Оригінальна назва: Open Source Wins，AGI Is Here，and Scorsese's AI Toolkit—Cerebras & Black Forest Labs CEOs
Оригінальне джерело: All-In Podcast
Оригінальний переклад: глибокий приплив TechFlow

Короткий виклад ключових тез

Цього разу в програмі взяли участь двоє CEO компаній, які будують інфраструктуру для AI. Andrew Feldman — засновник Cerebras, компанії, що спеціалізується на чіпах для інференсу; щойно вони завершили IPO, і в них на руках 25 млрд доларів невиконаних накопичених замовлень. Він неодноразово підкреслював одну річ: попит на обчислювальні потужності для AI уже давно повністю заброньований; ситуації “побудували — а далі чекатимемо клієнтів” не існує. Апетит OpenAI, Anthropic, SpaceX і Google значно перевищує пропозицію. А поява reasoning знову різко підвищила обчислювальну інтенсивність — і це якраз поле бою для швидких машин. Robin Rombach — засновник Black Forest Labs; він робить генеративні моделі для зображень і відео (серія Flux). Раніше він винайшов алгоритм latent diffusion — тобто базову основу для всіх нинішніх моделей генерації зображень і відео. Нещодавно він співпрацював з Martin Scorsese, щоб режисер використав AI для візуалізації картинок з власної уяви; але його ще більше захоплює напрям, у якому той самий набір мультимодальних моделей може знімати фільми й водночас розгортатися на роботах як “мозок”. Точка завершення генеративного відео не на екрані, а у фізичному світі.

Огляд влучних думок

Reasoning — це наступна “чорна діра” для обчислювальних потужностей

· «Цікаво те, що ця хвиля відрізняється від минулих: вони не роблять ставку на “побудували — а хтось сам прийде”. Попит уже забронював виробничі потужності. У нас 25 млрд доларів невиконаних накопичених замовлень.»

· «Reasoning — це reasoning. Reasoning споживає гігантські обсяги token, і це якраз поле бою для швидких машин.»

· «Якщо Cerebras у 15 разів швидший, ти ганяєш 24 години — це як кілька тижнів або навіть кілька місяців роздумів.»

Open Source і суверенітет: бізнесу потрібен контроль

· «Ніхто не любить залежати. Урок, який винесли надвеликі постачальники ще з епохи x86, — це бути прив’язаним до Intel.»

· «Тобі не потрібно робити найшвидший чіп. Тобі потрібно лише бути не повністю залежним від чіпів інших.»

· «Якщо зараз хочеш запускати open source моделі, то або OSS 12B від OpenAI, або моделі з Китаю. У США вибір локальних open source занадто обмежений — потрібні більше варіантів.»

AGI за визначенням 20-річної давнини вже прийшов

· «Будь-які визначення AGI, які ми висували 20, 30 чи 40 років тому, — ми вже давно їх далеко перетнули»

· «Тест Тьюрінга? Його вже давно “розбили”»

· «Проблема більше не в тому, що ми не знаємо, як запитувати. AI у відповідь може сказати: “Ей, ви, такі тупенькі люди, ви цього не врахували”»

Генеративне відео не замінює людське творення

· «Ці AI-моделі — це медіум. Ми не хочемо диктувати, як саме ним користуватися, особливо таким людям, як Martin Scorsese.»

· «Мова — це трохи збитковий спосіб комунікації. Сигнали візуальної інформації надто насичені. Перетворити те, що в голові, на видиме зображення — ось де найбільш сильна сторона технології.»

· «Найцікавіший результат майже завжди з’являється там, де людина постійно перебуває в контурі й відбувається безперервна ітерація.»

Від кіно до роботів: той самий набір моделей

· «Ти можеш зняти фільм, використовуючи той самий мультимодальний модельний набір, а потім розгорнути його як мозок для робота.»

· «Передтреноване відео неявно навчає моделі закономірностей фізичної взаємодії, а потім ти з того самого модельного набору отримуєш прогнозування дій — тобто керування роботом.»

· «Мета — щоб ти міг давати роботу інструкції через in-context prompt: “Принеси той стаканчик апельсинового соку”. Зараз ми ще не можемо, але це напрям.»

AI-інфраструктурна хвиля: датацентри більші за міста

Ведучий: Ми ніколи не бачили такого масштабу будівництва. Починаючи з Великої Китайської стіни, пірамід — людство не вкладало стільки капіталу, часу й розумних людей у створення якогось одного об’єкта. Ти фактично робиш саме це, твій клієнт будує датацентри, і ти є ключовою ланкою. У 2026 році чим займається Cerebras? І що відбувається з тими великими проєктами в Техасі?

Відповідь: Ті датацентри, про які ми говоримо, у найближчі кілька років витрачатимуть електроенергію більше, ніж за всю сукупність минулих 50 років на Землі. Одна будівля має площу приблизно як футбольне поле, а підключена потужність перевищує показники середнього міста. По всій території США їх будують, у Канаді будують, у Північній Європі будують, у Парижі та по всій Франції будують, на Близькому Сході будують, навіть у Казахстані, Таджикистані та Грузії будують великі датацентри. Кожна країна, кожен штат хоче долучитися.

Хто платить? OpenAI, Anthropic, SpaceX AI, Google — апетит просто лякає. Цікаво те, що ця хвиля відрізняється від багатьох попередніх технологічних “гарячих хвиль”: вони не роблять ставку на “побудували — а хтось прийде”. Попит уже забронював виробничі потужності. У нас 25 млрд доларів невиконаних накопичених замовлень. OpenAI хоче більше датацентрів, Microsoft — більше, AWS — більше. Попит не чекає “клієнтів на порозі”, клієнти вже в черзі.

Ведучий: Це також породжує слово “token maxing” — нескінченно “вичерпувати” token. Дехто сумнівається: такий великий попит взагалі створює реальну цінність?

Відповідь: Безумовно, створюється велика кількість цінності. Але також створюється велика кількість марної метушні. Якщо порівняти з тим, як було, коли я прийшов в AWS, то тоді обходити власний IT-відділ було надзвичайно приємно: кожен інженер міг просто взяти кредитку й зареєструватися. Частина речей справді була корисною, але згодом інколи думаєш: “Ей, а хіба так не треба було робити”. Загалом усе одно заробляли, але деякі напрями виявилися “не влучили”.

Я пам’ятаю Costco, яка відкрилася в Palo Alto у 1988 році: усі ходили туди так, як наче це Safeway — проходили всі полиці. Це був дуже поганий спосіб шопінгу: ти купував чотири непотрібні речі по 22 долари за кожну. Потім люди вивчили стратегію: брати м’ясо на задніх полицях, взяти 18 коробочок тістечок для дитячого дня народження — і все, швидко та по суті. Споживання AI token працює так само: спочатку всі активно “використовували”, а тепер підприємства почали говорити про стратегію: які задачі достатньо робити open source моделями, а які — тільки передовими моделями. Ми почали керувати AI як бізнесом.

Reasoning замінює тренування: чому швидкі машини — головні герої цієї хвилі?

Ведучий: Sam Altman на AllIn говорив, що наступний крок — це reasoning: розуміння наміру, формування стратегії та перехресна валідація між агентами в інших потоках. Ми пройшли довгий шлях від “вгадай наступне слово”. І зараз Cerebras якраз знаходиться в центрі, бо reasoning — це inference, а обчислювальні витрати надзвичайно великі.

Відповідь: Reasoning споживає гігантські обсяги token, і саме це створює поле бою для швидких машин. На кожному кроці reasoning всередині пожирає token. Ти спочатку, по суті, платиш великим часом, щоб отримати гарну відповідь. Cerebras у 15 разів швидший: 24 години reasoning — це еквівалент кільком тижням або навіть кільком місяцям роздумів іншого.

Сьогодні зранку я спробував модель GLM-52 від ZAI на BitTensor. Я дав їй нескінченні обчислення, щоб вона щогодини підказувала мені тренди у всьому світі, які ще не були ідентифіковані. Вона почала сперечатися сама з собою: чи шукати на Hacker News і Reddit? А може тренди раніше з’являються в Instagram? Я спостерігав, як reasoning-модель у бекенді дебатує сама — вона робить reasoning. Нескінченні token дорівнюють нескінченному reasoning. Якщо Cerebras у 15 разів швидший, то 24 години — це як у інших кілька тижнів.

Ведучий: Чи має Cerebras власний закон Мура? Як довго в компанії тривають внутрішні обговорення, щоб подвоїти показники?

Відповідь: У всіх попередніх чипів було “йдуть у ритмі” закону Мура: подвоєння через 18 місяців. Ми перервали цю лінію, використовуючи цей чіп, і вийшли на зовсім нову траєкторію. Моя оцінка така: у майбутні 18 місяців буде значно більше, ніж удвічі. Новою архітектурою ще є що оптимізувати. GPU — це стара архітектура 20-річної давнини: їй доводиться вижимати продуктивність лише через зменшення розмірів техпроцесу, але в новій архітектурі ще є безліч речей, які можна вивчити й налаштувати.

Ведучий: У вас на руках 25 млрд у накопичених замовленнях, і вам все одно треба тримати темп OpenAI — вони можуть бути майбутніми потенційними конкурентами. Як ви керуєте компанією?

Відповідь: Зараз кремнієві “пластини” не простоюють: попит надто великий. Але ви праві: OpenAI теж робить власні чіпи, і Amazon теж робить. Ніхто не любить бути залежним. Урок, який винесли надвеликі гравці з епохи x86, — це прив’язка до Intel; урок GPU-виробників — це те, що їх прив’язали кілька надвеликих клієнтів, тому вони фінансували нові хмари. Робити власні чіпи — головне не бути найшвидшим. Головне — бути не повністю залежним від інших і принаймні контролювати важливу частину власної долі.

Open Source і суверенітет: бізнесу потрібен контроль

Ведучий: Open source зараз входить у момент. Спочатку я користувався OpenClaude, потім Kimmy, і побачив: token у Claude “вибухав”, але різницю між Kimmy я не міг чітко відрізнити. Open source моделі почали робити reasoning — і цього року прірва раптом скоротилася.

Відповідь!: Ти не хочеш їздити на Ferrari до супермаркету. Іноді їдеш на суперкарі, а іноді — на minivan: коли діти розсипали Cheerios, тобі не так страшно. Підприємства так само: складні задачі віддають передовим моделям (OpenAI, Anthropic, Gemini), але для великої кількості звичайних щоденних проблем потрібні лише надійні open source можливості. Подумай: скільки часу компанія витрачає на “вирізати-вставити” в Workday і вставляти в іншу комірку Excel? Там не потрібні “золота” математика — достатньо стійких open source рішень.

Нещодавно я перевернув ще одну карту: фінанси, охорона здоров’я — це регульовані індустрії (HIPAA, FINRA). Вони бояться витоку даних, бояться, що інтелект ними керуватимуть “чужі”, тож хочуть запускати моделі локально, і беруть open source-версії, щоб отримати трохи більше контролю. Кілька місяців тому OpenAI випустив OSS 12B — так собі, але ок. Однак США зараз, щоб запускати open source, це або OSS 12B, або моделі з Китаю; локальний вибір open source замало. NVIDIA теж побачила це вікно й просуває власні open source моделі, але Jensen вагається: його клієнти — це Sam, Dario, Elon, Sergey. А якщо він відкриє інструменти open source, чи не буде це відбирати бізнес у клієнтів?

Позиція Cerebras відносно нейтральна: ми ганяємо GLM, ганяємо Kimmy, ганяємо серію Qwen, а також ганяємо закриті моделі OpenAI. Ми також запускаємо моделі, які розробляє GSK, і моделі власної лінійки UAE G42 та MBZUAI. Суверенітет — це тренд.

AGI вже прийшов, парадигма не помре — люди

Ведучий: Коли Fable 5 і o-56 випустили, уряд сказав “зупинитися й випустити знов”. У Anthropic напружені стосунки з адміністративним рівнем, але зараз почалося пом’якшення. Як ви вважаєте, чи логічний поетапний реліз? Моделі справді надто небезпечні?

Відповідь: Я не бачив раніше нічого подібного. Але якщо повернутися назад і подумати: коли модель у креативному мисленні стає достатньо “сильною”, уряд каже “будь ласка, випускай поетапно”, то я думаю, що в цьому немає проблем. Ми так само ставимося й до “сильних ліків”: ми не заохочуємо купу FDA-орієнтованих семирічних марних документів, але ідея “принаймні нехай уряд зробить red team-тести, перевірить, що наша оборона витримає. За два-три тижні компенсувати очевидні прогалини” — це не безглузда вимога.

Але зараз найбільш поляризований час. Якщо це не робив Trump, а будь-який інший президент — реакція могла б бути зовсім іншою. Поляризація шкодить ясному мисленню. І ті, і ті робитимуть дурниці, і ті, і ті робитимуть розумні речі. Урядові “низові” працівники насправді дуже старанно це роблять, просто ця технологія прийшла надто швидко.

Nikesh з Palo Alto Networks казав мені: вони протестували модель на власному софті й виявили десятки ключових вразливостей за одну годину, тому довелося зупинити всі справи, над якими вони працювали, і витратити шість тижнів на патчі. Ти розумієш, що це потужний інструмент. Можливо, треба спочатку показати його невеликій групі людей, а може спочатку зробити red team-тести.

Ведучий: Якщо взяти будь-яке визначення AGI, яке було сформульоване 20 років тому, то AGI вже прийшов. Ви так думаєте?

Відповідь: Так. Тест Тьюрінга? Його вже давно “вибили”. Будь-які визначення, які пропонувалися 10, 15, 20, 30, 40 чи 50 років тому — ми їх далеко перевершили. Питання, які ставили фантасти, ми вже відповіли. Вони сказали б: «Окей, у мене немає питань. Вибачте». Саме тому ті слова, які звучать так, ніби вони “на межі”, заслуговують на увагу. Ilya вісім років тому говорив про безпеку — а ти тоді казав: «Що?» І він таки мав рацію. Elon говорив, що вартість ракети можна опустити до майже нуля — ти казав: «Що?» А він зробив.

Ведучий: Recursive learning: ти ставиш йому одне питання, воно вчиться на результаті, потім ставиш знову — і відповідь стає кращою, охоплює більше матеріалу. Відповіді, які породжуються такими циклами, стрибком переходять від “трохи краще” до “значно краще”. Кутовий коефіцієнт на експоненційній кривій занадто крутий.

Відповідь: Рекурсивний приріст — це експоненційний. Ти стаєш ще кращим — даєш наступну ітерацію, і приріст триває, нахил ще крутіший. Ми щойно почали це бачити. Якщо постійно кидати обчислювальну потужність, то відповіді будуть ставати дедалі кращими? І коли ти закінчиш token або бюджет — зупинишся. Але коли ця експоненційна крива впирається в межу? Чи вона піде вічно вправо-вгору? Це питання зараз неймовірно цікаве.

Швидкість людського навчання “застрягає” між поколіннями: слони й великі ссавці дають одне покоління раз на 15–20 років. Щоб було швидко — треба як дрізофіла: два покоління за день. AI зараз отримує швидкість навчання, яка проходить тисячі поколінь. Коли я читав психологію, професор сказав одну річ: парадигма не помирає — людина. Учні Freud, Skinner і Jung займали лідерські позиції 20–40 років — і тільки тоді приходила наступна генерація, щоб підважувати їх. AI “стиснув” інтервал між поколіннями до швидкості дрізофіли.

Я роблю ставку на це: наші діти й усі люди, яких вони знають, не помиратимуть від раку. Економіка може мати турбулентність: приїдуть автомобілі — і людям, які точать підкови коням, буде важко. Але якщо скласти список того, що вони зароблять і що втратять: нескінченна енергія, нескінченна їжа, нескінченні знання, нескінченна освіта, нескінченне житло. Ми знали тисячу років, що 1-на-1 репетиторство краще, ніж клас: Aristotle навчав Alexander, Socrates навчав своїх учнів, але ми обрали фабричний формат навчання. Тепер AI може дати кожній дитині наставника, який навчає саме так, як їй підходить.

AI-інструментарій Scorsese: перетворити картини з голови на реальність

Ведучий: Robin Rombach — співзасновник і CEO Black Forest Labs; штаб-квартира в регіоні Шварцвальд, у Freiburg, і в Сан-Франциско. Ви раніше працювали зі Stable Diffusion і винайшли алгоритм latent diffusion. Який бізнес Black Forest Labs? Яка мета?

Відповідь: Ми заснували цю компанію разом із партнерами два роки тому. До цього ми робили Stable Diffusion, а ще раніше винайшли latent diffusion — базовий алгоритм, який лежить в основі всіх сучасних моделей для генерації зображень, відео і навіть фізичного AI. Принцип такий: стискати природні дані (зображення, відео, аудіо) до ефективного простору представлення, а далі тренувати на цьому transformer — ніби як JPEG і MP3: той самий принцип, але реалізований через алгоритми нейромереж. Це ми зробили під час PhD у Мюнхені.

Зараз ми атакуємо багатомодальні візуальні моделі: одночасно передтренуємо їх на зображеннях і аудіоданих, і переходимо до нової парадигми: поєднання action prediction. Один і той самий модельний набір зможе робити зображення, робити відео, робити аудіо й водночас прогнозувати дії — а в підсумку розгортатися в реальному світі на роботах.

Ведучий: Від зображень до відео до аудіо, аж до роботів: якщо модель може генерувати відео, це означає, що вона розуміє світ.

Відповідь: Інтуїтивний інтелект і глибоке міркування — це два взаємодоповнювальні типи інтелекту. Ми почали з інтуїтивного боку: зображення — найприродніший вхід, і за обчисленнями це не так дорого, як відео. Але зараз усе зближується в багатомодальні моделі. Передтреноване відео неявно навчає модель закономірностям фізичної взаємодії, а з того самого модельного набору ти дістаєш прогноз дій — тобто керування роботом.

Ведучий: Ви співпрацювали з Martin Scorsese? Ви сиділи поруч і змусили його користуватися вашими інструментами?

Відповідь: Так, я сидів у тій самій кімнаті з ним. Він досліджував наші моделі: як один із ключових дослідників, він сидів поруч — і це відчувалося просто божевільно. Водночас я, звісно ж, ще й його великий фанат.

Його запит — візуалізувати сцени з власної уяви: якась маленька село в Східній Європі. Він описує, ми дивимося на результат, він ітеративно вдосконалює. Наприкінці він сказав таке: перетворити картини з голови на візуальне вираження — ефективність комунікації тут значно вища, ніж у мові. Мова — це дещо збитковий спосіб комунікації. Сигнали візуальної інформації надто багаті. Обсяг інформації в одній картинці або фрагменті відео — величезний. Це інший канал комунікації.

Ми не хочемо встановлювати правила, як саме використовувати ці моделі, тим більше ми не скажемо Martin Scorsese: “Ви маєте використовувати ось так”. Моделі AI — це медіум. Найцікавіше з’являється майже завжди там, де людина постійно перебуває в контурі й ітеративно вдосконалює.

Від кіно до роботів: фінальна точка генеративних моделей не на екрані

Ведучий: Startups зараз використовують Flux і ваші моделі, щоб робити релізні відео. Раніше це коштувало 250 тис. доларів за launch video, а тепер можна зробити за тиждень-два. Gal Gadot щойно зробила Bitcoin-фільм: актори грають у sound stage без зеленого екрану, а весь фон зроблено за допомогою генеративного AI; бюджет 30 млн доларів дав ефект, який раніше коштував би 150 млн. Ви бачите, що це вже використовують у виробництві?

Відповідь: Я бачив десь таке. Висококласне кіновиробництво — один із найвимогливіших кейсів. Я радий, що хтось це досліджує, але хочу пояснити: технологія ще перебуває на траєкторії, вона швидко ітеративно розвивається. Кілька років тому, коли ми були в PhD, ми могли генерувати лише зображення 64×64. Зараз уміємо багато-вхідне тренування для відео з високою роздільною здатністю, але це не зупиниться на цьому.

Найбільше мене захоплює ось що: ти можеш взяти той самий мультимодальний модельний набір, зняти з ним фільм, а потім розгорнути його як “мозок” робота. Це просто дуже цікаво. Чи можна “computer use” реально застосувати — поки невідомо, але технологія рухається в бік фізичного світу: world models, action models — по суті, це одне й те саме.

Ведучий: Звідки беруться навчальні дані? Чи записують людини від першої особи, одягнувши окуляри й рукавички? Або достатньо подивитися з YouTube тисячу відео, де люди виливають напій?

Відповідь: Мета — використовувати in-context prompt, щоб інструктувати робота: “Принеси той стаканчик апельсинового соку”. Зараз це ще не зробити. Нинішній підхід такий: модель уже встановлена з великими можливостями зорового розуміння, і їй потрібні лише кілька годин даних для fine-tuning, щоб адаптуватися під конкретне залізо. Напрям — якнайменше fine-tuning, і якнайбільше покладатися на in-context інструкції. Але це все ще задача дослідження.

Ведучий: Open source має свій момент — бізнесу потрібен суверенітет. Як Disney з таким IP-багатством має це робити: взяти ваш open source модель і навчити її собі, чи співпрацювати з вами для навчання персональної моделі?

Відповідь: Найцікавіші кейси там, де ця технологія створює раніше небачені речі. Саме це і є найсуттєвіше в цій технології. Наші публічні інструменти не зможуть генерувати специфічний IP — це цілком логічно. Ми також реально співпрацювали з певними власниками IP для розробки моделей: частина з них базується на наших open source моделях, а частина — на наших сильніших proprietary моделях.

Найцікавіший ракурс такий: технологія стає швидшою й більш інтерактивною. Можна уявити, що Disney+ підвісить різні інструменти для створення контенту з інтерактивністю.

Ведучий: Зараз найцікавіше явище — fan films. Спочатку фанати писали fan fiction і створювали власні історії про Star Wars. Потім люди одягали костюми Jedi і знімали fan films. George Lucas сказав, що дозволено, якщо це не комерційне використання. А тепер люди використовують AI, щоб переказувати історії Star Wars, яких ніколи не було. У кожного Star Wars Stories Untold мільйон переглядів на відео. Це і є майбутнє: нехай споживачі платять за ліцензію на використання, і нехай вони створюють власні історії, використовуючи персонажів.

Відповідь: Якщо знайти життєздатну комерційну бізнес-модель для IP-власників і водночас відкрити такий рівень супер-креативного кастомізованого використання — це було б просто чудово. Коли я читаю книгу або дивлюся фільм, я весь час думаю: “А що було б, якби це розвивалося інакше?” І тепер нарешті можна зробити ці думки видимими.

Ми щойно пройшли позначку 100 людей і зараз наймаємо в Німеччині та в Сан-Франциско: дослідників для тренування моделей великого масштабу; людей із досвідом тренування diffusion і flow matching; інженерів, які розробляють кастомні рішення разом із клієнтами; людей з експлуатації обчислювальної інфраструктури великого масштабу; а також тих, хто зацікавлений у тому, щоб передавати технологію більшій кількості людей.

Оригінальне посилання

Натисніть, щоб дізнатися про вакансії “律动BlockBeats” (BlockBeats)

Запрошуємо приєднатися до офіційної спільноти 律动 BlockBeats:

Telegram підписна група: https://t.me/theblockbeats

Telegram чат: https://t.me/BlockBeats_App

Twitter офіційний акаунт: https://twitter.com/BlockBeatsAsia