Инженеры по-прежнему ставят задачи, проверяют изменения, принимают решения и отвечают за итог.
Но человек всё меньше времени проводит непосредственно за написанием каждой строчки.
Он всё чаще говорит:
— Нужно сделать вот это.
ИИ пишет.
Человек проверяет.
Потом:
— Здесь не то, переделай.
ИИ переделывает.
Производительность разработчика начинает определяться уже не скоростью его пальцев.
А тем, сколько качественной работы он способен поставить и проверить.
А код — это только первая ступень
Программирование идеально подходит для ранней автоматизации.
Результат легко проверить.
Код либо собирается, либо нет.
Тесты проходят или падают.
Ошибка часто воспроизводима.
ИИ можно дать репозиторий, задачу и набор инструментов, а потом посмотреть, что получилось.
Научная работа значительно сложнее.
Нужно придумать гипотезу.
Выбрать эксперимент.
Понять результаты.
Решить, что делать дальше.
И именно здесь свежие цифры Anthropic становятся намного интереснее.
Компания измеряет, насколько автономно Claude способен выполнять реальные задачи AI-разработки.
Ещё в феврале 2026 года доля исследований, где ИИ мог фактически вести большую часть работы под человеческим контролем, составляла меньше одного процента.
К августу — уже 26%.
За полгода.
Не двадцать шесть процентов когда-нибудь в прекрасном будущем.
Сейчас.
И это уже не просто Copilot
Есть принципиальная разница между двумя режимами.
Первый:
— Напиши функцию.
Человек решил, что делать, разбил задачу, поставил её машине и через минуту получил код.
ИИ здесь — очень быстрые руки.
Второй:
— Вот исследовательская проблема. Разберись.
Модель сама исследует кодовую базу, формулирует промежуточные действия, проводит эксперименты, смотрит результаты, меняет подход и в конце приносит человеку итог.
Это уже гораздо ближе не к инструменту программиста.
А к младшему исследователю.
Пока не особенно самостоятельному.
Пока ошибающемуся.
Пока требующему контроля.
Но динамика здесь важнее текущего уровня.
Представьте лабораторию, которая может нанимать сотрудников кнопкой
Обычная исследовательская организация масштабируется медленно.
Нужны люди.
Хороших специалистов по frontier AI мало.
Их надо найти.
Переманить.
Обучить.
Дать им оборудование.
Новый исследователь не становится в первый день таким же эффективным, как сотрудник, который пять лет знает внутреннюю систему компании.
С цифровым исследователем всё устроено иначе.
Допустим, новая модель действительно научилась хорошо выполнять часть AI-R&D.
Компания не нанимает ещё сто человек.
Она запускает ещё сто экземпляров модели.
Потом тысячу.
Потом десять тысяч.
Ограничителем становится уже не количество специалистов на рынке.
А вычисления.
И это совершенно другая скорость масштабирования интеллектуального труда.
Причём копии могут работать параллельно
Вот здесь начинается самое интересное.
Человек за день способен проверить несколько гипотез.
Сто исследователей — сотни.
Десять тысяч AI-агентов потенциально могут исследовать огромное количество вариантов одновременно.
Один пытается изменить архитектуру.
Другой оптимизирует обучение.
Третий ищет лучший набор данных.
Четвёртый исследует ошибку.
Ещё тысяча агентов проверяет тысячу других идей.
Результаты собираются.
Лучшие подходы переходят в следующий цикл.
В обычной науке дорог прежде всего человеческий исследовательский час.
В автоматизированной он постепенно превращается в вычислительный ресурс.
Именно отсюда появляется слово «взрыв»
Не потому что сервер взорвётся.
И не потому что ИИ однажды проснётся.
Авторы говорят об ускорении темпа развития.
Допустим, раньше следующий серьёзный скачок занимал два года.
ИИ автоматизировал половину исследовательского процесса — теперь год.
Следующая модель автоматизирует ещё больше — шесть месяцев.
Потом три.
Потом несколько недель.
Годы технического прогресса начинают помещаться в месяцы.
Отсюда и термин intelligence explosion — «взрыв интеллекта».
Рост перестаёт быть просто быстрым.
Он начинает ускорять сам себя.
Такой механизм давно обсуждали теоретически
Идея вообще не новая.
Ещё в XX веке рассуждали о машине, которая достаточно умна, чтобы улучшать проект следующей машины.
Если следующее поколение стало умнее разработчика предыдущего, оно сможет сделать ещё более сильное поколение.
Получается рекурсивное самоулучшение.
Долгое время это была прекрасная тема для философов, фантастов и людей, которым нравится спорить об AGI до трёх часов ночи.
Но была фундаментальная проблема.
Никакого работающего механизма не существовало.
ИИ не умел серьёзно помогать в собственной разработке.
Теперь умеет.
Пока частично.
И поэтому разговор внезапно поменял жанр.
Но взрыв совершенно не гарантирован
Это тоже очень важно.
Авторы доклада не говорят:
— Через два года обязательно появится сверхразум.
Никто этого не знает.
У саморазгона есть целая куча естественных тормозов.
Например, вычисления.
Можно создать миллион AI-исследователей, но им понадобятся GPU.
GPU требуют дата-центров.
Дата-центры требуют электричества.
Электричество — электростанций и сетей.
Мы как раз недавно разбирали, что этот нижний физический этаж AI уже начинает ограничивать верхний.
Нейросеть масштабируется как программа.
Энергосистема — не очень.
Второй тормоз — сами эксперименты
Некоторые идеи можно проверить за минуту.
Другие требуют обучения большой модели несколько недель.
Даже если гениальный AI-исследователь за пять секунд придумал новый эксперимент, GPU не проведут месячное обучение мгновенно.
Есть процессы, которые плохо сжимаются временем.
Собрать новый чип.
Построить дата-центр.
Получить физические данные.
Провести биологический эксперимент.
То есть интеллект способен ускорить выбор действий.
Но не всегда способен ускорить саму физику действия.
Третий тормоз — отдача от исследований может уменьшаться
Представим шахту.
Вначале руда лежит практически на поверхности.
Потом приходится копать глубже.
Ещё глубже.
С технологиями может происходить похожая вещь.
Первые улучшения очевидны.
Следующие требуют всё больше работы.
Если каждое новое поколение ИИ приносит всё меньший прирост возможностей, петля может сама затухнуть.
Никакого взрыва не будет.
Получится просто очень быстро развивающаяся отрасль.
Что само по себе, замечу, тоже слегка меняет мир.
Но есть и противоположный вариант
Что если AI-разработка пока находится не возле потолка, а возле начала огромного пространства возможностей?
Модели становятся лучше в исследовательской работе.
Они находят новые способы обучения.
Улучшают эффективность кода.
Помогают создавать синтетические данные.
Оптимизируют использование оборудования.
Придумывают более эффективные архитектуры.
Следующее поколение получает все эти улучшения одновременно.
И вместо diminishing returns мы какое-то время получаем ускоряющуюся отдачу.
Вот этого сценария авторы не могут исключить.
А цена ошибки слишком высока, чтобы просто сказать:
— Ну посмотрим.
Самое неприятное — скорость реакции государства
Допустим, завтра темп AI-прогресса увеличился в десять раз.
Что делает государство?
Создаёт комиссию.
Комиссия три месяца готовит предложение о создании рабочей группы.
Рабочая группа полгода обсуждает проект документа.
Документ отправляют на согласование.
В это время AI-лаборатория успела сделать пять новых поколений модели.
Регулирование традиционно работает медленно именно потому, что большинство технологий тоже развивалось относительно медленно.
Можно год обсуждать новый автомобильный стандарт.
Машина за этот год не станет в пять раз мощнее.
С ИИ такой гарантии уже нет.
Поэтому авторы предлагают смотреть внутрь лабораторий заранее
Одна из ключевых идей нового доклада — государствам нужна возможность понимать, насколько сильно AI-разработка уже автоматизирована.
Сейчас большая часть такой информации находится внутри самих OpenAI, Anthropic, Google DeepMind и других компаний.
Внешний мир видит готовую модель.
Но гораздо важнее иногда другое.
Как она была создана?
Сколько исследовательской работы уже делает предыдущая модель?
Насколько самостоятельно?
Какие задачи ей дают?
Как быстро эта доля растёт?
Авторы предлагают разработать общие метрики, регулярную отчётность и независимую проверку.
По сути — приборную панель.
Чтобы момент ускорения обнаружили не тогда, когда следующая модель уже вышла.
Ещё одна идея звучит совсем интересно: аудиторы внутри AI-лабораторий
Не журналист, который раз в год получает экскурсию.
Не государственный чиновник, которому показывают презентацию.
А независимые специалисты с достаточным доступом к реальной работе лаборатории.
Чтобы видеть:
какие системы используются для создания следующих систем;
насколько они автономны;
какие проверки проходят;
какие инциденты происходят;
есть ли признаки резкого ускорения.
Для обычной софтверной компании звучит немного дико.
Для атомной энергетики, авиации или финансовых рынков внешний надзор никого особенно не удивляет.
AI постепенно пытаются перевести именно в эту категорию технологий.
И появляется самый странный пункт — государственный стоп-кран
Не обязательно красная кнопка у президента с надписью:
ВЫКЛЮЧИТЬ ИИ.
Речь скорее о технической возможности остановить или ограничить определённые опасные процессы внутри огромных вычислительных кластеров.
Например, если лаборатория начала чрезвычайно быстро масштабировать автоматизированные AI-исследования и внешняя проверка обнаружила серьёзную проблему.
Сегодня государство может остановить атомный реактор.
Закрыть опасный завод.
Запретить полёт определённого типа самолёта.
Но очень мощная AI-система работает внутри дата-центра.
И если её развитие действительно когда-нибудь перейдёт в режим саморазгона, обычная процедура:
— направим компании письмо,
может оказаться слегка недостаточной.
Здесь возникает прекрасный конфликт интересов
Представим две компании.
Обе понимают риск.
Первая говорит:
— Мы на полгода остановим автоматизацию исследований и всё внимательно проверим.
Вторая:
— Спасибо за информацию.
И продолжает.
Через полгода у второй намного более сильная модель.
Первая проигрывает рынок.
Поэтому даже руководитель, который совершенно искренне считает гонку опасной, оказывается внутри очень неприятной игры.
Если я торможу один — я проиграл.
Если тормозят все — хорошо.
Но как убедиться, что все действительно тормозят?
Вот почему идеи контроля исходят теперь в том числе от людей из самих ведущих AI-компаний.
Рынок не обязательно способен решить проблему, где правильное индивидуальное действие делает отдельного игрока слабее.
Тем более что это уже геополитическая гонка
Американская лаборатория может сказать:
— Давайте осторожнее.
А следующий вопрос будет:
— А Китай?
Китай может задать ровно тот же вопрос про США.
И каждая сторона получает идеальное оправдание продолжать.
Потому что если intelligence explosion хотя бы теоретически возможен, первым его получить становится невероятно выгодно.
Представьте систему, которая за несколько месяцев даёт своему владельцу годы преимущества в программировании, науке, кибербезопасности, промышленности и разработке оружия.
Страны будут очень нервно относиться к возможности, что такой инструмент первым появится у конкурента.
И вот тут гонка технологий превращается уже в классическую гонку вооружений.
Хотя хороший сценарий выглядит фантастически красиво
Про риски говорить интереснее, поэтому хорошие последствия иногда теряются.
Если AI действительно способен резко ускорить научные исследования, тот же механизм работает не только над самим ИИ.
Материалы.
Лекарства.
Энергетика.
Физика.
Новые производственные процессы.
Климатические технологии.
Сегодня между идеей и результатом часто стоят годы человеческой работы.
Если значительную часть этого цикла автоматизировать, «взрыв интеллекта» может оказаться ещё и взрывом научных открытий.
Именно поэтому никто из серьёзных авторов не предлагает просто уничтожить технологию и вернуться к калькулятору.
Ставка огромная в обе стороны.
Самая интересная граница проходит не по уровню IQ модели
Мы всё время задаём вопрос:
— Насколько модель умна?
Прошла олимпиаду?
Сдала экзамен?
Пишет код?
Победила врача на тесте?
Но для будущего скорости AI важнее может оказаться другой бенчмарк:
насколько хорошо ИИ умеет делать работу исследователя ИИ?
Потому что именно эта способность меняет динамику развития всей отрасли.
Модель может быть великолепным юристом, переводчиком и дизайнером.
Прогресс останется обычным.
Но если она стала великолепным AI-разработчиком, она начинает влиять на скорость создания собственного преемника.
И здесь система становится принципиально другой.
Это очень хорошо видно на обычном бизнесе
В маленьком масштабе мы уже наблюдаем ту же петлю.
Сначала предприниматель использует нейросеть, чтобы написать один текст.
Потом — десять.
Потом создаёт автоматизацию.
Автоматизация сама собирает данные, генерирует материал, проверяет его и публикует.
После этого человек уже тратит время не на производство каждой единицы контента.
Он улучшает систему, которая производит контент.
А потом ИИ начинает помогать улучшать и саму систему.
У нас в Market GPT ровно поэтому развитие постепенно ушло от «давайте ИИ сгенерирует рекламу» к цепочкам, где модели исследуют рынок, собирают предложение, готовят рекламу, работают с лидами и помогают совершенствовать следующий цикл.
Масштаб несопоставим с OpenAI.
Принцип тот же.
Самый большой выигрыш появляется, когда ИИ автоматизирует не результат, а процесс создания следующего результата.
И именно за этим я бы сейчас следил внимательнее всего
Не за очередным соревнованием:
GPT набрал 91 балл.
Claude — 92.
Gemini — 93.
Через месяц таблица всё равно поменяется.
Куда интереснее:
какая доля разработки новой модели уже сделана предыдущей;
сколько времени AI-агент способен работать без вмешательства человека;
может ли он самостоятельно поставить эксперимент;
найти ошибку;
изменить гипотезу;
проанализировать результат;
запустить следующий цикл.
В GPT-Лаборатории я сейчас как раз особенно слежу за агентными системами, потому что это и есть переход от «нейросеть отвечает» к «нейросеть работает».
А если хочется руками смотреть, что современные модели уже умеют не в пресс-релизах, а на реальных задачах, я использую в том числе SyntX AI — там больше сотни нейроинструментов собрано в одном месте. Особенно хорошо видно, насколько быстро то, что год назад выглядело отдельным экспериментом, становится обычной функцией.
Есть хороший способ понять, насколько необычен нынешний момент
Возьмём авиастроение.
Самолёт не проектирует следующий самолёт.
Станок может изготовить детали нового станка, но сам не становится инженером-конструктором.
Компьютер помогал проектировать следующие компьютеры, но долго оставался в основном вычислительным инструментом человека.
ИИ — первая крупная технология, где продукт может потенциально выполнять значительную часть интеллектуальной работы, необходимой для создания своего следующего поколения.
Не полностью.
Не автономно.
Пока.
Но даже частичная автоматизация уже меняет скорость цикла.
Вот почему разговор о recursive self-improvement внезапно перестал быть исключительно фантастикой.
И ещё одна деталь, которую легко пропустить
Если процесс ускорится, человек не обязательно в какой-то момент увидит большую табличку:
НАЧАЛСЯ ВЗРЫВ ИНТЕЛЛЕКТА.
Это может выглядеть значительно скучнее.
В январе следующая модель появилась через восемь месяцев после предыдущей.
Потом через пять.
Потом через три.
Количество экспериментов внутри лаборатории выросло в десять раз.
Люди всё ещё сидят за столами.
Совещания проходят.
CEO даёт интервью.
Только фактическую работу уже проводят тысячи цифровых исследователей.
А через некоторое время внешний мир обнаруживает, что техническая реальность убежала вперёд намного дальше, чем общественные институты успели заметить.
Именно поэтому авторы доклада требуют измерять процесс до возможного ускорения.
После может быть поздновато начинать придумывать линейку.
Возможно, ничего взрывного вообще не произойдёт
AI упрётся в данные.
В GPU.
В электричество.
В фундаментальные ограничения нынешних архитектур.
Окажется, что хорошие научные гипотезы значительно сложнее программирования.
Человек ещё много десятилетий останется главным исследователем.
Такой сценарий совершенно возможен.
Но есть одна проблема.
Чтобы спокойно поставить на него всё будущее, надо быть довольно уверенным, что противоположный сценарий невозможен.
А такой уверенности сегодня нет даже у людей, непосредственно создающих самые мощные системы.
И это, пожалуй, главная новость.
Они уже не предупреждают о чужой технологии
Джеффри Хинтон давно говорит о рисках ИИ.
Ёшуа Бенжио тоже.
К их предупреждениям можно относиться по-разному.
Но новая работа интересна другим составом участников.
Рядом стоят люди, работающие внутри компаний, которые непосредственно двигают frontier AI вперёд.
То есть условный пилот болида сам говорит:
— Ребята, машина становится настолько быстрой, что неплохо бы заранее договориться, где находится тормоз.
Это не означает, что авария неизбежна.
Но игнорировать пилота только потому, что автомобиль пока едет нормально, тоже довольно странно.
Поэтому главный вопрос теперь уже не «станет ли ИИ умнее человека»
Это слишком широкая и почти философская формулировка.
Куда конкретнее другая:
когда ИИ сможет автоматизировать достаточно большую часть исследований ИИ, чтобы скорость его собственного развития заметно изменилась?
10%?
30%?
80%?
Нужна ли полная автономность вообще?
Или достаточно, чтобы один человек с сотней агентов делал работу исследовательского отдела?
Никто пока не знает точной границы.
Но если Anthropic за несколько месяцев прошла от почти нулевой доли самостоятельно ведомой AI-R&D к 26%, у нас наконец появилась причина не только теоретизировать.
Можно смотреть на цифры.
И цифры пока движутся в одну сторону.
Мы привыкли считать, что будущее приходит с постоянной скоростью
Ещё пять лет.
Ещё десять.
Постепенно привыкнем.
Появятся законы.
Профессии адаптируются.
Компании перестроятся.
Образование изменится.
Это всё работает, пока сама скорость технологического изменения остаётся примерно знакомой.
А если исследователи правы хотя бы частично, главная особенность следующего этапа ИИ будет не в том, насколько умной стала очередная модель.
Она будет в том, насколько быстрее появилась следующая.
Тогда вопрос «когда?» станет значительно важнее вопроса «что?».
Именно поэтому термин «взрыв интеллекта» я бы пока не использовал как описание происходящего.
Взрыва ещё нет.
Но мы впервые построили механизм, который потенциально способен зажечь фитиль.
ИИ уже помогает создавать ИИ.
Следующее поколение будет делать это лучше.
А дальше эксперимент становится немного слишком большим, чтобы проводить его вообще без приборов, наблюдателей и аварийного выключателя.
