Засновник DeepMind у ексклюзивному інтерв’ю: архітектура AGI, стан агентів та наукові прориви наступного десятиліття

Оригінальна назва відео: Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough

Оригінальне джерело відео: Y Combinator
Переклад: Deep潮 TechFlow

Редакційний вступ

Генеральний директор Google DeepMind, лауреат Нобелівської премії з хімії Demis Hassabis гостює у Y Combinator, обговорює ключові прогреси на шляху до AGI, дає поради підприємцям щодо збереження лідерства, а також де може з’явитися наступний великий науковий прорив.

Найкорисніший для глибокотехнологічних підприємців висновок — якщо ви сьогодні запускаєте десятирічний глибокотехнологічний проект, потрібно враховувати появу AGI у своїх планах. Крім того, він натякнув, що Isomorphic Labs (виділена з DeepMind компанія з розробки AI для фармацевтики) незабаром зробить важливу заяву.

Цитати з ключовими ідеями

Шляхи та часові рамки до AGI

· «Майже напевно, ці існуючі технологічні компоненти стануть частиною кінцевої архітектури AGI.»

· «Проблеми безперервного навчання, довгострокового мислення, пам’яті ще не вирішені, і AGI потрібно все це зробити.»

· «Якщо ваші терміни щодо AGI приблизно 2030 рік, і ви почали глибокотехнологічний проект сьогодні, потрібно враховувати, що AGI може з’явитися посередині шляху.»

Пам’ять та контекстне вікно

· «Контекстне вікно приблизно відповідає робочій пам’яті. У людей середня робоча пам’ять — сім цифр, а у моделей — мільйони або десятки мільйонів токенів у контексті. Але проблема в тому, що ми туди засипаємо все, включно з непотрібною та помилковою інформацією, і це досі досить грубо.»

· «Якщо обробляти потік відео в реальному часі і зберігати всі токени, то один мільйон токенів — це приблизно 20 хвилин роботи.»

Недоліки мислення

· «Мені подобається грати в шахи з Gemini. Іноді він усвідомлює, що зробив поганий хід, але не може знайти кращого, і в підсумку робить його — обходячися без кращих варіантів. Але точна система логіки не повинна так себе вести.»

· «З одного боку, він може вирішувати задачі рівня золотого медаліста IMO, а з іншого — при зміні формулювання питання робить помилки, характерні для початкової математики. Внутрішня рефлексія його мислення ще не зовсім сформована.»

Агент і креативність

· «Щоб досягти AGI, потрібно мати систему, яка може активно допомагати вам у вирішенні проблем. Agent — це шлях, і я вважаю, що ми лише на початку.»

· «Я ще не бачив, щоб хтось за допомогою vibe coding створив топовий 3A-гру, яка б очолила рейтинги магазинів додатків. За нинішніх зусиль це можливо, але поки що не сталося. Це означає, що інструменти або процеси ще потребують вдосконалення.»

Дистиляція та малі моделі

· «Наші припущення такі: новий передовий Pro-модель через півроку — рік після випуску можна стиснути до дуже маленької моделі, яка працює на периферійних пристроях. Теоретично ми ще не досягли межі інформаційної щільності.»

Наукові відкриття та «Ейнштейнівський тест»

· «Іноді я називаю це «Ейнштейнівським тестом»: чи можливо навчити систему знаннями 1901 року і дати їй самостійно вивести результати, зроблені Ейнштейном у 1905-му, включно з спеціальною теорією відносності? Якщо так — ці системи вже близькі до створення нових відкриттів.»

· «Вирішення однієї з головних проблем Millennium Prize — це вже досягнення. Але ще складніше — запропонувати новий набір проблем, які б вважали глибокими і вартими цілого життя досліджень топ-математики.»

Поради для глибокотехнологічних стартапів

· «Шукати складні задачі і прості — майже одне й те саме, лише способи складності різні. Життя коротке, тож краще вкладати зусилля у те, що нікому більше не під силу зробити.»

Шляхи реалізації AGI

Gary Tan: Ви думаєте, що ми вже маємо багато кінцевих архітектур AGI? Що зараз найсуттєвіше відсутнє?

Demis Hassabis: Я впевнений, що великомасштабне попереднє навчання, RLHF, мисленнєві ланцюги — все це стане частиною кінцевої архітектури AGI. Ці технології вже довели свою цінність. Не можу уявити, що через два роки ми знайдемо їхній шлях у глухий кут. Але, базуючись на вже існуючих компонентах, можливо, ще потрібно додати один-два елементи. Постійне навчання, довгострокове мислення, пам’ять — ще є нерозв’язані питання.

AGI потрібно зробити цілком. Можливо, існуючі технології у поєднанні з поступовими інноваціями дозволять досягти цього, але, ймовірно, залишаться один-два ключові прориви. Я оцінюю ймовірність їхнього існування приблизно 50/50. Тому у DeepMind ми працюємо над обома напрямками.

Gary Tan: Я маю справу з багатьма агентськими системами і найбільше мене вражає, що базові ваги повторюються в них. Тому концепція безперервного навчання дуже цікава, адже зараз ми фактично тимчасово «зліплюємо» все на кшталт «нічних снів» і подібних механізмів.

Demis Hassabis: Так, ці «сновидіння» досить круті. Ми раніше думали про інтеграцію сценічної пам’яті. Мій докторський дослід — це якраз про те, як гіпокамп елегантно інтегрує нові знання у вже існуючу систему. Мозок у цьому дуже ефективний.

Він виконує цю функцію під час сну, особливо у швидкому сні (REM sleep), коли повторює важливі події для навчання. Наш перший Atari-алгоритм DQN (DeepMind, 2013, глибока Q-мережа, перша застосована глибока підкріплена навчальна модель для досягнення людського рівня в Atari) навчився грати в Atari через досвід повторного відтворення.

Це взято з нейронауки — повторювати успішний шлях. Це було ще у 2013 році, і в AI це вже старовина, але тоді це було дуже важливо.

Я погоджуюсь, що зараз ми дійсно «зліплюємо» все разом. Засипаємо все у контекстне вікно. Це не зовсім правильно. Теоретично, навіть для машин, а не біологічного мозку, можна мати мільйони або десятки мільйонів токенів у контексті, і пам’ять може бути ідеальною, але пошук і витяг інформації все одно коштує ресурсів. У момент прийняття рішення знайти справді релевантну інформацію — непросто, навіть якщо все збережено. Тому я вважаю, що пам’ять — це ще одна велика сфера для інновацій.

Gary Tan: Чесно кажучи, мільйон токенів у контексті — це вже більше, ніж я очікував, і цього достатньо для багатьох задач.

Demis Hassabis: Так, для більшості сценаріїв цього достатньо. Але уявіть, що контекстне вікно — це робоча пам’ять. У людей вона в середньому — сім цифр, а у моделей — мільйони або десятки мільйонів токенів. Проблема в тому, що ми засипаємо туди все, включно з непотрібною та помилковою інформацією, і це досі грубо. А якщо обробляти поток відео в реальному часі і зберігати всі токени, то один мільйон — це приблизно 20 хвилин роботи. Але щоб система могла розуміти ваше життя за один-два місяці, цього все ще недостатньо.

Gary Tan: DeepMind традиційно активно інвестує у підкріплене навчання і пошук, і ця філософія закладена у створення Gemini. Чи досі підкріплене навчання недооцінене?

Demis Hassabis: Можливо, так. Зацікавленість у цій галузі коливається. З моменту заснування DeepMind ми працюємо над агентськими системами. Вся робота з Atari і AlphaGo — це, по суті, підкріплене навчання агентів, здатних самостійно досягати цілей, приймати рішення, планувати. Спочатку ми займалися ігровою сферою, бо вона контрольована, потім поступово переходили до більш складних ігор, наприклад, AlphaStar після AlphaGo — і ми зробили майже всі ігри, що могли.

Наступне питання — чи можемо ми узагальнити ці моделі у глобальні моделі світу або мовні моделі, а не лише ігрові. Останні роки ми цим займаємося. Сучасні провідні моделі — це, по суті, перезапуск ідей, закладених у AlphaGo.

Я вважаю, що багато наших ранніх досліджень дуже релевантні сьогодні. Ми переосмислюємо ці ідеї, масштабуючи їх і роблячи більш універсальними, включно з методами Монте-Карло пошуку та іншими підходами підкріпленого навчання. Ідеї AlphaGo і AlphaZero дуже тісно пов’язані з сучасними базовими моделями, і я вважаю, що значний прогрес у найближчі роки буде саме з цієї сфери.

Дистиляція і малі моделі

Gary Tan: Щоб зробити системи розумнішими, потрібні більші моделі, але одночасно прогресує технологія дистиляції — малі моделі стають швидшими. Ваші Flash-моделі дуже потужні, вони здатні досягати 95% ефективності передових моделей, але коштують у десять разів менше. Це так?

Demis Hassabis: Це один із наших ключових переваг. Спершу потрібно створити найбільшу модель для досягнення передових можливостей. Наше головне — швидко дистилювати ці можливості у все менші моделі. Ми винайшли метод дистиляції і досі залишаємося у топі світу. А ще маємо сильний бізнес-інтерес у цьому. Ми — одна з найбільших платформ застосування AI у світі.

Завдяки AI Overviews, AI Mode і Gemini — кожен продукт Google, включно з картами, YouTube, — інтегрує Gemini або відповідні технології. Це мільярди користувачів і десятки продуктів із мільярдною аудиторією. Вони мають працювати дуже швидко, ефективно, з низькою вартістю і мінімальною затримкою. Це мотивує нас максимально оптимізувати Flash і малі моделі, щоб вони були високоефективними і корисними для користувачів.

Gary Tan: Мене цікавить, наскільки розумними можуть стати ці малі моделі. Чи є межа у дистиляції? Чи можуть моделі 50B або 400B бути настільки ж розумними, як і найпотужніші сучасні?

Demis Hassabis: Я не вважаю, що ми вже досягли інформаційної межі, принаймні наразі ніхто не знає. Можливо, колись з’явиться межа щільності інформації, але зараз ми припускаємо, що після випуску передової Pro-моделі її можливості за півроку — рік можна буде стиснути до дуже маленької моделі, що працює на периферії.

Ви можете побачити це і на моделях Gemma — Gemma 4 демонструє дуже високі результати при тому ж обсязі. Це досягається за рахунок масової дистиляції та оптимізації малих моделей. Тому я не бачу теоретичних меж і вважаю, що ми ще дуже далеко від них.

Gary Tan: Зараз спостерігається дивовижний феномен — інженери роблять у 500-1000 разів більше роботи, ніж шість місяців тому. У цій кімнаті є люди, які виконують роботу, що раніше робив один інженер Google у 2000-х у 1000 разів швидше. Це вже говорив Стів Йегге.

Demis Hassabis: Це дуже захоплює. Малі моделі мають багато застосувань. По-перше, вони дешеві і швидкі, що дає переваги. У коді або інших задачах ти можеш ітеративно працювати швидше, особливо у співпраці з системою. Швидка система, навіть якщо вона не найпередовіша — лише на 90-95% від найкращої — цілком достатня, і переваги у швидкості окупаються у кілька разів.

Ще один напрям — запускати ці моделі на периферії, не лише для підвищення ефективності, а й для збереження приватності та безпеки. Уявіть пристрої, що обробляють дуже особисту інформацію, або роботи у вашому домі. Ви захочете мати локальну, потужну модель, яка виконує більшість завдань, і лише у разі потреби звертатися до хмари. Обробка аудіо і відео локально, збереження даних — це потенційно ідеальний сценарій.

Пам’ять і мислення

Gary Tan: Повернемося до контексту і пам’яті. Зараз моделі — безстанні. Якщо з’явиться здатність до безперервного навчання, яким буде досвід розробника? Як ви будете керувати такою моделлю?

Demis Hassabis: Це дуже цікаве питання. Відсутність безперервного навчання — один із головних бар’єрів для повноцінних агентів. Зараз агенти добре працюють у локальних задачах, їх можна з’єднати у щось круте, але вони погано адаптуються до конкретного оточення. Це причина, чому вони ще не «запустилися і пішли»: їм потрібно навчитися вашому середовищу. Щоб досягти справжнього універсального інтелекту, цю проблему потрібно вирішити.

Gary Tan: На якому рівні зараз розвиток мислення? Мисленнєві ланцюги у моделей досить сильні, але вони ще роблять помилки, які не роблять розумні студенти. Що потрібно покращити? Які очікування щодо прогресу у мисленні?

Demis Hassabis: У мисленнєвій парадигмі ще багато простору для інновацій. Те, що ми робимо, — досить грубо і грубо. Можна покращити багато аспектів, наприклад, моніторинг мисленнєвого процесу і втручання у нього. Я часто думаю, що наші системи — і конкуренти — іноді надмірно «заглиблюються» у цикл мислення і зациклюються.

Я люблю спостерігати за Gemini у шахах. Всі провідні базові моделі погано грають у шахи, і це цікаво.

Їхній шлях мислення дуже цінний, бо шахи — добре вивчена сфера. Я швидко можу визначити, чи відхилився алгоритм від правильного шляху, чи мислить ефективно. Часто він розмірковує про хід, усвідомлює, що він поганий, але не може знайти кращого, і робить його — обходячись без кращих варіантів. Точна система логіки не повинна так себе вести.

Такий розрив ще існує, але його можна виправити за один-два невеликі корекції. Саме тому існує поняття «зубчастого інтелекту» (jagged intelligence): він може вирішувати задачі рівня IMO, але при цьому при іншому формулюванні робить помилки, характерні для початкової математики. Внутрішня рефлексія ще не зовсім сформована, і в цьому — ще один напрям для розвитку.

Реальні можливості агента

Gary Tan: Агент — це велика тема. Дехто вважає, що це хайп. Я особисто вважаю, що ми лише на початку. Які реальні оцінки внутрішніх досліджень DeepMind щодо можливостей агентів? Наскільки вони відрізняються від публічної пропаганди?

Demis Hassabis: Згоден, ми лише на початку. Щоб досягти AGI, потрібно мати систему, яка може активно допомагати у вирішенні проблем. Це для нас давно очевидно. Агент — це шлях, і ми лише на старті.

Ми досліджуємо, як зробити агентів більш корисними у роботі. У нас багато експериментів у цій сфері, і багато з них, напевно, знайдуть застосування. Зараз ми шукаємо, як інтегрувати агентів у робочі процеси, щоб вони не були просто додатковим інструментом, а справді виконували важливу функцію. Це ще в процесі експериментів, і, можливо, лише за останні два-три місяці ми знайшли дійсно цінні сценарії. Технічно — ми вже на тому рівні, що це не просто демонстрація, а реальний інструмент для підвищення продуктивності.

Я бачив, як запускають десятки агентів на довгі години, але ще не впевнений, що це дає очікуваний результат.

Ми ще не бачили, щоб хтось створив топовий 3A-гейм у магазині додатків за допомогою vibe coding. Я сам писав, багато хто з присутніх робив круті демо. Можу за півгодини зробити прототип «Theme Park», тоді як у 17 років я витратив на це шість місяців.

Маю відчуття, що якщо присвятити цьому ціле літо, можна створити щось неймовірне. Але для цього потрібна майстерність і людська душа, смак — потрібно вміти це привнести у будь-який продукт. Ще жоден дитячий проект не став бестселером у мільйонних тиражах, але за сучасних інструментів це цілком можливо. Тому щось ще потрібно — можливо, процеси або інструменти. Вірю, що за 6–12 місяців з’являться такі результати.

Gary Tan: Наскільки це буде автоматизовано? Я не думаю, що одразу все стане автоматичним. Швидше, спочатку люди досягнуть у 1000 разів більшої продуктивності, а потім з’являться застосування, де ці інструменти допоможуть створити хіти — і автоматизація підхопить інші етапи.

Demis Hassabis: Так, це саме те, що потрібно побачити першими.

Gary Tan: Також частина людей вже робить це, але не хочуть відкривати, наскільки агент їм допоміг.

Demis Hassabis: Можливо, так. Але я хочу поговорити про креативність. Часто згадую AlphaGo — особливо другий матч, 37-й хід. Для мене це був момент, коли я зрозумів, що система може зробити прорив. Це спонукало мене почати проекти, наприклад, AlphaFold. Ми почали його одразу після повернення з Сеула, це було десять років тому. В цьому році — ювілей AlphaGo.

Але просто зробити хід 37-го — недостатньо. Це круто і корисно, але чи може ця система винаходити нові ігри? Якщо дати їй високорівневий опис — «гра, яку можна навчитися за п’ять хвилин, але осягнути за все життя важко, естетично витончену, яку можна зіграти за день» — і вона поверне вам результат — гру у Го. Сучасні системи цього ще не роблять. Чому?

Gary Tan: Можливо, хтось із присутніх зможе.

Demis Hassabis: Якщо хтось зможе — відповідь не у тому, що системі не вистачає, а у тому, як ми її використовуємо. Можливо, саме так і є. Можливо, сьогоднішні системи вже здатні на це, потрібно лише дуже талановитому творцю, щоб підштовхнути їх, надати їм «душу» проекту, і цей творець має бути у тісній гармонії з інструментами. Якщо ви працюєте з цими інструментами цілодобово і маєте глибоку креативність — можливо, зможете створити щось неймовірне.

Відкритий код і мультимодальні моделі

Gary Tan: Перейдемо до відкритого коду. Останній реліз Gemma дозволив запускати дуже потужні моделі локально. Як ви ставитеся до цього? Чи стане AI інструментом користувача, а не переважно хмарним сервісом? Це змінить, хто зможе створювати продукти на основі цих моделей?

Demis Hassabis: Ми — тверді прихильники відкритого коду і відкритої науки. Всі наші моделі, зокрема AlphaFold, — безкоштовні. Наші наукові публікації — у топових журналах. Щодо Gemma — ми прагнемо створити провідні моделі у цьому масштабі. Вже зараз Gemma завантажили понад 40 мільйонів разів за півтора тижня після релізу.

Важливо, що у відкритому коді є сильна підтримка західних технологій. Китайські відкриті моделі дуже хороші і зараз у лідерах, але ми вважаємо, що Gemma у тому ж масштабі — дуже конкурентоспроможна.

Ще один ресурсний аспект — у світі немає багато потужностей для тренування двох великих передових моделей одночасно. Тому ми зараз обираємо: або використовувати моделі для периферії — Android, окуляри, роботи — або робити відкриті моделі. Оскільки пристрої — це місце, де вони будуть працювати, краще зробити їх відкритими. Ми об’єднали цю стратегію на рівні nano-версій, і це логічно.

Gary Tan: Перед демонстрацією я показав тобі свою AI-операційну систему, я можу голосом взаємодіяти з Gemini. Це був досить напружений момент, але все спрацювало. Gemini з самого початку — мультимодальна модель. Я працював із багатьма моделями, але інтеграція голосу, інструментів і глибоке розуміння контексту — це щось унікальне.

Demis Hassabis: Так. Однією з переваг Gemini є те, що ми з самого початку будували її мультимодально. Це ускладнює старт, але дає довгострокові переваги, і вже зараз ми починаємо їх реалізовувати.

Наприклад, у сфері глобальних моделей ми створили Genie (генеративний інтерфейсний модель від DeepMind). У робототехніці Gemini Robotics базується на мультимодальних моделях, і наші переваги у цій сфері стануть конкурентною перевагою. Ми також все більше використовуємо Gemini у Waymo (автопілот від Alphabet).

Уявіть цифрового помічника, що супроводжує вас у реальному світі — на телефоні або окулярах, розуміє ваше оточення і фізичний світ. Наші системи дуже сильні у цьому. Ми продовжимо вкладати у цю сферу, і я вважаю, що наші переваги тут — дуже великі.

Gary Tan: Вартість мислення швидко знижується. Якщо мислення стане майже безкоштовним, що стане можливим? Чи змінить це напрямки ваших досліджень?

Demis Hassabis: Не впевнений, що мислення стане справді безкоштовним — тут є парадокс Джевонса (Jevons’ Paradox), коли підвищення ефективності збільшує загальне споживання. Вважаю, що всі зрештою використають весь доступний обчислювальний ресурс.

Можна уявити мільйони агентів, що співпрацюють, або групу агентів, що одночасно досліджують різні напрямки і об’єднують результати. Ми вже експериментуємо з цим. Всі ці підходи будуть споживати обчислювальні ресурси.

Щодо енергетики — якщо ми вирішимо проблеми керованого ядерного синтезу, кімнатної температури надпровідності або оптимальних батарей, то зможемо знизити енергетичні витрати майже до нуля. Але фізичне виробництво чіпів і технології залишаються вузькими місцями, і це триватиме ще десятки років. Тому обчислювальні ресурси залишаться обмеженими, і потрібно ефективно їх використовувати.

Наступний науковий прорив

Gary Tan: Добре, що малі моделі стають все розумнішими. У біології та біотехнологіях багато засновників. AlphaFold 3 вже перевершив білки і поширився на ширший спектр біомолекул. Наскільки ми далі від моделювання цілісної клітини? Це зовсім інший рівень складності?

Demis Hassabis: Прогрес Isomorphic Labs дуже хороший. AlphaFold — лише частина процесу відкриття ліків. Ми займаємося суміжною біохімією, проектуємо молекули з потрібними властивостями — скоро буде важлива новина.

Наше кінцева мета — створити повністю віртуальну клітку, яку можна моделювати і змінювати, щоб вона давала результати, близькі до експериментальних, і була корисною. Можна пропустити багато пошуків і згенерувати багато синтетичних даних для тренування інших моделей, щоб передбачати поведінку реальних клітин.

Я оцінюю, що до створення повної віртуальної клітини залишилось близько десяти років. Ми починаємо з ядра клітини — воно досить автономне і структуроване. Головне — знайти таку «січку» з оптимальним рівнем складності, щоб вона була самодостатньою і її можна було моделювати, зберігаючи цілісність входів і виходів. Це особливо актуально для ядра.

Ще одна проблема — недостатність даних. Я спілкувався з топовими вченими, що працюють з електронною мікроскопією і іншими технологіями. Якщо зможемо не руйнуючи клітку робити знімки живих клітин — це буде революція. Це перетворить проблему у візуальну, і ми знаємо, як її вирішити.

Але наразі немає технологій для зйомки живих клітин у нанорозмірі без пошкоджень. Знімки високої роздільної здатності вже дуже деталізовані, але це ще не дає змоги створити повноцінну візуальну модель.

Отже, є два шляхи — апаратний і даний. Або покращувати обладнання і збирати дані, або створювати більш досконалі моделі для імітації біологічних процесів.

Gary Tan: Ви дивитеся не лише на біологію. Матеріалознавство, розробка ліків, кліматологія, математика — якщо потрібно ранжувати, які сфери найбільше зазнають революції за п’ять років?

Demis Hassabis: Кожна сфера захоплює, і саме тому я вже понад 30 років займаюся AI. Вважаю, що AI — це кінцева наукова зброя для просування розуміння науки, відкриттів у медицині і нашого розуміння Всесвіту.

Наші початкові цілі — у дві кроки. Спершу — вирішити проблему розуму, побудувати AGI. Потім — використати її для вирішення всіх інших проблем. Згодом ми змушені були змінити формулювання, бо почали питати: «Чи справді ви маєте на увазі вирішення всіх проблем?»

Ми дійсно так і маємо на увазі. Зараз люди починають розуміти, що це означає. Конкретно — вирішити так звані «кореневі проблеми» науки, ті, що відкривають нові гілки досліджень. AlphaFold — прототип того, що ми хочемо зробити.

Більше трьох мільйонів дослідників у світі використовують AlphaFold. Деякі керівники фармацевтичних компаній кажуть, що майбутні ліки майже всі будуть створюватися з його допомогою. Це — наш внесок у науку і наші амбіції. Але це лише початок.

Я не можу уявити, що є сфера науки або інженерії, де AI не міг би допомогти. Всі ці галузі — на початковому етапі «AlphaFold 1», і результати вже дуже перспективні, але ще не подолано головних викликів. У найближчі два роки ми очікуємо багато проривів — від матеріалознавства до математики.

Gary Tan: Це схоже на пророцький прорив — нові можливості для людства.

Demis Hassabis: Саме так. І, як у міфі про Прометея, ми повинні бути обережними у тому, як використовуємо цю силу, щоб вона не стала зброєю руйнування, і щоб одна й та сама технологія не була зловживана.

Успішний досвід

Gary Tan: Багато хто з присутніх намагається заснувати компанії, що застосовують AI у науці. На вашу думку, у чому різниця між справжніми передовими стартапами і тими, що просто накладають API на базові моделі і називають себе «AI for Science»?

Demis Hassabis: Я б подумав, що якби я зараз був у вашому положенні і дивився на проекти у Y Combinator, я б порадив передусім передбачати напрямки розвитку AI. Це дуже складно. Але я вважаю, що поєднання AI з іншими глибокотехнологічними галузями — це великий шанс. Це перехрестя, і в найближчому майбутньому, особливо у сферах матеріалів, медицини або атомної фізики, не буде швидких шляхів. Ці галузі не зламає оновлення базових моделей. Але якщо шукати стратегію захисту — це те, що я б рекомендував.

Я завжди віддаю перевагу глибоким технологіям. Справжні цінності — це те, що не дається легко. Мене завжди приваблювала глибока наука і технології. Ще у 2010 році, коли ми починали, AI вважався нішевою сферою — інвестори казали, що це не працює, а академія — що це провалена ідея 90-х.

Але якщо у вас є віра у свою ідею — у те, що це буде інша історія, у вашу унікальну комбінацію знань і досвіду — і ви можете