Засновник DeepMind: 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 гостював у Y Combinator, обговорюючи ключові прогреси на шляху до AGI, поради для підприємців щодо збереження лідерства, а також де може з’явитися наступний великий науковий прорив.

Найбільш практичним для глибокотехнологічних підприємців є 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 головного

Шляхи та часові рамки до AGI

· «Практично всі існуючі технологічні компоненти майже напевно стануть частиною кінцевої архітектури AGI.»

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

· «Якщо ваші часові рамки для 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, тоді як у систем з контекстним вікном у мільйони або десятки мільйонів токенів. Проблема в тому, що ми засмічуємо його всім, 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 вистачить приблизно на 20 хвилин.»

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. Точно таке не має бути у точних системах мислення.»

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

Агент і творчість

· «Щоб досягти AGI, потрібно мати систему, яка може активно вирішувати ваші проблеми. Agent — це шлях, і я вважаю, що ми лише на початку.»

· «Я ще не бачив, щоб хтось створив гру 3A, яка б очолила рейтинги в магазині додатків, використовуючи vibe coding. 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 краєвих пристроях. Теоретично ми ще не досягли межі інформаційної щільності.»

Наукові відкриття та «Тест Ейнштейна»

· «Я іноді називаю це «Тест Ейнштейна», тобто чи можна навчити систему знаннями 1901 року і дати їй самостійно вивести результати, зроблені Ейнштейном у 1905 році, включно з спеціальною теорією відносності. Якщо це можливо, такі системи вже близькі до створення нових відкриттів.»

· «Розв’язання однієї з головних задач мільйонної премії — вже велике досягнення. Але ще складніше — запропонувати новий набір задач для мільйонної премії, які б вважали глибокими та вартими дослідження цілого життя, за думкою провідних математиків.»

Поради для глибокотехнологічних стартапів

· «Шукаючи складні та прості задачі, ви зрозумієте, що складність — це просто різні способи труднощів. Життя коротке, тому 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, враховуючи сучасний стан? Що зараз найсуттєвіше відсутнє?

Demis Hassabis: Я переконаний, що великомасштабне попереднє навчання, RLHF, мисловні ланцюги — все це стане частиною кінцевої архітектури AGI. Ці технології вже довели свою цінність. Не можу уявити, що через два роки ми знайдемо шлях у глухий кут. Але, можливо, ще потрібно додати один-два компоненти — наприклад, безперервне навчання, довгострокове мислення, пам’ять — ще не вирішені.

AGI потрібно зробити цілком. Можливо, існуючі технології з деякими поступовими інноваціями здатні довести до цього рівня, але, ймовірно, залишиться один-два ключові прориви. Я оцінюю ймовірність їх появи приблизно 50/50. Тому у DeepMind ми працюємо над обома напрямками.

Gary Tan: Я маю досвід роботи з агентськими системами і найбільше враження справляє те, що базові ваги повторюються у всіх системах. Тому концепція безперервного навчання дуже цікава, адже зараз ми фактично використовуємо тимчасові «скотчі», наприклад, цикли «нічних снів».

Demis Hassabis: Так, ці цикли сновидінь досить круті. Ми раніше думали про інтеграцію сценічної пам’яті. Мій докторський дослід — як гіпокамп елегантно інтегрує нові знання у вже існуючу систему. Мозок у цьому дуже майстерний.

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 Atari) навчився грати в Atari через досвід повторного відтворення.

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

Я погоджуюсь, що зараз ми дійсно «склеюємо» все разом. Засмічуємо контекстне вікно всім, що маємо. Це не зовсім правильно. Навіть якщо ми робимо машини, а не біологічний мозок, теоретично можна мати мільйони або мільярди токенів у контексті, і пам’ять може бути ідеальною. Але пошук і витяг інформації все одно коштує дорого. 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, контекстне вікно на мільйон токенів вже значно більше, ніж я очікував, і воно дозволяє робити багато.

Demis Hassabis: Так, для більшості сценаріїв воно достатньо. Але уявіть: контекстне вікно — це робоча пам’ять. У людей вона в середньому — сім цифр, а у систем з мільйонами токенів — мільйони або десятки мільйонів. Проблема в тому, що ми засмічуємо її всім, включно з непотрібною та помилковою інформацією, і це досі грубо. Якщо обробляти поток відео в реальному часі і зберігати всі токени, то один мільйон токенів — це приблизно 20 хвилин. Але якщо потрібно зрозуміти, що відбувалося у вашому житті за місяць або два, цього все ще недостатньо.

Gary Tan: DeepMind традиційно активно інвестує у підкріплене навчання та пошук, і ця філософія закладена у створення Gemini. Чи залишається RL недооціненим?

Demis Hassabis: Можливо, так. Зацікавленість у RL коливається. З моменту заснування DeepMind ми працюємо над агентськими системами. Всі роботи з Atari та AlphaGo — це в основному агентські системи з підкріпленим навчанням, здатні самостійно досягати цілей, приймати рішення, планувати. Спочатку ми зосередилися на іграх, бо там контрольовані умови, потім перейшли до більш складних ігор, наприклад, AlphaStar після AlphaGo — ми зробили майже всі можливі ігри.

Наступне питання — чи можемо ми узагальнити ці моделі у глобальні моделі світу або мовні моделі, а не лише ігрові. Ми цим займаємося вже кілька років. Сучасні провідні моделі — це переосмислення ідей та мисловних ланцюгів, які почалися ще з AlphaGo.

Я вважаю, що багато роботи, яку ми робили раніше, дуже актуальна і сьогодні. Ми переосмислюємо ці ідеї, масштабуючи їх і роблячи більш універсальними, включно з методами Монте-Карло пошуку та іншими підходами RL. Ідеї AlphaGo та AlphaZero дуже близькі до сучасних базових моделей, і я вважаю, що значний прогрес у найближчі роки буде саме з цього напрямку.

Дистиляція та малі моделі

Gary Tan: Зараз, щоб бути розумнішими, потрібні більші моделі, але одночасно досконалий процес дистиляції дозволяє швидко отримувати малі моделі. Ваші Flash-моделі дуже потужні, вони майже досягають 95% ефективності провідних 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. Метод дистиляції — наш винахід, і ми досі залишаємося на передовій. У нас сильна мотивація цим займатися, адже ми — одна з найбільших платформ AI у світі.

Завдяки AI Overviews, AI Mode і Gemini, кожен продукт Google — карти, YouTube тощо — інтегрує Gemini або відповідні технології. Це охоплює мільярди користувачів і десятки продуктів з мільярдною аудиторією. Вони мають працювати дуже швидко, ефективно, з низькою вартістю та мінімальними затримками. 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 для дистиляції? Чи можуть моделі 50B або 400B бути так само розумними, як сучасні провідні моделі?

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 віримо, що після випуску передової Pro-моделі її можливості можна буде стиснути до дуже маленької, що працює на краєвих пристроях, за півроку — рік.

Ви можете побачити це і на моделі Gemma: наша Gemma 4 демонструє дуже високі результати при тому ж обсязі. Це досягається за допомогою масових технологій дистиляції та оптимізації малих моделей. Тому я справді не бачу теоретичних меж і вважаю, що ми ще дуже далеко від них.

Gary Tan: Зараз спостерігається дивовижний феномен — інженери виконують у 500-1000 разів більше роботи, ніж 6 місяців тому. У цій кімнаті деякі люди роблять приблизно у 2000 разів більше роботи, ніж інженери Google 2000-х років. Це вже обговорював Стів Йегге.

Demis Hassabis: Це дуже захоплює. Малі моделі мають багато застосувань. По-перше, вони дешеві і швидкі, що дає переваги. У програмуванні або інших задачах ви можете ітеративно покращувати систему швидше, особливо у співпраці. Швидка система, навіть якщо вона не найпередовіша, — достатньо хороша, і швидкість ітерацій приносить більше цінності, ніж цей 10% програш у якості.

Ще один напрям — запускати ці моделі на краєвих пристроях, що важливо для 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 випадку необхідності звертатися до хмари. Обробка аудіо та 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 системою?

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 можуть «випуститися і забути» — їм потрібно навчатися у вашому середовищі. Щоб досягти справжнього універсального інтелекту, цю проблему потрібно вирішити.

Gary Tan: На якому рівні зараз розвиток мислення? Чи сильні мисловні ланцюги, але все ще трапляються помилки, які не роблять навіть початкові студенти? Що потрібно покращити? Які очікування щодо прогресу у мисленні?

Demis Hassabis: У мисленні ще багато простору для інновацій. Те, що ми робимо, — досить грубо і досить грубо. Можна покращити багато аспектів, наприклад, моніторинг мисловних ланцюгів і втручання у процес. Я часто думаю, що наші системи — і конкуренти — іноді надмірно «заглиблюються» у роздуми, зациклюються у циклах.

Мені подобається спостерігати за Gemini у грі у шахи. Всі провідні моделі погано грають у шахи, і це цікаво.

Спостерігати за їхніми мисловними траєкторіями корисно, бо шахи — добре вивчена сфера. Я швидко можу визначити, чи відхилився хід від стратегії. Бачу, що іноді система розмірковує, усвідомлює, що зробила поганий хід, але не може знайти кращого і повертається до нього. Точно таке не має бути у точних системах мислення.

Це велика різниця, і її виправлення — питання одного-двох налаштувань. Саме тому існує поняття «зубчастого інтелекту» (jagged intelligence): він може вирішувати задачі рівня IMO, але при зміні формулювань робить помилки початкової математики. Внутрішня рефлексія ще потребує розвитку.

Реальні можливості агента

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

Demis Hassabis: Згоден, ми тільки на початку. Щоб досягти AGI, потрібно мати систему, яка може активно допомагати у вирішенні ваших проблем. Це для нас очевидно з перших днів. Агент — це шлях, і я вважаю, що ми лише на старті.

Ми досліджуємо, як зробити агентів більш корисними у роботі. У нас багато експериментів у цій сфері, і багато з них — у колі наших досліджень. Як зробити так, щоб агент був не просто додатком, а справжнім гравцем у процесі? Зараз ми ще на етапі експериментів, але вже знаходимо цінні сценарії. Технічний рівень — це вже не іграшка, а реальний інструмент, що підвищує вашу продуктивність.

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

Ми ще не бачили, щоб хтось створив гру 3A, яка б очолила рейтинги у магазині додатків, використовуючи vibe coding. Я сам писав, багато хто з колег 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 хітом з продажами понад мільйон копій, хоча 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? Не думаю, що одразу все стане автоматичним. Можливо, спершу люди досягнуть у 1000 разів більшої продуктивності, а потім з’являться перші успішні застосування — популярні додатки, ігри — і автоматизація інших процесів.

Demis Hassabis: Так, це саме те, що потрібно побачити перш за все.

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

Demis Hassabis: Можливо. Але я хотів би поговорити про творчість. Часто згадую приклад AlphaGo, особливо другий хід у 37-й позиції. 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 перемоги у Сеулі, це було 10 років тому. В цьому році я святкую 10-річчя 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 вивчити за 5 хвилин, але осягнути за все життя, естетично витончену, яку можна зіграти за вечір» — і вона поверне вам, наприклад, шахи. Сучасні системи цього ще не роблять. Чому?

Gary Tan: Можливо, хтось із присутніх зможе.

Demis Hassabis: Якщо хтось зможе — відповідь у тому, що причина не у системі, а у нашому способі її використання. Можливо, саме так і є. Можливо, сучасні системи вже мають цю здатність, але їм потрібен геніальний творець, який надасть їм «душу» проекту, інтегрує їх у високий рівень творчості. Якщо ви працюєте з цими інструментами щодня і маєте глибоку творчість, 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 лише хмарним сервісом? Це змінить, хто зможе створювати продукти на основі цих моделей?

Demis Hassabis: Ми — тверді прихильники відкритого коду та відкритої науки. AlphaFold ми зробили безкоштовним. Наші наукові публікації — у топових журналах. Щодо Gemma — ми прагнемо створити провідні моделі для аналогічних обсягів. Вже зараз Gemma завантажили понад 40 мільйонів разів за півтора тижня після релізу.

Важливо, що у відкритому коді зберігається стратегія відкритості, особливо у контексті технологій у Китаї. Китайські відкриті моделі дуже хороші і зараз лідирують у цій сфері, але ми вважаємо, що Gemma у тому ж обсязі — дуже конкурентоспроможна.

У нас немає необмежених ресурсів для створення двох великих передових моделей одночасно. Тому ми вирішили: краще робити відкриті моделі для мобільних пристроїв, окулярів, роботів — і робити їх максимально відкритими, адже вони будуть розгорнуті локально. Це стратегічно виправдано.

Gary Tan: Перед показом я демонстрував, як можу взаємодіяти з Gemini голосом. Це мультимодальна система. Я користувався багатьма моделями, але Gemini — найкраща у розумінні контексту та інтеграції інструментів.

Demis Hassabis: Так. Gemini — це перша модель, яку ми з самого початку створювали мультимодальною. Це ускладнює старт, але дає великі переваги у довгостроковій перспективі. Ми вже бачимо, що це приносить плоди.

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 активно використовуємо Gemini у Waymo (автопілот від Alphabet).

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

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 цілком безкоштовним — є парадокс Джевонса (Jevons’ Paradox), коли підвищення ефективності збільшує загальне споживання. Вірю, 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 у цьому напрямку, і всі ці процеси споживатимуть обчислювальні ресурси.

Щодо енергетики — якщо ми вирішимо питання з управлінням ядерного синтезу, наднизькою вартістю батарей і матеріалів, то зможемо знизити енергетичні витрати майже до нуля. Але виробництво мікросхем і фізичне виготовлення — ще довго залишатимуться вузькими місцями. Тому обчислювальні ресурси залишаться обмеженими, і потрібно ефективно їх використовувати.

Наступний науковий прорив

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

Demis Hassabis: Прогрес Isomorphic Labs дуже хороший. AlphaFold — лише один етап у процесі відкриття ліків. Ми працюємо над суміжними біохімічними дослідженнями, створенням правильних сполук — скоро буде важлива новина.

Мета — створити повністю віртуальну клітку, яку можна моделювати та змінювати. Вона має давати результати, близькі до експериментів, і бути 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 ще приблизно 10 років. Ми починаємо з ядра клітини — воно досить автономне. Головне — знайти таку «сегменту», яка буде достатньо складною, самодостатньою і дозволить приблизно відтворити її вхідні та вихідні дані. Це особливо актуально для ядра.

Ще одна проблема — недостатність даних. Я спілкувався з топовими вченими, що працюють з електронною мікроскопією. Якщо зможемо не руйнуючи клітку знімати її у живому стані, це буде революційно. Це перетворить проблему у візуальну, і ми вже знаємо, як її вирішувати.

Але наразі технології, що дозволяють знімати живі клітини у нанорозмірі без пошкоджень, — відсутні. Можна отримати статичні знімки високої роздільної здатності, але це ще не дає змоги створити повноцінну візуальну модель.

Отже, є два шляхи: апаратний і даний — розробляти нові технології для зйомки, або створювати більш досконалі моделі для імітації біологічних процесів.

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

Demis Hassabis: Кожна сфера захоплює. Це і є причина, чому я присвятив цьому понад 30 років. Вважаю, що AI — це кінцева наука для просування розуміння, відкриття нових знань, медицини і нашого уявлення про Всесвіт.

Наші цілі — у двох кроках. Спершу — вирішити проблему розуму, побудувати AGI. Потім — використати її для розв’язання всіх інших проблем. Спершу — так, але згодом ми зрозуміли, що потрібно змінити формулювання, бо запитують: «Чи справді ви маєте на увазі вирішення всіх проблем?»

Ми так і маємо на увазі. Зараз багато хто починає розуміти, що це означає. Я маю на увазі вирішення «кореневих» проблем у науці — тих, що відкривають нові напрямки досліджень. AlphaFold — прототип нашої ідеї.

Більше трьох мільйонів дослідників у світі вже використовують AlphaFold. За словами керівників фармацевтичних компаній, майже кожен новий препарат у майбутньому буде використовувати AlphaFold у процесі відкриття. Це — наш гордість і наш вплив. Але це лише початок.

Я не можу уявити, що є сфера науки або інженерії, де AI не допоможе. Всі ці галузі — ще на рівні «AlphaFold 1», результати вже багатообіцяючі, але головних викликів ще не подолано. У найближчі два роки ми побачимо багато проривів — від матеріалознавства до математики.

Gary Tan: Це схоже на пророцтво Прометея — дає людству нові можливості.

Demis Hassabis: Саме так. І, як і в міфі, потрібно бути обережним, щоб не зловживати цими можливостями, не використовувати їх у поганих цілях і не допустити зловживань.

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 думаю, якщо б я був на вашому місці і дивився на проекти у Y Combinator, я б порадив передусім прогнозувати розвиток AI. Це дуже складно. Але я вважаю, що велика можливість — поєднати AI з іншими глибокотехнологічними галузями. Це перетин матеріалів, медицини та інших складних наук, особливо тих, що пов’язані з атомами. У майбутньому не буде швидких шляхів через оновлення базових моделей. Ці сфери не зникнуть відразу. Але якщо ви шукаєте захищену нішу — це те, що я рекомендував би.

Я завжди прихильник глибоких технологій. Справжні цінності — це те, що не дається легко. Мене завжди приваблювала глибока наука. У 2010 році, коли ми починали, AI був саме глибокою наукою — інвестори казали: «Це не працює», а академічна спільнота вважала, що це напрямок 90-х, що зазнав поразки.

Але якщо у вас є віра у свою ідею — у чому вона відрізняється цього разу, які у вас унікальні знання та досвід — і ви можете зібрати команду експертів у машинному навчанні та застосуваннях, — тоді у вас є величезний потенціал для створення цінності.

Gary Tan: Це дуже важливо. Що зробивши один проект, здається очевидним, — до цього всі були проти.

Demis Hassabis: Так, тому потрібно займатися тим, що справді вас захоплює. Для мене — AI. Ще в дитинстві я вирішив, що це — найвпливовіша сфера. Це підтвердилося, але можливо, що я був раніше за час — можливо, на 50 років.

І це ще й найцікавіша справа для мене. Навіть якщо сьогодні ми ще сидимо у гаражі, а AI ще не створено, я все одно шукатиму шляхи продовж