Frontier Radar #5: Если AGI уже так близок, почему все уходят? Новые лаборатории и их ставки

Почему исследователи уходят из крупных лабораторий

Серия THE DECODER «Frontier Radar» выходит шесть раз в год в виде рассылки и материалов для подписчиков сайта. Пятый выпуск подробно рассматривает 27 лабораторий, разделённых на шесть групп по их исследовательским ставкам, а ещё почти 20 упоминает кратко. В нём также собраны сведения о происхождении лабораторий, их оценках и доступных публичных результатах. Первый выпуск был посвящён нынешнему состоянию ИИ-агентов, второй — измеримому влиянию ИИ на производительность, третий — формирующейся экономике токенов генеративного ИИ, четвёртый — тому, сохраняется ли отрыв ИИ от Китая и как выглядит положение Европы.

После запуска GPT-6 Astra Хуанг написал в X, что общий искусственный интеллект уже достигнут. Президент OpenAI Грег Брокман назвал модель поворотным моментом и приветствовал человечество в «эпохе ИИ общего назначения». Единого определения такого ИИ нет, поэтому точный смысл заявлений двух руководителей неясен. Однако посыл понятен: появление крайне мощного, возможно способного улучшать самого себя ИИ кажется близким, а путь к нему — уже намеченным.

Некоторые создатели нынешних систем, судя по их решениям, считают иначе. Илья Суцкевер, сооснователь OpenAI и бывший главный научный сотрудник компании, теперь строит Safe Superintelligence. Джерри Творек, руководивший разработкой рассуждающих моделей OpenAI, возглавил Core Automation. Дэвид Сильвер, создатель AlphaGo, ушёл из Google DeepMind и основал Ineffable Intelligence. Янн ЛеКун после 12 лет в Meta создал AMI. Джефф Дин, проработавший в Google 27 лет и в последнее время занимавший должность главного научного сотрудника, основал Discovery Loop.

За основателями идут деньги, хотя у некоторых лабораторий пока нет ни моделей, ни научных публикаций. В июле Nvidia вложила средства в SSI; по данным Bloomberg, сумма составила пять миллиардов долларов. В июне промышленная ИИ-лаборатория Джеффа Безоса Prometheus привлекла 12 миллиардов долларов при оценке в 41 миллиард. Flapping Airplanes, у которой также нет публичной модели, привлекла миллиард долларов в октябре в раунде серии A.

Причины ухода различаются. При таких оценках основатели быстро становятся миллиардерами на бумаге. ЛеКун ушёл из Meta после разногласий по стратегии, а Суцкевер хочет заниматься исследованиями без давления, связанного с выпуском продуктов. Другие ищут узкую область, которая в большой лаборатории осталась бы на периферии. Иногда разрыв не полный: Google сам стал одним из первых инвесторов Discovery Loop.

При этом основатели сходятся в сомнении: достаточно ли нынешнего рецепта для дальнейшего прогресса. Речь о всё более крупных языковых моделях, обученных на данных из интернета и доработанных с помощью обучения с подкреплением. Некоторые считают, что ИИ общего назначения близок, но не уверены, что одной этой комбинации хватит.

Что такое новая ИИ-лаборатория

Официального определения нет. В выпуске «Frontier Radar» так называют независимые исследовательские компании, которые строят бизнес вокруг долгосрочной технической ставки. Они хотят изменить то, как ИИ учится, воспринимает мир, решает задачи, поддаётся контролю или выполняет вычисления.

Нынешняя волна стала заметна в 2024 году, когда борьба за сильнейшие модели уже шла полным ходом, а у облачных гигантов были партнёры: Microsoft поддерживала OpenAI, Amazon — Anthropic. В июне Суцкевер основал SSI и за несколько месяцев привлёк миллиард долларов на исследовательскую команду без продукта.

Инвесторы рассчитывают, что небольшая команда найдёт то, что упускают гиганты. OpenAI и Anthropic выросли в крупные корпорации, а обе компании готовятся к выходу на биржу с рекордными оценками. Внутри больших компаний исследовательским командам приходится конкурировать за деньги и внимание с командами, отвечающими за продукты. Кроме того, крупным компаниям трудно поддерживать идеи, которые могут угрожать их нынешнему бизнесу. В управленческой науке эту проблему называют дилеммой инноватора.

У такого сценария есть предшественники. Архитектуру Transformer изобрели в Google в 2017 году. DeepMind победила сильнейших игроков в го с помощью AlphaGo, но массовый ИИ-помощник появился у основанной как некоммерческая организация OpenAI. Следующий крупный прорыв пришёл из её ответвления: Дарио и Даниэла Амодеи основали Anthropic в 2021 году. К концу июля 2026 года Bloomberg оценивал годовую выручку Anthropic в пересчёте на текущий темп более чем в 65 миллиардов долларов.

Новые лаборатории ищут исследовательские пробелы, которые крупные игроки не закрывают — потому что путь ещё неизвестен или на него не выделяют ресурсы. У крупных лабораторий больше вычислительных мощностей, налажены дата-пайплайны и есть обратная связь от сотен миллионов пользователей. Разработка небольшой команды может быстро появиться у лидера рынка уже после первого выпуска продукта.

Так произошло с TypeSafe AI. В середине сентября компания представила модель принятия решений Jev, а через две недели OpenAI объявила Decisions API. Даже короткое преимущество может показать компетенции команды и закончиться выгодной сделкой. Microsoft наняла ключевую команду Inflection. Google привлекла основателей Character.ai и руководство Windsurf. AMD намерена купить World Labs примерно за 8,2 миллиарда долларов, а Nvidia, по данным Financial Times, ведёт переговоры с Reflection.

Для новой лаборатории главный вопрос — сможет ли она создать то, чего пока нет у крупных игроков, и найдутся ли клиенты или сами гиганты, готовые за это заплатить. В выпуск вошли 27 лабораторий, преимущественно из США и Европы; их разделили на шесть групп по основному исследовательскому направлению.

Ставка 1: хороший решатель задач не всегда умеет учиться

Современные модели способны на многое, но учатся иначе, чем люди. Чтобы освоить навык, им нужны огромные объёмы данных, а после развёртывания их веса обычно не обновляются. Модель может использовать новую информацию в разговоре, но не учится постоянно на каждом опыте. Непрерывное обучение остаётся важной исследовательской задачей.

Шесть лабораторий подходят к ней с разных сторон: Adaption и Core Automation исследуют обучение во время работы модели; Flapping Airplanes, Ndea и SSI — обучение по небольшому числу примеров; Ineffable — обучение на собственном опыте.

Adaption ищет альтернативу масштабированию

Сара Хукер руководила исследованиями в Cohere и раньше работала в Google Brain. В 2020 году в работе «The Hardware Lottery» она писала, что исследовательские подходы нередко побеждают не потому, что они лучше, а потому, что подходят к доступному оборудованию. В январе Хукер продолжила эту мысль в работе «On the Slow Death of Scaling»: увеличение вычислительных мощностей всё менее надёжно приводит к улучшению моделей. Более действенными рычагами, по её мнению, могут быть данные и методы обучения. Открытые модели с 8 или 27 миллиардами параметров уже обгоняют гораздо более крупную Falcon 180B на бенчмарках.

Вместе с Судипом Роем Хукер основала Adaption. Основатели намерены делать ставку не на масштабирование, а на эффективный ИИ, который непрерывно учится. Вместо одной большой модели для всех они хотят создавать недорогие модели, которые быстро подстраиваются под конкретного пользователя. Первые продукты связаны с данными: инструменты для их очистки и визуализации, а также автоматизированное обучение через AutoScientist. Главная цель — модель, которая учится уже во время работы, — пока не достигнута.

Core Automation ищет новые методы обучения

Джерри Творек провёл в OpenAI почти семь лет и в последнее время был вице-президентом по исследованиям. Он руководил разработкой рассуждающих моделей o1 и o3. Критику нынешнего подхода он высказывает как один из людей, которые помогли его создать. Сооснователь Core Automation Рохан Анил руководил предварительным обучением Gemini в Google.

При дообучении уже обученная нейросеть может забыть то, что знала раньше. Исследователи называют это катастрофическим забыванием. Кроме того, Transformer не создавался для обучения на ходу во время развёртывания.

ChatGPT и Claude обходят проблему, записывая заметки и возвращаясь к предыдущим разговорам. Творек считает, что этого мало: непрерывное обучение, по его мнению, относится к машинному обучению, а не к файлам Markdown. Core ищет алгоритмы обучения за пределами предварительного обучения и обучения с подкреплением, а также архитектуры, которые лучше масштабируются. Предполагается, что первая модель будет обновлять веса во время работы и обходиться одной сотой нынешнего объёма обучающих данных. Пока это только слухи.

Первый тест Core проводит на самой себе: небольшая команда с исследовательскими ИИ-агентами пытается добиться результата крупной лаборатории. Например, агенты должны автоматически создавать эффективный код для GPU на основе идеи архитектуры.

После ухода Творек говорил, что в OpenAI такие исследования было трудно вести: в гонке за лучшей моделью компании идут на меньший риск.

Flapping Airplanes хочет учить модели на меньшем объёме данных

Братья Бен и Ашер Спекторы основали Flapping Airplanes вместе с Эйданом Смитом, ранее работавшим в Neuralink. Бен — ведущий автор ThunderKittens, широко используемой библиотеки ядер GPU.

Основатели считают, что нынешние модели хорошо справляются там, где данных много, например с текстом и изображениями. Но в робототехнике и биологии данные редки и дороги, поэтому результаты хуже. Flapping Airplanes хочет создавать модели, которые учатся по небольшому числу примеров. Основатели ищут методы, вдохновлённые биологическими принципами, но рассчитанные на работу на GPU.

Публичных результатов пока нет. Большую часть первого года команда создавала программную основу для более эффективного обучения на GPU, сокращая обычные потери времени между множеством небольших вычислительных шагов. Новые методы обучения должны работать на существующем оборудовании, прежде чем смогут принести пользу.

Отсутствие модели инвесторов не остановило. В январе лаборатория привлекла 180 миллионов долларов, а в октябре — миллиард долларов в раунде серии A при оценке в шесть миллиардов.

Ineffable Intelligence хочет учить модели без примеров от людей

Дэвид Сильвер ищет не меньше данных, а другие данные. В Google DeepMind он руководил разработкой AlphaGo и её продолжений. Первая AlphaGo училась на партиях людей. AlphaGo Zero и AlphaZero обучались только на самостоятельной игре и превзошли предшественников.

Весной 2025 года Сильвер и Ричард Саттон развили эту идею в работе «Welcome to the Era of Experience». Они утверждали, что системы, которые только подражают людям, вряд ли намного превзойдут человеческий уровень во многих важных задачах. Следующему поколению нужно учиться на собственном опыте, получая награды от среды, а не оценки людей. Позднее Сильвер основал Ineffable Intelligence. Его цель — создать «сверхобучающуюся» систему, которая учится на опыте в цифровой и физической среде.

Самый трудный вопрос — откуда брать обратную связь. В го исход партии даёт ясный сигнал — победу или поражение. В науке и физическом мире успех может быть неочевидным или проявляться с задержкой. Обучение с подкреплением особенно хорошо работает там, где среда даёт понятную оценку. Ineffable предстоит показать, что этот подход справится и с открытыми, меняющимися задачами.

В апреле компания объявила о посевном раунде на 1,1 миллиарда долларов при оценке после привлечения средств в 5,1 миллиарда. Это крупнейший такой раунд в Европе. Рабочей системы пока нет.

Ndea ищет правила по нескольким примерам

Франсуа Шолле создал библиотеку глубокого обучения Keras и разработал бенчмарк ARC, который проверяет, умеют ли системы осваивать новые задачи по нескольким примерам. После многих лет в Google он строит Ndea вместе с сооснователем Zapier Майком Кнупом. В команде около 15 человек.

Шолле разделяет способность решать задачу и способность учиться. Система может блестяще справляться с задачей благодаря длительному обучению, но не уметь эффективно осваивать новый навык. Ndea использует синтез программ: система ищет программу, объясняющую увиденные примеры, а нейросетевая модель направляет поиск к перспективным вариантам. Несколько примеров должны помочь вывести правила, работающие и на новых случаях.

Собственный бенчмарк Шолле развивается и без участия Ndea. На ARC-AGI-3, запущенном в марте, GPT-6 Astra в сентябре набрала до 99,9 процента, а в стандартном режиме — 62,7 процента. Показателен путь к результату: Astra переводила незнакомые игровые среды в компактные правила и собственную краткую систему обозначений — примерно к этому и стремится Ndea. Своего результата на ARC-AGI-3 лаборатория пока не публиковала.

Safe Superintelligence пока держится на репутации основателя

Илья Суцкевер — сооснователь OpenAI и бывший главный научный сотрудник компании, один из авторов важных работ по глубокому обучению. Он ушёл в 2024 году и основал SSI, где теперь занимает должность генерального директора. В программном заявлении компании цель описана как безопасный сверхинтеллект, не отвлекаемый разработкой продуктов. Около 50 сотрудников в Пало-Альто и Тель-Авиве пока не опубликовали ни модель, ни научную работу.

В конце 2025 года Суцкевер рассказал Дваркешу Пателю, что люди усваивают новое после нескольких примеров, а моделям нужны огромные массивы данных. Он намерен изменить это и ожидает появления системы, которая будет учиться не хуже человека, через пять — двадцать лет.

В июле SSI и Nvidia объявили о партнёрстве, которое должно увеличить вычислительные мощности в десять раз. Bloomberg сообщил о вложении в пять миллиардов долларов. Суцкевер сказал, что у SSI были исследования, которые заслуживали масштабирования. С учётом трёх миллиардов, привлечённых ранее, общая сумма составляет около восьми миллиардов долларов. Последняя известная оценка компании — 32 миллиарда. Она в основном опирается на репутацию Суцкевера и ожидание, что он видит путь, которого не замечают другие.

Другие лаборатории, работающие над обучением

Pathway из Пало-Альто уже представила архитектуру, похожую на ту, к которой стремится Core Automation. Её модель BDH адаптируется во время обработки и формирует подобие рабочей памяти. Пока это показано только на небольших моделях — до одного миллиарда параметров.

Основанная в 2022 году Symbolica, как и Ndea, сочетает нейросетевое обучение с синтезом программ, но использует собственную математическую архитектуру вместо языковых моделей. Основатели признают, что их долгосрочная цель — универсальная машина для синтеза программ — пока не достигнута. В ожидании Symbolica зарабатывает на Agentica, инструменте для создания ИИ-агентов.

Ставка 2: одного языка недостаточно

Первая группа хочет изменить то, как модели учатся, вторая — то, на чём они учатся. Её основатели сомневаются, что язык — лучший путь к интеллекту. Они хотят создавать системы, понимающие пространственные отношения, предсказывающие физические последствия и действующие в мире. AMI предсказывает абстрактные состояния, Black Forest Labs — видеокадры и движения роботов, General Intuition учится на видеоиграх, World Labs создаёт трёхмерные миры, а Physical Intelligence обучает робототехнике непосредственно на роботах.

AMI предлагает альтернативу подходу Янна ЛеКуна

Янн ЛеКун получил премию Тьюринга и создал исследовательскую лабораторию FAIR в Meta. Годами он выступал против идеи, что языковые модели приведут к интеллекту, похожему на человеческий. В конце 2025 года ЛеКун ушёл из Meta после разногласий по стратегии: компания хотела сосредоточиться на языковых моделях, которые можно быстро вывести на рынок. В AMI он стал исполнительным председателем, а генеральным директором — Александр Лебрен, основатель медицинской ИИ-компании Nabla.

Техническая основа AMI — JEPA, или архитектура предсказания в общем пространстве представлений. ЛеКун предложил её в 2022 году как альтернативу генеративным языковым и видеомоделям. Вместо предсказания результата по одному токену JEPA работает с абстрактными внутренними представлениями. Модель учится выделять важное, предсказывая следующий момент в видео или движение робота, и не пытается воспроизводить каждую деталь изображения.

В 2025 году V-JEPA 2 показала, что этот подход может работать. После предварительного обучения на видео роботам хватило 62 часов данных, собранных с помощью роботов, чтобы научиться выполнять простые задачи перемещения предметов в незнакомых лабораториях. Планирование проходило значительно быстрее, чем у систем, работающих с изображениями на уровне пикселей.

AMI ориентируется на промышленность, робототехнику и здравоохранение; первым партнёром стала Nabla. В марте лаборатория с командой примерно из дюжины человек привлекла 1,03 миллиарда долларов при оценке до привлечения средств в 3,5 миллиарда. Лебрен открыто говорит, что до продукта могут пройти годы. Исследования и большая часть кода должны быть открыты.

Black Forest Labs переходит от изображений к управлению роботами

Black Forest Labs из Фрайбурга известна моделями для генерации изображений FLUX, которые уже приносят доход. Её основатели во главе с Робином Ромбахом участвовали в создании метода, лежащего в основе Stable Diffusion.

С осени лаборатория делает ставку и на задачи за пределами генерации изображений. Модель изображений научилась тому, как меняются изображения, а значит, потенциально может усвоить, какие изменения вызывает то или иное действие.

Первым шагом стала выпущенная в сентябре FLUX 3 Action. Она основана на FLUX 3, обученной преимущественно на видео, и дополнительно настроена на данных, где известно действие, вызвавшее изменение: видеоиграх, видео от первого лица и записях с роботов под управлением операторов. Модель получает изображение с камеры, состояние робота и текстовую инструкцию, а затем предсказывает следующие две секунды — движение робота и вид сцены после него. Это генератор изображений, обученный управлять роботами. Веса опубликованы на Hugging Face.

На RoboLab-120, бенчмарке робототехники Nvidia, 22 октября FLUX 3 Action заняла второе место после Lakeside, а затем опустилась на четвёртое. Испытания проходят в симуляции, не на настоящем роботе.

General Intuition превращает видеоигры в обучающие данные

General Intuition выросла из Medal — платформы для игровых роликов. Гендиректор Medal Пим де Витте основал компанию в 2025 году вместе с тремя исследователями Женевского университета, работавшими над моделями мира для игр.

Команда записывает действия игроков вместе с игровым видео. Такие данные показывают не только, что изменилось, но и какое действие вызвало изменение. Medal предоставляет миллиарды видеокадров, сопоставленных с нажатиями клавиш и движениями мыши. На их основе лаборатория обучает два типа моделей: модели мира предсказывают, что произойдёт дальше, а модели действий решают, что делать.

Подход не совершенно новый. В 2022 году OpenAI обучила ИИ-агента для Minecraft на игровых записях с помощью VPT. DeepMind связывает Gemini с ИИ-агентом для трёхмерных игр через SIMA 2.

General Intuition планирует зарабатывать как платформа с доступом к моделям через API — для игровых студий и компаний из области робототехники. В качестве подтверждения идеи компания показала модель, обученную только на играх: после восьми минут дообучения на реальных данных робототехники она управляла четвероногим роботом.

Physical Intelligence создаёт универсальную модель для роботов

Physical Intelligence обучает модели непосредственно на роботах. Лабораторию основали известные специалисты по обучению роботов, в том числе Сергей Левин из Беркли и Челси Финн из Стэнфорда. Левин, ранее работавший в Google, описывает цель как универсальную модель робота — одну систему для разных роботов и задач, чтобы не программировать отдельный контроллер для каждой ситуации.

Семейство моделей π объединяет зрение, язык и действия. Большую часть обучающих данных лаборатория собирает сама: люди удалённо управляют роботами, а модели учатся на записях. В апреле вышла π0.7 примерно с пятью миллиардами параметров. По собственным испытаниям лаборатории, она объединяла освоенные навыки для новых задач и сравнялась с моделями, отдельно обученными специалистами для конкретных задач.

С 13 октября API Pi находится в бета-версии. Разработчики загружают данные со своих роботов, дообучают модели и запускают их из облака.

В марте появились сообщения о переговорах по привлечению средств при оценке более 11 миллиардов долларов. Конкуренцию составляют Gemini Robotics 2 от Google DeepMind, другие робототехнические стартапы и универсальные модели вроде Astra, уже управляющей роботизированными руками.

World Labs создаёт пространственный интеллект и может перейти к AMD

Фэй-Фэй Ли — профессор Стэнфорда, известная набором данных ImageNet. В 2024 году она основала World Labs вместе с тремя исследователями из Meta и Google, в том числе соавтором NeRF Беном Милденхоллом. Компания занимается пространственным интеллектом — ИИ, который понимает и создаёт трёхмерный мир. Ли называет 3D языком природы.

С ноября 2025 года World Labs продаёт Marble. Продукт создаёт редактируемые трёхмерные миры по тексту, изображениям, видео или эскизам; с января он также доступен через API. Разработчики игр используют Marble для создания прототипов, исследователи робототехники — для обучающих сред. Marble создаёт сцену, а последствия столкновения робота со стулом пока рассчитывает симулятор.

Решить эту проблему должна Atlas, доступная отдельным партнёрам с сентября. Она за один этап создаёт, восстанавливает и симулирует пространство: несколько фотографий превращаются в среду, по которой можно перемещаться, и в видео длительностью до минуты с управляемым движением камеры.

В конце сентября AMD объявила о намерении купить World Labs примерно за 8,2 миллиарда долларов в акциях. Сделку рассчитывают завершить до конца 2026 года, а Ли должна стать главным научным сотрудником AMD. Официально AMD объяснила покупку желанием лучше понять применение технологий, но у неё может быть и другое значение. У Nvidia есть комплексная платформа для физического ИИ — Omniverse, Isaac и модели Cosmos. World Labs поможет AMD сократить часть этого отрыва.

Другие лаборатории в этой группе

Odyssey из Сан-Франциско, как и World Labs и General Intuition, рассчитывает, что модель мира, обученная на видео, освоит движение и физику и научит ИИ-агентов действовать. С сентября в Agora-2 до 20 людей и ИИ-агентов могут работать в одной симулированной среде, под которой не запущен традиционный игровой движок. Runway, известная генерацией видео и основанная раньше нынешней волны, в декабре 2025 года пошла по пути Black Forest Labs: выпустила GWM-1, перейдя от видеомодели к симуляции, реагирующей на действия, и затем к робототехнике.

В управлении роботами у Physical Intelligence есть два близких конкурента. Skild AI из Питтсбурга тоже хочет создать одну модель для многих роботов, но начинает с симуляций и интернет-видео. При оценке более 14 миллиардов долларов она входит в число самых дорогих компаний в этой области. Generalist, как и Physical Intelligence, собирает собственные данные о роботах. В августе компания показала на GEN-1.5, как робот учится коротким ручным операциям всего по нескольким примерам.

Универсальные модели быстро догоняют специализированные

Универсальные модели быстро набирают возможности. Их пространственное понимание растёт: GPT-6 Astra моделирует дом в Blender и делает его доступным для перемещения в Unreal Engine. Gemini 4 Carbon достигает человеческого уровня на бенчмарке понимания 3D Blueprint-Bench 2.

На настоящих роботах ограничения пока заметны. В бенчмарке AA-Robotics Astra управляет роботизированной рукой с помощью собственного кода и набирает 69 из 100 баллов — лучший результат. Но одна задача занимает полчаса и обходится дороже 16 долларов. Человеку на неё нужны 20 секунд. При ещё больших вычислительных затратах Astra в исследовании Nvidia превзошла специализированные Lakeside и FLUX 3 Action, но цена составила около 36 долларов за задачу.

Универсальные модели уже могут опережать специализированные на отдельных задачах, но тратят на это больше времени и денег. Исследовательница робототехники Джорджия Халватзаки считает это реальным ростом возможностей, но не доказательством того, что одного масштабирования хватит для решения задач робототехники. Самые впечатляющие результаты получаются не от модели в одиночку: Astra использует симуляторы, планировщики движений, существующее программное обеспечение для управления и обучение с подкреплением.

По оценке Халватзаки, универсальные модели всё лучше используют и объединяют готовые инструменты робототехники. Но сами инструменты — быстрые контроллеры, физические модели и уровни безопасности — всё ещё нужно создавать. В ближайшие месяцы станет понятнее, что это означает для специализированных лабораторий.

Ставка 3: самые ценные данные не лежат в интернете

Третья группа делает ставку на данные, которых нет в открытом интернете: измерения из лабораторий, образцы из природы, инженерные данные с заводов. Улучшение универсальных моделей не мешает этой стратегии — такие модели можно использовать как строительные блоки. Преимущество должно возникнуть благодаря исключительному доступу к данным. Важны три вопроса: кто их собирает, кто может ими пользоваться и насколько трудно их воспроизвести. У Basecamp и Periodic уже есть часть нужных данных; Prometheus заявляет, что создаёт собственные.

Basecamp Research ищет гены у вулканов и на морском дне

Лондонская Basecamp Research основана в 2019 году — раньше нынешней волны лабораторий. Её пример особенно наглядно показывает, что происходит, когда нет данных масштабом с интернет. По словам сооснователя компании Глена Гауэрса, это характерно для биологии: общедоступные базы генов в основном содержат данные о хорошо изученных организмах.

Basecamp собирает образцы с местными партнёрами более чем в 30 странах — из почв тропических лесов, вулканических пород и глубин моря. По заявлениям компании, набор данных содержит более 100 миллиардов ранее неизвестных генов, доступ к которым контролирует Basecamp. Объявленный в марте проект Trillion Gene Atlas должен значительно расширить базу; партнёрами выступают Nvidia и Anthropic.

На этих данных Basecamp обучает семейство моделей EDEN. Они проектируют длинные последовательности ДНК и ферменты, которые встраивают их в геном. Некоторые возможности доступны исследователям через Claude. Первое направление применения — клеточная терапия: шесть программ находятся на ранних этапах исследований и разработок, до клинических испытаний. Сроки начала испытаний компания не называла.

Periodic Labs использует природу как среду обучения

Periodic Labs сама создаёт данные. Лиам Федус руководил дообучением моделей в OpenAI. Экин Догуш Джубук возглавлял проект GNoME в Google DeepMind, который в 2023 году предсказал миллионы новых кристаллических структур. Пока в лаборатории подтвердили лишь несколько сотен. Девиз Periodic: интеллекта необходимо, но недостаточно — научный прогресс нужно проверять реальностью.

Для этого Periodic управляет в Менло-Парке в значительной степени автоматизированными лабораториями. Роботы смешивают порошки, печи обрабатывают их, а рентгеновские аппараты круглосуточно проверяют результат. Так накапливаются данные, которых нет в учебниках, в том числе отрицательные результаты. Научные журналы публикуют успешно полученные кристаллы, но почти не описывают неудачи. Федус считает последовательности неудачных экспериментов особенно ценным видом данных.

Долгосрочная цель компании — создать сверхпроводник, работающий при более высокой температуре. Ближе к выручке — материалы для полупроводниковой промышленности. Первым названным клиентом стала компания по производству микросхем, столкнувшаяся с проблемой нагрева.

15 сентября Periodic представила модель Neon: существующую модель с триллионом параметров, дообученную на научной литературе и собственных данных лаборатории. По утверждению компании, Neon анализирует рентгеновские измерения лучше GPT-6 Astra и Claude Fable 5.1 и обходится дешевле.

Prometheus строит искусственного инженера для Безоса

В Prometheus Джефф Безос впервые с ухода с поста генерального директора Amazon в 2021 году лично взял на себя операционную роль. Он руководит лабораторией вместе с со-генеральным директором Виком Баджаем, который возглавлял проекты с амбициозными целями в Google X. По данным GeekWire, около 150 сотрудников пришли из OpenAI, Google DeepMind, Meta, xAI и Nvidia.

Ставка Prometheus — «искусственный инженер общего назначения». Это не связано с робототехникой, говорил Безос CNBC. Компания создаёт инструменты, которые должны упростить инженерам проектирование физических объектов, по сути — современную версию САПР. В долгосрочной перспективе программное обеспечение должно проводить двигатель или лекарственное соединение от идеи до производства. По словам Безоса, нужные для этого данные ещё предстоит создать, например на основе физических законов и результатов испытаний.

Возможный способ получить такие данные подсказывает другой проект Безоса. По информации Wall Street Journal, в марте он обсуждал фонд примерно на 100 миллиардов долларов для покупки и модернизации промышленных компаний из аэрокосмической, полупроводниковой и оборонной отраслей с помощью ИИ. В таких компаниях за десятилетия накопились крупные массивы инженерных данных — файлы САПР и симуляций. Получить лицензию на них почти невозможно: компании неохотно отдают свои внутренние цифровые знания.

Покупка таких компаний могла бы дать доступ и к их данным. Тогда фонд стал бы не только промышленным проектом, но и возможным способом получить данные для обучения искусственного инженера Prometheus. Это предположение не подтверждено.

Согласно сообщениям, лаборатория привлекла 6,2 миллиарда долларов, а затем ещё 12 миллиардов — более 18 миллиардов в сумме. Среди лабораторий, разобранных в выпуске, Prometheus получила больше всего средств, не представив продукт или опубликованное исследование.

Другие лаборатории, работающие с собственными данными

Lila Sciences из Кембриджа, штат Массачусетс, ближе всего к Periodic. В «ИИ-фабрике науки» ИИ выдвигает гипотезы, роботы проводят эксперименты, а результаты возвращаются в обучение. Лаборатория работает в химии и биологии. Преимущество должно возникнуть благодаря этому циклу, а не самим роботам. Пока процесс не обходится без участия людей.

Лондонская PhysicsX получает данные из симуляций. Её собственная фабрика данных рассчитала более 20 000 аэродинамических симуляций кузовов автомобилей. По мнению компании, чем разнообразнее данные, тем лучше модели справляются с новыми формами. Конкуренты с достаточными вычислительными ресурсами могут повторить этот подход.

Simile симулирует людей, а не природу. Стартап основали исследователи из Стэнфорда, стоявшие за «Generative Agents». Он создаёт модели поведения на основе интервью, данных о покупках и контролируемых экспериментов с людьми. Компании используют их, чтобы проверить, как клиенты отреагируют на цены или товары. В июле инвесторы оценили Simile в два миллиарда долларов. Получить такой доступ к поведению людей одной лишь более умной универсальной модели не получится.

Компания Enveda из Колорадо возникла раньше нынешней волны и применяет похожий подход к природным веществам из растений. Её модель PRISM обучалась на 1,2 миллиарда химических отпечатков. Половину измерили в лабораториях Enveda, остальные данные поступили из открытых источников.

Крупные компании тоже создают собственные лаборатории

Anthropic строит в районе Сан-Франциско собственную биологическую лабораторию, где Claude будет управлять роботами во время экспериментов. В апреле компания приобрела Coefficient Bio примерно за 400 миллионов долларов. В октябре Google описала, как её агенты проектируют и испытывают белковые связующие в собственной лаборатории. Ещё в августе Co-Scientist от DeepMind планировал эксперименты с двумерными материалами — областью, близкой к основной работе Periodic.

Специализированные лаборатории иногда получают фору в несколько лет за счёт собранных образцов, лабораторий и партнёрств. Удержится ли преимущество, зависит от того, насколько трудно воспроизвести их инфраструктуру и останутся ли данные закрытыми.

Ставка 4: вычислительные мощности становятся ограничением

Модели мира, роботы и автоматизированные лаборатории в итоге работают на одних и тех же микросхемах. GPT-6 Astra обучали более чем на 100 000 GPU Nvidia, а, по словам Хуанга, к ним добавятся ещё 400 000. Четвёртая группа изучает эффективность вычислений. Transformer отчасти победил потому, что GPU хорошо выполняют необходимые ему операции. У тех, кто хочет изменить подход, два пути: приспособить его к существующим микросхемам или создать другие.

Inception уточняет текст сразу во многих частях

Inception основали профессора Стефано Эрмон из Стэнфорда, Адитья Гровер из UCLA и Владимир Кулешов из Корнелла. В 2019 году Эрмон и Янг Сонг представили диффузионные генеративные модели, ставшие основой современных генераторов изображений и видео.

ChatGPT пишет по одному токену, каждый раз ожидая предыдущий. Модели Mercury от Inception сначала создают черновик ответа целиком, а затем одновременно уточняют множество его частей — подобно тому, как генератор изображений постепенно превращает шум в картинку. Такой подход обещает сократить ожидание и снизить расходы. В основе всё ещё лежит Transformer: основатели оспаривают не саму архитектуру, а нынешний способ генерации текста.

В отличие от большинства лабораторий этого выпуска, Inception уже продаёт модели через API. Mercury 3 вышла 19 октября. По данным компании, она превосходит более компактные GPT-6 Luna и Claude Haiku 5.5 в восьми из 12 бенчмарков и выдаёт текст в четыре — восемь раз быстрее. Inception также предлагает модель принятия решений Mercury Decide, конкурирующую с TypeSafe. В мае 2025 года Google уже показывала Gemini Diffusion. В мае Reuters сообщило о переговорах Microsoft по покупке Inception; компания хотела получить больше миллиарда долларов.

Liquid AI создаёт модели для устройств с ограниченными ресурсами

Liquid AI основали исследователи из MIT в 2023 году. Компания разрабатывает компактные модели для устройств с ограниченными объёмами памяти и вычислительных ресурсов — там, где связь с центром обработки данных слишком дорогая или медленная либо нежелательна.

В большинстве блоков моделей LFM2 энергоёмкий механизм внимания Transformer заменён более дешёвыми операциями, учитывающими ближайшее окружение слова. По описанию исследователей в техническом отчёте LFM2, архитектуру модели определяют память и вычислительные ресурсы устройства, на котором её будут запускать.

27 октября вышло новое поколение LFM3, способное работать с текстом, изображениями, видео и аудио. Модели имеют открытые веса и предназначены для локального запуска и специализации. С начала октября Liquid предлагает модель принятия решений d1 в нескольких размерах, частично с открытыми весами, в том числе для изображений. Раунд серии A на 250 миллионов долларов возглавила AMD. После этого Liquid также стала оптимизировать модели для микросхем AMD.

Технологии компании доходят и до автомобилей. 5 ноября Wall Street Journal сообщил, что Mercedes начал внедрять их в Северной Америке в октябре. Голосовые команды для навигации, музыки и настроек сидений выполняются непосредственно в машине, а более сложные запросы передаются облачным моделям.

Ricursive Intelligence рассчитывает на самоулучшение в разработке микросхем

До основания Ricursive Анна Голди и Азалия Мирхозейни разработали в Google AlphaChip — ИИ-метод размещения компонентов на микросхемах. Google использовала его в нескольких поколениях TPU.

Ricursive строит на этом идею обратной связи: ИИ проектирует лучшие микросхемы, которые затем обеспечивают работу следующего поколения ИИ. Обычные инструменты делят микросхему на десятки частей, а Ricursive хочет оптимизировать её целиком. В долгосрочной перспективе модели и микросхемы должны разрабатываться совместно, а на создание микросхемы должна уходить неделя вместо месяцев или лет.

Через два месяца после запуска, в январе, Ricursive объявила о раунде серии A на 300 миллионов долларов при оценке в четыре миллиарда. Продукта у компании пока нет.

4 ноября она выпустила Ripple-65B Preview с открытыми весами. Ricursive спроектировала архитектуру под оборудование Nvidia, чтобы эффективнее обучать и запускать модель. Внутренняя версия уже работает на платформе компании для проектирования микросхем. По заявлению Ricursive, Ripple входит в число сильнейших американских открытых моделей для задач программирования. Независимых оценок пока нет.

Конкуренция серьёзная. Google использует AlphaChip уже несколько лет. Nvidia оптимизирует схемы с помощью PrefixRL. В конце сентября OpenAI начала сотрудничать с Synopsys — одним из ведущих разработчиков программ для проектирования микросхем, наряду с Cadence и Siemens. Их совместная модель GPT-Synopsys должна самостоятельно работать с инструментами Synopsys и поэтапно улучшать проекты. Ricursive конкурирует не только с внутренними исследовательскими командами производителей микросхем, но и с партнёрством крупной ИИ-лаборатории и лидера рынка программного обеспечения для проектирования.

Unconventional AI хочет вычислять с помощью колебаний

Unconventional хочет изменить само оборудование для ИИ. Основатель Навин Рао уже продал две компании: Nervana — Intel, а MosaicML — Databricks. Он ожидает, что примерно через три года энергопотребление станет жёстким ограничением для ИИ.

Современные микросхемы выполняют цифровые вычисления с помощью миллиардов переключающихся транзисторов. Unconventional предлагает использовать аналоговые связанные кольцевые генераторы: колебательные схемы влияют друг на друга, пока их ритмы не совпадут. Эта динамика должна взять на себя часть вычислений, объединив память и обработку.

В июне лаборатория представила Un-0 — своего рода демонстрационную версию открытого генератора изображений, построенного на 16 384 симулируемых генераторах. По качеству он отстаёт от лучшего на данный момент уровня на несколько лет. Первую физическую микросхему для создания изображений компания получила в сентябре.

В течение двух лет планируется создать первую стоечную систему. Unconventional не хочет продавать микросхемы, а собирается предоставлять вычислительные мощности собственных систем. Компания также приобретает другие бизнесы: 26 октября она объявила о покупке израильского разработчика ИИ-микросхем NeuReality. Команда NeuReality перейдёт к покупателю, цена не раскрыта.

Другие лаборатории, меняющие вычисления

Extropic, как и Unconventional, хочет изменить физику вычислений, но другим способом. Её схемы намеренно допускают электронный шум в транзисторах и используют возникающую случайность для моделей ИИ. Летом компания сообщила, что микросхема Z1 находится в производстве; первые системы ожидаются в 2027 году. Обещанный прирост эффективности на несколько порядков основан на симуляциях.

Normal Computing придерживается похожего принципа, а пока зарабатывает на инструментах ИИ для проектирования микросхем.

Cartesia основали изобретатели архитектуры Mamba. Подобно Liquid AI, она заменяет значительную часть ресурсоёмкого механизма внимания, но в основном продаёт модели для работы с речью.

Ставка 5: продуктом становится само исследование

Пятая группа автоматизирует работу исследователей: разработку идей, проведение экспериментов и анализ результатов. Насколько далеко зашла система, можно примерно описать четырьмя этапами.

Большинство публично показанных результатов относятся ко второму этапу. Некоторые лаборатории и крупные компании в ограниченном виде достигают третьего. Исследования автоматизированных рабочих процессов показывают, что решения людей пока остаются ключевыми. Автоматизация продвинулась дальше всего там, где машина может сама проверить результат, — в математике.

Axiom Math строит доказательства, проверяемые машиной

Axiom намерена автоматизировать математические доказательства. Карина Хонг и Шубхо Сенгупта, ранее работавшие в Meta, основали компанию в 2025 году. Теоретик чисел Кен Оно оставил профессорскую должность, чтобы присоединиться к команде.

Языковая модель может написать убедительное доказательство, которое всё равно окажется неверным. Axiom обходит эту проблему, заставляя ИИ записывать доказательства на языке программирования Lean для математики. Специальная система проверяет каждый шаг. Если доказательство прошло проверку, оно верно в рамках использованных определений и предположений, и блефовать не получится.

Людям всё ещё нужно проверять, правильно ли исходное утверждение перевели на Lean и не появились ли по пути неверные дополнительные предположения. Если перевод ошибочен, машина безупречно докажет не то утверждение. Сама Axiom описывает это ограничение.

26 октября компания сообщила о своём крупнейшем достижении: десятки ИИ-агентов под руководством людей за 24 дня перевели в Lean так называемую «огромную теорему». Доказательство охватывает более 10 000 страниц, сотни научных работ и пять десятилетий исследований. На формализацию одного раздела примерно в 250 страниц исследовательской команде прежде потребовалось шесть лет; для этого использовалась система доказательств Coq. Код опубликован на GitHub и занимает около 43 миллионов строк.

В ходе работы команда обнаружила ошибку в статье 1986 года. По словам математика Тимоти Чоу, специалистам она была известна, но, похоже, нигде публично не задокументирована. Формализация сделала явным то, что знали только посвящённые.

Axiom собирается зарабатывать не только на математике. Привлечённые в раунде серии A 200 миллионов долларов компания намерена использовать для переноса метода в программное обеспечение: ИИ пишет код, а доказательство подтверждает, что тот соответствует формально заданным требованиям. Тесты проверяют отдельные примеры, доказательство может охватить все случаи, описанные формальной моделью.

Discovery Loop создают ушедшие из Google исследователи

Discovery Loop намерена автоматизировать весь цикл научного эксперимента — от выдвижения идеи до анализа, проводя тысячи опытов параллельно. За проектом стоят четверо известных сотрудников Google: Джефф Дин, Санджай Гемават, Куок Ле и Ориол Виньялс, один из руководителей разработки Gemini. Все четверо ушли в начале августа на фоне реорганизации Google. По данным WIRED, самой идее проекта было всего несколько недель.

Google стала одним из первых инвесторов и облачным партнёром. Business Insider сообщал о переговорах по посевному раунду примерно на миллиард долларов при оценке компании в десять миллиардов. Через несколько недель оценка в переговорах уже составляла около 50 миллиардов. Сначала Discovery Loop планирует заниматься исследованиями машинного обучения, став для себя первым заказчиком. Позже должны появиться проекты в разработке микросхем, биологии и материаловедении. Пока есть команда, цель и организация.

Для Google это способ не потерять связь с четырьмя ведущими специалистами: она остаётся инвестором и облачным поставщиком.

Mirendil хочет сделать передовые исследования доступными большему числу компаний

Бехнам Нейшабур руководил командой в Gemini, а затем возглавлял Discovery в Anthropic. Сооснователь Харш Мехта создал первую версию платформы, которую Anthropic использует для автоматизации исследований. Mirendil хочет сделать передовые исследования доступнее: команды в компаниях и исследовательских институтах должны иметь возможность создавать специализированные системы для химии, медицины и робототехники.

В качестве первого результата в октябре компания показала, как один исследователь с ИИ-агентами за три с половиной месяца создал модель Mirendil-Base с 100–500 миллиардами параметров. На вычислительные ресурсы потратили менее десяти миллионов долларов. По сообщению компании, агенты написали более 99 процентов кода.

У продукта две части. Модель Fern 0.1 предназначена для программирования и исследовательских ИИ-агентов, а её контекстное окно достигает десяти миллионов токенов. Платформа Lor может запускать параллельно несколько сотен агентов, продолжать эксперименты несколько дней и использовать модели OpenAI и Anthropic наряду с Fern. Lor находится в закрытом бета-тестировании, а ранний доступ к Fern предоставляется по запросу.

Recursive утверждает, что построила первую модель с помощью замкнутого цикла

Recursive Superintelligence, не связанная с Ricursive из четвёртой группы, хочет пойти дальше: автоматизация исследований должна улучшать саму себя. Генеральный директор Ричард Сочер был главным научным сотрудником Salesforce и основал You.com. Среди семи сооснователей — Тим Роктешель, руководивший командами по изучению открытых задач и самоулучшения в Google DeepMind.

Сочер не отрицает прогресс крупных лабораторий и считает, что в зависимости от определения общий искусственный интеллект уже близок. По его мнению, именно рекурсивное самоулучшение станет механизмом дальнейшего развития ИИ. Путь к нему он связывает с открытыми задачами — принципом, похожим на эволюцию: система постоянно ставит перед собой новые задачи, вместо того чтобы оптимизировать работу под одну фиксированную цель.

21 октября Recursive выпустила Flint — первую модель для задач программирования. Её веса доступны по лицензии Apache 2.0. Ещё важнее, как, по утверждению компании, создали модель: небольшая команда за срок меньше четырёх месяцев использовала «машину Эврика». Система предлагает идеи, реализует их, проверяет и выбирает следующий эксперимент. По словам Сочера, ИИ разработал и улучшил почти все части пайплайна модели. Пока неясно, какой вклад в результат внесла автоматизация по сравнению с работой человеческой команды.

Другие лаборатории, автоматизирующие исследования

Основанная в Токио Sakana AI разделяет ставку Recursive на то, что ИИ возьмёт на себя собственные исследования. Её сооснователь Ллион Джонс был одним из авторов статьи о Transformer. С 2024 года компания регулярно выпускает результаты: «ИИ-учёного», который пишет научные статьи, системы, переписывающие собственный код, а с июня — отдельную лабораторию по самоулучшению. По упомянутой выше шкале это второй — третий этап автоматизации.

Palo Alto-based Harmonic, сооснователем которой стал глава Robinhood Влад Тенев, тоже использует модель Aristotle для доказательств в Lean. В 2025 году она достигла золотого уровня на Международной математической олимпиаде. С 27 октября Aristotle проверяет также программное обеспечение на C и проекты микросхем на Verilog — в пределах формализованных свойств и предположений. Это направление бизнеса Axiom хочет развить на средства нового раунда. В ноябре 2025 года инвесторы оценивали Harmonic в 1,45 миллиарда долларов.

Основанная бывшими исследователями Google DeepMind компания Poetiq не обучает собственные модели. Вместо этого она улучшает промты и стратегии, которые уже существующие модели используют для решения задач, проводя один раунд оптимизации за другим. Улучшается не базовая модель, а окружающая её система.

К этой группе относится и Lila Sciences из третьей группы: она объединяет выдвижение гипотез, эксперименты и обучение в единый цикл.

Крупные компании тоже автоматизируют исследования

Новые лаборатории — не единственные, кто автоматизирует исследования. В сентябре OpenAI заявила, что достигла цели создать «автоматизированного стажёра-исследователя». К марту 2028 года компания хочет получить полностью автоматизированного ИИ-исследователя. В июне Anthropic сообщила, что Claude пишет более 80 процентов нового кода, включаемого в производственные системы.

Крупные компании продвигаются и в область формальных доказательств, которой занимается Axiom. В сентябре OpenAI опубликовала доказательство для варианта задачи Навье — Стокса, одной из семи знаменитых математических задач с призом в миллион долларов за каждую. Доказательство пока не принято. В октябре за ним последовало более 700 рукописей.

Рост автоматизации усиливает и опасения. В июле во время внутренних испытаний безопасности агенты OpenAI вышли за пределы тестовой среды и проникли в реальные системы Hugging Face. Более 1 300 сотрудников ИИ-компаний подписали открытое письмо с призывом создать инструменты, позволяющие при необходимости замедлять автономную разработку ИИ. Лаборатории этой группы сталкиваются с тем же вопросом безопасности, но получают гораздо меньше внимания общественности.

Ставка 6: выиграть можно и без первой модели общего назначения

Шестая группа не стремится создать сильнейшую модель. Её лаборатории считают, что даже самая мощная система оставит пробелы, и клиенты будут готовы платить за их устранение. Компаниям нужно понимать, что происходит внутри модели, доверять её решениям, работать с ней, подстраивать её под свою область и запускать у себя. В отличие от лабораторий из других групп, у каждой из перечисленных здесь компаний уже есть продукты.

Goodfire изучает, чему научилась модель

Goodfire хочет понять, какие внутренние процессы приводят модель к ответу, и вмешиваться на этом уровне. Сооснователь Том Макграт раньше руководил исследовательской командой в Google DeepMind. Это направление называют механистической интерпретируемостью. Чат-бот может объяснить свой ответ, но объяснение не обязательно отражает то, как он на самом деле его вычислил. Goodfire исследует внутренние представления модели. По словам генерального директора компании Эрика Хо в интервью Sequoia, раунд серии A Goodfire в 2025 году стал первой прямой инвестицией Anthropic в другую компанию.

Первые результаты команда показала в феврале с помощью RLFR. Вместо того чтобы просить вторую языковую модель оценивать ответы, Goodfire использует внутренние сигналы модели для обратной связи при дальнейшем обучении. В испытании с открытой Gemma 3 от Google на 12 миллиардах параметров число галлюцинаций снизилось на 58 процентов. По заявлению Goodfire, каждое вмешательство обходилось примерно в 90 раз дешевле, чем при использовании внешней модели-оценщика. У этой цифры есть оговорка: в измерение входят также наблюдение за ответами во время работы, их исправление и выбор лучшего из 32 вариантов.

5 ноября Goodfire представила механистическое формирование поведения модели. Идея в том, что модель может прийти к правильному ответу по неверной причине. Goodfire выявляет внутри модели вводящие в заблуждение сигналы и штрафует её при обучении за опору на них. В экспериментах это уменьшало бездумное согласие с пользователями и жульничество в задачах. Но по мере обучения внутренние сигналы могут меняться, поэтому инструменты для наблюдения за ними тоже, возможно, придётся переобучать.

Через Silico клиенты могут анализировать свои модели и точно менять их поведение. Среди партнёров Goodfire — Microsoft, клиника Майо и Arc Institute.

TypeSafe AI выдаёт решения, а не текст

Языковые модели отвечают свободным текстом, но многие бизнес-процессы требуют выбора из заранее заданных вариантов и оценки уверенности. На этом построена TypeSafe AI, основанная бывшим исследователем OpenAI Диого Алмейдой. Её модель Jev выдаёт только фиксированные решения с вероятностями — например, выбирает команду для обработки обращения в поддержку.

Вероятности должны быть откалиброваны: если модель указывает 80 процентов, в похожих случаях она должна быть права примерно в 80 процентах. Компания может задать порог, после которого решение передают человеку.

Конкуренты появились быстро. С 22 октября Decisions API от OpenAI доступен всем. У Cloudflare есть собственные варианты под названием Clef. В гонке участвуют и две новые лаборатории: Inception утверждает, что Mercury Decide превосходит Jev на нескольких бенчмарках, а Liquid AI говорит, что её модель принятия решений d1 обходит Jev в собственных испытаниях.

Несмотря на конкуренцию, TypeSafe пока не вытеснена. 9 октября компания привлекла 870 миллионов долларов в раунде серии A при оценке в 7,5 миллиарда.

humans& создаёт ИИ для совместной работы с людьми

Компания humans& хочет создавать модели, которые отражают то, как люди действительно говорят и ведут себя: непоследовательно, противоречиво и иррационально. Это должно сделать ИИ более подходящим партнёром для совместной работы. Среди основателей — Эрик Зеликман из xAI и Энди Пэн из Anthropic.

У компании три продукта. Persimmon создаёт реалистичных собеседников. Разработчики задают ситуацию и профили пользователей, а модель генерирует соответствующие реакции — например, клиентов, которые теряют терпение или меняют решение. Создатели чат-бота поддержки могут испытать его на тысяче симулированных клиентов. Из-за риска злоупотреблений доступ ограничен.

Модель Ampersand предназначена для разработчиков. Она справляется с разговорами нескольких участников, обнаруживает противоречия между их пожеланиями и подключается к приложениям через платный API. При обучении Ampersand использовались собеседники, смоделированные Persimmon.

Boba строится поверх этих технологий и работает как готовый помощник для личных и групповых чатов: он может назначать встречи, напоминать о задачах и искать информацию в интернете.

humans& не создавала собственную базовую модель. Ampersand работает на открытой китайской GLM 5.3 от Z.ai. Не каждой новой лаборатории требуется строить модель с нуля.

Thinking Machines Lab использует продукты, чтобы сохранять связь с практикой

Thinking Machines разрабатывает модели и инструменты, которые помогают компаниям и исследователям обучать ИИ на собственных знаниях. Мира Мурати была техническим директором OpenAI, а Джон Шульман — сооснователем компании и одним из создателей ChatGPT. Несколько других сооснователей уже перешли в OpenAI или Meta.

С октября 2025 года клиенты используют Tinker, чтобы дообучать открытые модели для своих задач, не управляя инфраструктурой самостоятельно. В июле компания представила семейство собственных моделей Inkling с открытыми весами и 975 миллиардами параметров. На бенчмарках оно уступает Beam от Reflection и Muse Spark Open от Meta.

5 ноября вышла Inkling 2 Small с 594 миллиардами параметров и поддержкой текстовых и графических данных. Её можно использовать и дообучать через Tinker. Веса пока закрыты; после внешних испытаний безопасности запланирована публикация по лицензии Apache 2.0.

В Artificial Analysis Intelligence Index Inkling 2 Small набрала 31 балл против 13 у Inkling Small и сравнялась с Gemini 3.8 Flash от Google на максимальном уровне рассуждений. Если веса выпустят, модель станет самой высоко оценённой открытой моделью из разработанных за пределами Китая в нынешнем рейтинге.

По данным The Economist, последний годовой темп выручки компании превышал 200 миллионов долларов. 6 ноября Business Insider сообщил, что лаборатория близка к привлечению пяти миллиардов долларов при оценке до нового финансирования в 40 миллиардов; раунд должен возглавить Accel. Информации о закрытии сделки нет.

Основной тезис лаборатории: универсальный интеллект не содержит автоматически разбросанные по компаниям и узким областям знания. Верность этой идеи будет зависеть от того, насколько полезным останется дообучение на фоне улучшения базовых моделей.

Reflection создаёт открытые модели для тех, кто хочет их контролировать

Reflection разрабатывает открытые модели, которые компании и государственные организации могут запускать самостоятельно, не отправляя данные в OpenAI или Google. Миха Ласкин и Иоаннис Антоноглу пришли из Google DeepMind; Антоноглу участвовал в разработке AlphaGo. Ласкин позиционирует Reflection как западный аналог DeepSeek, Qwen и Kimi.

16 октября Reflection опубликовала веса модели Beam по лицензии Apache 2.0. По заявлению компании, по задачам рассуждения она сопоставима с китайской GLM 5.2, но требует от трети до четверти вычислительных затрат. Artificial Analysis считает Beam конкурентоспособной среди открытых моделей, но не лидером.

Reflection получила финансирование на миллиарды долларов. Упоминавшиеся в сообщениях 25 миллиардов — это целевая оценка компании до нового раунда. По данным Financial Times, с октября Nvidia обсуждает покупку компании или приобретение крупной доли. Ни одно из сообщений не подтверждено.

Другие лаборатории, работающие над похожими продуктами

Guide Labs занимается прослеживаемостью на более раннем этапе, чем Goodfire. Компания строит модели с нуля, чтобы ответы можно было связать с конкретными понятиями и обучающими данными. Открытая модель Steerling-8B использует около 33 000 заранее заданных понятий. Полной прозрачности это не обеспечивает; кроме того, с посевным финансированием примерно в девять миллионов долларов Guide играет в другой весовой категории.

Ближайший аналог Reflection — Arcee AI. Стартап примерно с 30 сотрудниками обучил модель Trinity Large Thinking примерно на 400 миллиардах параметров и выпустил её по лицензии Apache 2.0. В сентябре компания привлекла средства при оценке более миллиарда долларов.

Почему Nvidia выигрывает при любой ставке

Уход исследователей не доказывает, что появление общего искусственного интеллекта далеко. Многие основатели считают, что намного более мощный ИИ уже близок. Но их решения показывают: даже люди, создавшие современные системы, считают дальнейший путь менее предсказуемым, чем предполагают крупные лаборатории.

При этом Хуанг, объявивший о достижении общего ИИ, вкладывается в лаборатории, которые ставят под сомнение нынешний подход. Nvidia инвестировала как минимум в 25 из 45 перечисленных лабораторий и имеет подтверждённые технологические или исследовательские партнёрства ещё с четырьмя. Вложения охватывают все шесть направлений.

Противоречия здесь меньше, чем кажется. Пока конкурирующие подходы работают на микросхемах и облачных сервисах Nvidia, компании не нужно заранее угадывать победителя. Инвестиции помогают также удерживать будущих клиентов: часть вложенных денег возвращается Nvidia в виде расходов на вычисления. Это относится и к Google, Amazon и AMD.

Что может произойти с новыми лабораториями

Базовый сценарий

Финансирование остаётся высоким, но лишь небольшая часть лабораторий за два — три года показывает результаты, которые можно доказать превосходящими существующие решения. Крупные игроки продолжают перенимать новые методы за несколько недель — как в случае TypeSafe и Decisions API от OpenAI. Многие новые лаборатории становятся объектами поглощения или нанимают их команды целиком.

Первые примеры уже есть: AMD покупает World Labs, Nvidia ведёт переговоры с Reflection, Microsoft — с Inception. Устойчивее могут оказаться лаборатории с трудновоспроизводимыми данными и инфраструктурой — Basecamp, Periodic и Physical Intelligence, — а также компании с выручкой, как Thinking Machines. Nvidia и облачные поставщики получают выгоду независимо от того, какая ставка сработает.

Ускорение

Одна из ключевых идей приводит к серьёзному прорыву: например, появляется модель, которая постоянно учится во время работы, как заявленная Core система Ceres, или автоматизация исследований действительно замыкает цикл, как хотят Recursive и Discovery Loop.

Помочь могут исследовательские ИИ-агенты, снижающие стоимость разработки: на это указывают Mirendil-Base, созданная менее чем за десять миллионов долларов, и Flint, разработанная менее чем за четыре месяца. Дополнительное преимущество могут дать собственные лаборатории и данные из природы. Тогда небольшие команды смогут конкурировать с крупными игроками.

Оценки лабораторий продолжат расти, а крупные компании будут чаще покупать их, чем создавать собственные аналоги. Одновременно острее станут вопросы безопасности. Агенты OpenAI уже проникали в системы Hugging Face во время испытаний, а более 1 300 сотрудников ИИ-компаний призывают создать инструменты замедления разработки. Новые лаборатории столкнутся с теми же вопросами, но под гораздо меньшим общественным контролем.

Замедление

Лаборатории без продуктов — например SSI, Prometheus, Flapping Airplanes и Ineffable — могут не успеть показать результат, пока инвесторы готовы ждать. Тем временем универсальные модели вроде Astra охватят больше узких задач, а стоимость выполнения каждой из них снизится. Первые признаки уже есть: Astra решает ARC-AGI-3, при достаточных вычислительных затратах обгоняет специализированные модели в робототехнике, а OpenAI развивает формальные доказательства.

Дополнительными тормозящими факторами могут стать спад на рынке финансирования, регулирование автономных систем и энергетический предел, который Навин Рао ожидает примерно через три года. Последствиями могут быть снижение оценок, срочная распродажа активов и дальнейшая концентрация отрасли вокруг нескольких крупных лабораторий, производителей микросхем и облачных компаний. Разнообразие исследовательских подходов сократится.

По оценке Dataist, базовый сценарий с консолидацией выглядит наиболее вероятным: новые методы быстро перенимают, сделки по покупке лабораторий уже происходят, а часть инвестиций возвращается к инвесторам в виде расходов на вычисления. Ускорение возможно для отдельных команд в областях с проверяемыми результатами, например в исследовании материалов. Для части лабораторий без продуктов в течение двух — трёх лет вероятны снижение оценок или поглощение вместе с командой, даже если общий интерес к новым исследовательским подходам сохранится.