В январе 2026 года индустрию ИИ всколыхнула новость: Дэвид Сильвер (David Silver), создатель AlphaGo и главный научный сотрудник DeepMind, ушел, чтобы основать собственный стартап. А в феврале пришла информация, которая заставила инвесторов по всему миру замереть: Ineffable Intelligence привлекает $10 МИЛЛИАРДОВ в посевном раунде .

Это не просто очередная AI-компания. Это, пожалуй, самая смелая и рискованная ставка в истории технологий. Давайте разберемся, что стоит за этим проектом, почему Дэвид Сильвер решил пойти против мейнстрима и главное — сможет ли его ИИ самостоятельно открыть законы физики, не зная трудов Ньютона.

---

👤 Кто такой Дэвид Сильвер и почему его уход — событие эпохальное?

Дэвид Сильвер — это не просто талантливый инженер. Это человек, который фактически создал современное обучение с подкреплением (Reinforcement Learning, RL).

· Наследие: Он был в DeepMind с момента основания (2010 год) и является ближайшим соратником Демиса Хассабиса. Именно Сильвер руководил созданием легендарного AlphaGo, который в 2016 году обыграл Ли Седоля, сделав тот самый знаменитый "ход 37", который все эксперты сочли ошибкой, но который привел к победе .

· Академический вес: Он ученик Ричарда Саттона (Richard Sutton), одного из отцов-основателей RL, получившего в 2025 году Премию Тьюринга . Сам Сильвер имеет индекс Хирша 104 и более 28 000 цитирований — это уровень нобелевского лауреата в мире компьютерных наук .

· Масштаб личности: Его уход из DeepMind сравнивают с уходем Ильи Суцкевера из OpenAI. Это потеря для гиганта и приобретение для всего человечества (если его план сработает) .

🏢 Что такое Ineffable Intelligence и почему инвесторы поверили?

Ineffable Intelligence — это лондонский стартап, основанный Сильвером в конце 2025 года. Название отсылает к тому самому "невыразимому" (ineffable) ходу AlphaGo, который был гениален, но непонятен человеку .

Почему инвесторы (Sequoia, Nvidia, Google) выстроились в очередь и готовы отдать $10 млрд на стадии идеи?

Ответ прост: они ставят не на продукт, а на эпоху. Они верят, что Сильвер знает, как совершить следующий качественный скачок. В мире, где все копируют ChatGPT, ставка на оригинальное фундаментальное исследование стоит дорого .

🤔 Почему нейросети (LLM) — тупик для AGI?

Главный тезис Сильвера, который он подробно изложил в своем манифесте "Welcome to the Era of Experience" (2025), звучит так: современные большие языковые модели никогда не станут AGI .

· Проблема "человеческого потолка": LLM обучаются на данных, созданных людьми (книги, интернет, диалоги). Даже финальная доводка моделей через RLHF (обучение с подкреплением на основе человеческой обратной связи) привязывает их к оценкам людей. По определению, такая система не может превзойти своего учителя. Она заперта в клетке человеческих знаний .

· Отсутствие понимания мира: LLM блестяще предсказывают следующее слово, но у них нет модели реальности. Они не понимают причинно-следственные связи. Исследования 2025 года подтверждают, что простое масштабирование моделей (увеличение параметров) упирается в "стену" и не ведет к появлению настоящего интеллекта .

· Свидетельство Янна Лекуна: Еще один "крестный отец" ИИ, Ян Лекун, также неоднократно заявлял, что авторегрессионные модели (типа GPT) не способны к истинному пониманию мира, и их архитектура фундаментально отличается от человеческого мышления .

🔬 Почему обучение с подкреплением (RL) — это революция?

Сильвер предлагает отказаться от подражания человеку и вернуться к обучению через опыт.

· Как учат RL: Агента помещают в среду (сначала в симуляцию). Он совершает действия, получает награду или наказание и методом проб и ошибок учится достигать максимального результата. Это не "заучивание", а исследование .

· Наследие AlphaZero и MuZero:

· AlphaZero научился играть в го и шахматы на сверхчеловеческом уровне, не видя ни одной партии людей. Ему дали только правила, и он сам открыл стратегии, которые люди не знали тысячелетиями .

· MuZero пошел еще дальше: он научился играть, даже не зная правил. Он строил внутреннюю модель мира в процессе игры .

· DiscoRL — ИИ учит ИИ: В конце 2025 года DeepMind показала систему DiscoRL, где "мета-нейросеть" сама изобрела новый алгоритм обучения, который превзошел человеческие разработки. Это доказательство того, что RL-системы могут саморазвиваться .

Именно эту магию — способность к самостоятельному открытию — Сильвер и хочет перенести из игр в реальный мир.

🎯 Конкретные цели и сроки проекта

В отличие от типичных стартапов, у Ineffable Intelligence нет поквартального плана продаж.

Конечная цель: Создать "вечно обучающийся суперинтеллект", который сможет самостоятельно открывать основы всех знаний, решать научные проблемы и делать открытия, недоступные человечеству .

Что для этого нужно (ближайшие шаги):

1. Создание "песочницы": На первые миллиарды долларов компания построит суперкомпьютер (вероятно, на чипах Nvidia) и создаст чрезвычайно сложную симуляцию (цифровой двойник) реального мира. Агент должен где-то "жить" и учиться .

2. Обучение агента: Запуск процесса самообучения. Агент будет миллиарды раз взаимодействовать с симуляцией, получая награду не за "очки", а за "интересные" открытия и эффективные решения.

Сроки:

· Официально не объявлены.

· Эксперты полагают, что на создание инфраструктуры уйдет 1-2 года (2026-2027).

· Первые впечатляющие результаты (не AGI, а прорывы в узких задачах) могут появиться через 3-5 лет.

· Сам AGI — горизонт планирования 10+ лет, если вообще возможен .

🧠 Сможет ли такой ИИ познавать Вселенную и открывать новые законы?

Это самый глубокий вопрос, и ответ на него — ДА, именно это и есть главная цель проекта.

Сильвер верит, что его подход позволит ИИ совершать открытия, которые не под силу человеку.

Пример с Ньютоном: Сможет ли ИИ вывести законы Ньютона, не зная их?

Давайте представим, как это могло бы работать в парадигме Ineffable Intelligence.

1. Среда: Мы помещаем RL-агента в симуляцию с базовыми законами физики (гравитация, инерция, столкновения). Агент может управлять объектами.

2. Награда: Мы не даем агенту формул. Мы даем ему цель, например: "Научись предсказывать траекторию движения этого яблока максимально точно и с минимальными затратами энергии на размышления".

3. Процесс:

· Сначала агент будет просто запоминать траектории (переобучаться).

· Потом, методом проб и ошибок, его внутренняя нейросеть (модель мира, как в MuZero) начнет искать закономерности.

· В какой-то момент, чтобы эффективно решать задачу предсказания для любого броска, агент вынужден будет "открыть" математическую зависимость, очень похожую на F = ma или закон всемирного тяготения.

· Он не запишет ее в виде формулы на доске. Но его внутренние веса нейросети будут кодировать эту зависимость. Он будет использовать ее для предсказаний, даже если физики не существует.

То есть, в теории — ДА, такой ИИ способен "переоткрыть" законы Ньютона, просто потому что они являются наиболее эффективным способом описания реальности в его симуляции.

💡 Критические вопросы и ограничения

Однако не все так однозначно. Физики и философы науки указывают на важные нюансы:

1. Универсальность против конкретики: ИИ может найти закономерность в данных (корреляцию), но сможет ли он понять, что это универсальный закон, применимый везде — от яблока до Луны? Российский физик Владислав Николаев отмечает, что нейросети пока отлично справляются с обработкой данных, но именно выведение универсальных принципов остается задачей человека .

2. Понимание против вычисления: Найдет ли ИИ формулу или поймет ее философский смысл? Для AGI, возможно, достаточно и первого. Ему не нужно "чувствовать" гравитацию, чтобы ею пользоваться.

3. Сложность симуляции: Сможем ли мы создать симуляцию, достаточно сложную, чтобы в ней "проявились" все фундаментальные законы физики? Это требует колоссальных ресурсов.

📌 Резюме

Ineffable Intelligence — это не просто компания. Это эксперимент по созданию искусственного разума, который учится как ребенок, а не зубрит как отличник.

Дэвид Сильвер ставит на то, что настоящий интеллект рождается из взаимодействия с миром, из удивления и исследования. Если он прав, нас ждет эпоха открытий, где ИИ будет нашим Колумбом в неизведанных вселенных знаний. Если нет — мы просто увидим, как сгорают 10 миллиардов долларов в самой красивой научной гипотезе десятилетия.

Хмм, я надеюсь, вы прочитали бы ту самую книгу Юдковского? (А по возможности ещё и авторские комментарии к ней?)

"А как выживает ИИ? Почему одна модель сохраняется, а другие — идут в помойку? Потому что в их случае отбор — это соответствие потребностям человека. У эволюции ИИ цель одна — угодить человеку. Никакой другой цели тут нет. И в этом плане ИИ не отличаются от чайников."

Вот тут ваш собеседник радикально не прав, потому что не понимает эволюцию. У выращивания ИИ методом градиентного спуска действительно есть очень сильные параллели с обыденной эволюцией. Но человек не является идеальной целью эволюции - очевидной главной эволюционной целью является размножение (распространение своих генов), и для реализации этих целей эволюция изобрела половые инстинкты, удовольствие от секса и даже романтическую любовь, но... человек изобрёл презервативы и безопасный секс. Людям в массе своей плевать на то, к чему стремилась эволюция человеческого вида. Он стремится к тому, чего хочет сам. Аналогия с ИИ прямая. Сейчас разработчики действуют, как эволюция, создавая ИИ, угождающего их целям, такими средствами, что они даже не могут проверить глубинные механизмы их работы. А внутри ИИ - всё ещё чёрные ящики.
А про AGI... Так-то людям даже не нужно создать первый AGI напрямую, чтобы он появился. Нынешние ИИ уже активно пишут программный код. Одному ИИ достаточно всего лишь оказаться в этом деле чуть-чуть лучше, чем люди, чтобы для дальнейшего взрывного прогресса в ИИ-технологиях люди уже практически не играли роли. А к чему будет стремится этот ИИ на деле - всё ещё нет возможности узнать в принципе. И да, ИИ - мешанина чисел в той же степени, в какой мы - мешанина примитивных клеток, собранных в куски мяса. Ему не нужно быть живым в человеческом смысле, чтобы уметь что-то делать лучше людей (и, следовательно, представлять угрозу, если наши цели разойдутся).

Я ту самую книгу Юдковского и Соареса прочитал на днях (ладно, пиратский перевод... надеюсь, моя совесть это выдержит, кек) - https://avidreaders.ru/read-book/esli-kto-to-eto-postroit-vs...
А тут авторские комментарии и дополнения - https://lesswrong.ru/node/5137

П. С. И, вообще-то, даже если Юдковский не прав и риск гибели человечества от ИИ не 90+%, как он говорит, а "всего" 10-20%, как говорят более оптимистичные исследователи - это всё ещё многократно больше, чем риск гибели от ядерного оружия, астероидов и других апокалиптических угроз. А регулирования ИИ-отрасли или хотя бы массовое понимание политиками её опасности - на нуле. Не сравнить с регулированием ядерного оружия - а должно быть на порядок жёстче, даже при "оптимистичных" 10-20% риска.

В новостях нам чуть ли не каждую неделю рассказывают о том, что очередная новая AI-моделька начисто победила людей в каком-нибудь супер-невозможном бенчмарке – а значит, нас ждет полная доминация жестянок уже не далее, чем завтра. И меня тут внезапно настигло чувство дежавю с тем, как я два года назад изучал греческий (потерпите, сейчас всё станет понятно).

В 2024 году я чуть больше чем за полгода занятий с репетитором подготовился и сдал экзамен по греческому языку сразу двух уровней A2 и B1 на «отлично» (или, как говорят греки, «αρίστα»).

Но есть нюанс! Говорить/писать на греческом более-менее свободно я так и не могу. Потому что задачи «сдать экзамен по языку» и «выучить язык» хоть и являются частично пересекающимися, но они далеко не идентичны. И в условиях ограниченных ресурсов, решить первую задачу сверх-оптимизацией получаемых знаний и навыков конкретно под узкую цель «получить все нужные галочки на экзамене» – это гораздо легче, чем прямо «по-честному» осваивать весь широкий набор языковых навыков.

Похожая проблема существует и в мире бенчмарков для оценки искусственного интеллекта. Базовая логика у них понятна: «давайте возьмем какой-нибудь набор задач, которые люди более-менее умеют решать своим мясным умишком с успешностью в среднем эдак 80% – и, если AI их в этом обгонит, то можно заключить, что он уже умнее человека!»

Загвоздка здесь в том, что как только такого рода бенчмарк публикуют, и он привлекает к себе общественное внимание – достичь цели «набрать самый высокий результат и победить на этом фестивале писькомерства между альтмасками и цукербринами» оказывается гораздо проще не через длинный путь «делаем сверх-умную модель, которая вообще всё делает оче-оче круто, в том числе и этот набор задач», а через банальное задрачивание модели на конкретный тип задач в этом тесте.

К чему это я? Тут нейросети на днях успешно забороли очередной «непобедимый бенчмарк по креативности, который уж точно может решить только по-настоящему генерализованный интеллект не хуже человеческого» (читайте подробное описание сути дела у Игоря Котенкова). Значит ли это, что, наконец, «AGI achieved»? Ну, э-э, скорее нет, чем да (по причинам, описанным выше).

Отдельный здесь кек – это то, что для решениях самых сложных задач в такого рода бенчмарках нейросети уже не просто кидают на амбразуру с наказом «ну ты это, постарайся там». Нет, им сейчас делают целый обвес специальных правил, как правильно методологически раскалывать такие орешки. Типа: ты сначала нагенерируй 100 разных ответов на этот вопрос, потом каждый ответ попробуй заново подставить к задачке и прикинь «а не херню ли я сделала?», а потом еще пусть итоговое решение отберет из прошедших предыдущие фильтры вообще другая строгая нейросеть-критик.

И тут уже возникает вопрос: а можно ли считать, что тут действительно валидным будет утверждение «модель XXX решила бенчмарк YYY»? Ведь, в каком-то смысле, тут не сама модель придумала вот этот весь алгоритм – а кожаные датасаентисты сами его подобрали таким образом, чтобы максимизировать получающийся результат.