David Silver's Startup Raises $1.1B for AI Without Human Data

Британская лаборатория Ineffable Intelligence, которую всего несколько месяцев назад запустил бывший исследователь DeepMind Дэвид Сильвер, привлекла $1,1 млрд при оценке $5,1 млрд. Сам факт такого раунда выглядит как очень крупная ставка не просто на новую компанию, а на новую техническую идею: создать ИИ, который получает знания и навыки без опоры на массивы человеческих данных. Для рынка это важный сигнал.

Последние годы основная гонка в ИИ строилась вокруг все более крупных моделей, которые обучают на текстах, изображениях, коде и других данных, созданных людьми. Такой подход уже дал впечатляющие результаты, но одновременно вывел на поверхность ограничения: качественных данных не бесконечно много, вокруг авторских прав растет давление, а прирост возможностей от простого масштабирования становится все дороже. На этом фоне тезис о системе, которая учится не из человеческого архива, а из собственного взаимодействия с задачами и средой, звучит как заявка на следующий этап развития отрасли.

Имя Дэвида Сильвера делает эту ставку особенно заметной. Он известен как один из ключевых исследователей DeepMind и один из главных популяризаторов подходов, в которых агент учится через опыт, поиск и самоигру. Именно эта линия исследований стояла за громкими прорывами DeepMind в игровых средах, где системы не просто повторяли человеческие примеры, а находили собственные стратегии и часто выходили за пределы человеческой интуиции.

Поэтому новая компания Сильвера воспринимается не как очередной AI-стартап с модным названием, а как попытка масштабировать идеи reinforcement learning и автономного поиска на более широкий класс задач. Формулировка про обучение без человеческих данных не означает, что люди полностью исчезают из процесса. Скорее речь идет о смещении центра тяжести: меньше зависимости от вручную созданных корпусов и разметки, больше опоры на симуляции, генерацию задач, проверяемые среды, обратную связь от результатов и внутренние циклы улучшения.

Если такая архитектура сработает, она потенциально позволит создавать системы, которые не просто пересказывают уже накопленное человечеством, а вырабатывают новые стратегии и знания в процессе действия. Это особенно важно там, где исторических данных мало, они плохого качества или они слишком ограничивают модель рамками прошлого опыта. Отдельного внимания заслуживает масштаб финансирования.

Раунд на $1,1 млрд для лаборатории, появившейся буквально несколько месяцев назад, показывает, насколько агрессивно капитал продолжает заходить в AI-инфраструктуру и фундаментальные исследования. Инвесторы в таком случае покупают не выручку и не подтвержденный продуктовый рынок, а сочетание репутации основателя, научной школы и шанса первыми занять позицию в следующей большой волне. Оценка в $5,1 млрд подчеркивает, что рынок готов дорого платить за команды, которые предлагают альтернативу текущему пути развития LLM и обещают более общий способ обучения машин.

Но вместе с амбициями здесь есть и серьезный риск. Построить систему, которая действительно учится без человеческого датасета, намного сложнее, чем сформулировать идею в заголовке. Ей нужны качественные среды для обучения, механизмы самопроверки, устойчивость к накоплению ошибок и способы переносить навыки из искусственных сценариев в реальный мир.

Кроме того, даже очень сильные результаты в играх и симуляциях не гарантируют такого же прогресса в открытых и хаотичных задачах, где слишком много неоднозначности, скрытых переменных и требований к безопасности. Что это значит на практике: рынок ИИ снова делает ставку не только на масштаб, но и на смену парадигмы. Если Ineffable Intelligence сумеет доказать, что автономное обучение можно надежно перенести за пределы игровых и лабораторных сред, отрасль получит мощный аргумент в пользу моделей, которые учатся действием, а не только чтением человеческого интернета.

Если нет, этот раунд останется примером того, насколько дорого сегодня оценивается даже сама возможность выйти за пределы нынешнего поколения ИИ.