Засновник DeepMind: інтерв’ю про архітектуру 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 AI — мільйони або десятки мільйонів токенів у контексті. Але проблема в тому, що ми засмічуємо його всім підряд, 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 цей поганий хід. 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 початкової математики. Внутрішня рефлексія його мислення ще не досконала.»

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 цього шляху.»

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

Дистиляція та малі моделі

· «Наші припущення такі: після випуску передової моделі Pro через півроку — рік її можливості можна зжати до дуже маленької моделі, яка може працювати на периферійних пристроях. Теоретично ми ще не досягли межі інформаційної щільності.»

Наукові відкриття та «Тест Ейнштейна»

· «Іноді я називаю це «Тест Ейнштейна», тобто чи можна навчити систему знаннями 1901 року і дати їй самостійно вивести результати, зроблені Ейнштейном у 1905 році, включаючи спеціальну теорію 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 топ-математиків.»

Поради для глибокотехнологічних стартапів

· «Шукаєте складні задачі або прості — різниці майже немає, лише спосіб складності різний. 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 за сучасними парадигмами? 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, можливо, ще потрібно додати один-два компоненти — безперервне навчання, довгострокове мислення, деякі аспекти пам’яті ще не вирішені.

AGI потрібно зробити цілком. Можливо, існуючі технології з додаванням поступових інновацій здатні це забезпечити, але ймовірно, залишиться один-два ключові прориви. Я оцінюю ймовірність їхнього існування приблизно 50/50. Тому у DeepMind ми працюємо над обома напрямками.

Gary Tan: Я працюю з багатьма агентськими системами і найбільше вражає, що базові ваги повторюються в різних системах. Тому концепція безперервного навчання дуже цікава, адже зараз ми фактично тимчасово «запаюємо» все на клей, наприклад, ті «цикли нічних снів».

Demis Hassabis: Так, ці цикли снів досить цікаві. 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 ефективний.

Він виконує цю функцію під час сну, особливо у швидкому сні (REM sleep), коли повторює важливі переживання для навчання. Наш перший Atari-програма DQN (DeepMind, 2013, перша глибока Q-мережа, яка за допомогою глибокого підкріпленого навчання досягла людського рівня в Atari) навчився грати, використовуючи досвід повторного відтворення (experience replay).

Це взято з нейронауки — повторювати успішний шлях. Це було ще в 2013 році, і в AI це вже давно застаріло, але тоді це було критично важливо.

Я погоджуюсь, що зараз ми дійсно «застосовуємо скотч». Засмічуємо контекстне вікно всім підряд. 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 дорого. У момент прийняття рішення знайти справді релевантну інформацію — нелегко, навіть якщо все збережено. Тому я вважаю, що у сфері пам’яті ще багато простору для інновацій.

Gary Tan: Чесно кажучи, мільйон токенів у контексті — вже набагато 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 AI — мільйони або десятки мільйонів токенів. Проблема в тому, що ми засмічуємо її всім підряд, включно з непотрібною та помилковою інформацією, і це досі грубо. Якщо зараз обробляти поток відео в реальному часі і зберігати всі токени, то один мільйон токенів — це приблизно 20 хвилин. Але якщо потрібно, щоб система розуміла ваше життя за один-два місяці, цього все ще недостатньо.

Gary Tan: DeepMind традиційно активно інвестує у підкріплене навчання та пошук, і ця філософія закладена у створення Gemini. Наскільки глибоко вона інтегрована у ваші поточні розробки? Чи все ще недооцінюють важливість RL?

Demis Hassabis: Можливо, так. Ця сфера має коливання популярності. З моменту заснування DeepMind ми працюємо над агентськими системами. Вся робота 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 контрольована складність, потім перейшли до більш складних ігор, наприклад AlphaStar після AlphaGo. Вже зробили майже все, що можна у цій галузі.

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 мисленнєвих ланцюгів, які колись започаткувалися в AlphaGo.

Я вважаю, що багато роботи, яку ми робили раніше, дуже актуальна і сьогодні. Ми переосмислюємо ці ідеї, масштабуючи їх і роблячи більш універсальними, включаючи методи Монте-Карло пошуку та інші підходи з підкріпленим навчанням. Ідеї AlphaGo та AlphaZero дуже тісно пов’язані з сучасними базовими моделями, і я вважаю, що значний прогрес у найближчі роки буде саме з цієї сфери.

Дистиляція та малі моделі

Gary Tan: Зараз, щоб бути розумнішим, потрібні більші моделі, але одночасно прогресує технологія дистиляції — малі моделі стають швидшими. 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. Наш великий плюс — швидко дистилювати ці можливості у все менші моделі. Ми винайшли метод дистиляції і досі залишаємося у світі на передовій. А ще у нас сильна мотивація цим займатися, бо ми — одна з найбільших платформ застосування AI у світі.

Завдяки AI Overviews, AI Mode і Gemini, кожен продукт Google — карти, YouTube тощо — інтегрує Gemini або подібні технології. Це мільярди користувачів і десятки продуктів із мільярдною аудиторією. Вони мають працювати дуже швидко, ефективно, з низькою вартістю та мінімальною затримкою. Це мотивує нас робити Flash і ще менші моделі максимально ефективними, щоб вони служили користувачам у різних задачах.

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

Demis Hassabis: Я не вважаю, що ми вже досягли інформаційної межі, принаймні наразі ніхто не знає, чи вона існує. Можливо, колись ми наткнемося на межу щільності інформації, але зараз припускаємо, що після випуску передової моделі Pro через півроку — рік її можливості можна зжати до дуже маленької моделі, яка зможе працювати на периферійних пристроях.

Ви можете побачити це і на моделі Gemma: Gemma 4 показує дуже високі результати при тому ж обсязі. Це досягається за допомогою масової дистиляції та оптимізації ефективності 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 здатні робити у 500-1000 разів більше роботи, ніж 6 місяців тому. У цій кімнаті деякі люди виконують роботу, яку б у 2000-х роках робив один інженер Google у 1000 разів швидше. Це вже обговорював Steve Yegge.

Demis Hassabis: Це дуже захоплює. Малі моделі мають багато застосувань. По-перше, вони дешеві і швидкі, що дає переваги. У написанні коду або інших задачах ти можеш ітерувати швидше, особливо у співпраці з системою. Швидка система, навіть якщо вона не найпередовіша, — це цілком достатньо, і переваги швидкості ітерацій перевищують цінність 10% точності.

Ще один напрям — запускати ці моделі на периферійних пристроях, що важливо для приватності та безпеки. Уявіть пристрої, що обробляють дуже особисту інформацію, або роботи вдома. Ви захочете, щоб високоефективна модель працювала локально, і лише у разі необхідності — звертатися до хмари. Обробка аудіо та відео локально, зберігання даних на пристрої — це потенційно ідеальний сценарій.

Пам’ять і мислення

Gary Tan: Повернемося до контексту і пам’яті. Зараз моделі — безстанні. Як зміниться досвід розробників, якщо з’явиться здатність до безперервного навчання? 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 справляються з окремими задачами, їх можна з’єднати у щось круте, але вони погано адаптуються до конкретного середовища. Це причина, чому вони ще не можуть «випуститися і забути» — їм потрібно навчатися у реальному часі, підлаштовуючись під конкретний сценарій. Щоб досягти справжньої універсальності, цю проблему потрібно вирішити.

Gary Tan: На якому рівні зараз розвиток мислення? Чи сильні ланцюги мислення моделей, але вони все ще роблять помилки, які не роблять розумні студенти? Що потрібно покращити? Які очікування щодо прогресу у цій сфері?

Demis Hassabis: У мисленнєвій парадигмі ще багато простору для інновацій. Те, що ми робимо, — досить грубо і грубо. Можна покращити багато аспектів, наприклад, моніторинг процесу мислення, втручання у процес на середині. Часто здається, що системи — наші і конкурента — надмірно зациклюються і зациклюються у циклах.

Я іноді спостерігаю за Gemini у грі в шахи. Всі провідні моделі погано грають у шахи, і це цікаво.

Їхній шлях мислення дуже цінний, бо шахи — добре вивчена сфера. Можу швидко визначити, чи відхилився алгоритм від правильного шляху, чи логіка працює. Бачу, що іноді він робить хід, усвідомлює, що він поганий, але не може знайти кращого, і повертається до поганого. Точна система логіки не повинна так себе вести.

Такий розрив ще існує, але його можна виправити за один-два кроки. Саме тому існує явище «зубчастого інтелекту» (jagged intelligence): він може розв’язувати задачі рівня IMO, але при зміні формулювання — робить помилки початкової математики. Внутрішня рефлексія мислення ще не досконала, і в цьому ще багато роботи.

Реальні можливості агента

Gary Tan: Агент — це велика тема. Дехто вважає її хайпом. 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 я вважаю, що ми тільки починаємо.

Ми досліджуємо, як зробити агентів більш корисними у роботі. У нас багато експериментів у цій сфері, і багато хто з вас, напевно, теж. Як зробити так, щоб агент був не просто додатком, а справжнім гравцем у процесі? Зараз ми ще на етапі експериментів. Мабуть, лише останні два-три місяці ми почали знаходити цінні сценарії. Технічно — ми вже на тому рівні, що це не просто демонстрація, а справжня допомога у роботі та підвищення ефективності.

Я часто бачу, як запускають десятки агентів і дають їм працювати по кілька годин, але ще не впевнений, що це дає очікуваний результат.

Ми ще не бачили, щоб хтось за допомогою vibe coding створив топову 3A-гру, яка б очолила рейтинги. Я сам писав, багато з вас робили 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. Ви маєте вміти вкласти ці якості у будь-який продукт. Ще жоден дитина не створив бестселер із продажами понад мільйон копій, 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. Можливо, спершу люди досягнуть у 1000 разів більшої продуктивності, а потім з’являться перші успішні застосування — популярні ігри, додатки — і автоматизація підхопить інші етапи.

Demis Hassabis: Саме так. Це те, що потрібно побачити першими.

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

Demis Hassabis: Можливо. Але я хочу поговорити про креативність. Часто згадую AlphaGo — другий хід у 37-й позиції. Для мене це був момент, коли я зрозумів, що система може зробити щось неймовірне, і тоді я почав працювати над проектами, наприклад AlphaFold. Це було ще десять років тому, і ми почали одразу після повернення з Сеула. Це був момент святкування 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 навчитися за п’ять хвилин, але осягнути за все життя важко, естетично витончену, яку можна зіграти за вечір» — і вона поверне вам, що це — Го. Сучасні системи цього зробити не можуть. Чому?

Gary Tan: Можливо, хтось із присутніх зможе.

Demis Hassabis: Якщо хтось зможе — відповідь не у тому, що системі чогось не вистачає, а у тому, як ми її використовуємо. Можливо, саме так і є. Можливо, сучасні системи вже мають цю здатність, але потрібен геніальний творець, щоб підштовхнути їх, надати проекту душу, і цей творець має бути тісно з ними поєднаний. Якщо ти працюєш з цими інструментами щодня і маєш глибоку креативність — можливо, зможеш 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, яким користувачі володіють самі, а не лише у хмарі? Це змінить, хто зможе створювати продукти на основі цих моделей?

Demis Hassabis: Ми — тверді прихильники відкритого коду та відкритої науки. Ви згадали AlphaFold — ми зробили його безкоштовним. Наші наукові роботи досі публікуються у провідних журналах. Щодо Gemma — ми прагнемо створити провідні моделі у цьому масштабі. Вже зараз Gemma завантажили понад 40 мільйонів разів за півтора тижня після релізу.

Я вважаю, що важливо мати сильний західний технічний стек у відкритому коді. Китайські відкриті моделі дуже хороші і зараз у лідерах, але ми вважаємо, що Gemma у цьому масштабі дуже конкурентоспроможна.

У нас є ресурсна проблема — ніхто не має зайвих обчислювальних потужностей для двох великих провідних моделей одночасно. Тому наш вибір — використовувати моделі для периферійних пристроїв (Android, окуляри, роботи) у відкритому доступі. Адже, коли модель вже на пристрої, вона сама по собі — відкритий інструмент. Це стратегічно логічно.

Gary Tan: Перед демонстрацією я показав тобі свою AI-операційну систему, якою можу керувати голосом і взаємодіяти з Gemini. Це був досить напружений момент, але все спрацювало. Gemini з самого початку — мультимодальна система. Я користувався 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 це відчувати.

Наприклад, у сфері глобальної моделі ми створили Genie (генеративний інтерактивний модель від DeepMind). У робототехніці Gemini Robotics базується на мультимодальній основі. Наші переваги у мультимодальності стануть нашою конкурентною перевагою. Ми також все більше використовуємо Gemini у Waymo (автономне водіння від Alphabet).

Уявіть цифрового помічника, який супроводжує вас у реальному світі — на телефоні або окулярах, розуміє фізичний світ і навколишнє середовище. 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 розуміння стане майже безкоштовним, що стане можливим? Чи змінить це напрямки ваших досліджень?

Demis Hassabis: Не зовсім. Я не впевнений, що мислення стане справді безкоштовним — тут є парадокс Джевонса (Jevons’ Paradox), коли підвищена ефективність збільшує загальне споживання. Вважаю, що всі зрештою використають усі доступні обчислювальні ресурси.

Можна уявити мільйони агентів, які співпрацюють, або групу агентів, що одночасно досліджують кілька напрямків і об’єднують результати. Ми вже експериментуємо з цим. Це все з’їдає 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 ще на десятиліття. Тому обчислювальні ресурси все ще будуть обмеженими, і потрібно ефективно їх використовувати.

Наступний науковий прорив

Gary Tan: Добре, що малі моделі стають все розумнішими. Багато засновників у біології та біотехнологіях. AlphaFold 3 вже перевершив білки і поширився на ширший спектр біомолекул. Наскільки ми ще віддалені від моделювання цілісної клітинної системи? 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 хімічних сполук — скоро буде важлива новина.

Наше кінцева мета — створити повністю віртуальну клітку, цілісного симулятора, яку можна модифікувати. Вона має давати результати, близькі до експериментів, і бути корисною. Це дозволить пропускати багато пошуків і генерувати синтетичні дані для тренування інших моделей, щоб передбачати поведінку реальних клітин.

Я оцінюю, що до повної віртуальної клітини ще приблизно 10 років. Ми починаємо з ядер клітин — вони досить автономні. Головне — знайти складний, але достатньо ізольований фрагмент, щоб його можна було моделювати, не враховуючи всю клітку. Ядро — ідеальний кандидат.

Ще одна проблема — недостатня кількість даних. Я спілкувався з топовими вченими, що працюють з електронною мікроскопією. Якщо зможемо не вбивати клітини під час знімків, це буде революційно. Тоді можна буде перетворити проблему у візуальну, і її легко розв’язати.

Зараз технології для знімків у нанораздільній здатності живих клітин — ще не існує. Можна отримати статичні зображення дуже високої роздільної здатності, але це недостатньо для створення повноцінної візуальної моделі.

Отже, є два шляхи: апаратне та дані-орієнтоване рішення або створення більш досконалого навчального симулятора для моделювання динаміки систем.

Gary Tan: Ви дивитеся не лише на біологію. Матеріалознавство, фармацевтика, кліматологія, математика — якщо потрібно ранжувати, які сфери найбільше зазнають революції у найближчі 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 та нашого розуміння Всесвіту.

Наші початкові цілі — у дві кроки. Спершу — вирішити проблему розуму, побудувати AGI. Потім — використати її для розв’язання 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 багато хто починає розуміти, що це означає. Конкретно — це вирішення так званих «кореневих проблем» у науці, які, якщо їх подолати, відкриють нові напрямки досліджень. Наприклад, AlphaFold — прототип нашої ідеї.

Більше трьох мільйонів дослідників у світі використовують AlphaFold. За словами керівників фармацевтичних компаній, майбутні ліки майже всі будуть створюватися з його допомогою. Це — наш внесок у майбутнє науки. І це лише початок.

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

Gary Tan: Це схоже на пророцтво Прометея — дар людству нових можливостей.

Demis Hassabis: Саме так. І, як у міфі, потрібно бути обережним із тим, як ці можливості використовуються, щоб не зловживати ними і не нашкодити собі.

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 місці і дивився на проєкти у Y Combinator, я б порадив враховувати напрямки розвитку AI. Важливо передбачити, куди рухається технологія, і поєднати її з іншими глибокотехнологічними сферами — матеріалознавством, медициною, атомною фізикою. В цих сферах не буде швидких проривів від однієї нової моделі, але стратегічно це — правильний шлях. Це — захищена від швидких змін і має великий потенціал.

Я завжди віддаю перевагу глибоким технологіям. Справжні цінності — це те, що вимагає зусиль і часу. У 2010 році, коли ми починали, AI вважався «глибокою технологією», і багато інвесторів казали, що це не працює, а академічна спільнота — що це провалена ідея 90-х.

Але якщо ти маєш переконання у своїй ідеї — чому саме зараз це буде інакше, які у тебе унікальні знання і досвід, — і можеш зібрати команду експертів у цій сфері, — тоді у тебе є шанс створити щось значне.

Gary Tan: