Суцкевер, Сильвер и Лекун ушли из больших лабов: на что ставят неолабы

Странная картина: после запуска GPT-6 Astra Дженсен Хуанг пишет в X, что AGI наступил, а президент OpenAI Грег Брокман приветствует человечество в «эре AGI». Одновременно люди, которые строили нынешние модели, массово уходят из больших компаний и открывают свои лаборатории. Издание The Decoder насчитало 45 таких «неолабов» и подробно разобрало 27 из них. Вывод простой: многие ушедшие не верят, что текущего рецепта хватит.

Кто ушёл и сколько получил

Илья Суцкевер, сооснователь OpenAI, делает Safe Superintelligence. В июле Nvidia вложила в SSI, по данным Bloomberg, около 5 млрд долларов. Вместе с прежними 3 млрд выходит примерно 8 млрд при оценке 32 млрд. При этом лаборатория не выпустила ни модели, ни статьи.

Джерри Творек, руководивший разработкой рассуждающих моделей o1 и o3, основал Core Automation. Дэвид Сильвер, автор AlphaGo, ушёл из DeepMind в Ineffable Intelligence и в апреле собрал 1,1 млрд на seed при оценке 5,1 млрд. Ян Лекун после двенадцати лет в Meta основал AMI. Flapping Airplanes без публичной модели привлекла 1 млрд на раунде A при оценке 6 млрд.

Мотивы смешанные: бумажные миллиарды, спор о стратегии с Meta, желание заниматься исследованиями без продуктового давления. Иногда разрыв даже не чистый: Google сам вошёл в число первых инвесторов Discovery Loop Джеффа Дина.

Главная ставка: учиться, а не только решать

Самая понятная группа лабораторий занимается непрерывным обучением. Сегодняшняя модель после выкладки не меняет веса. Новую информацию она использует внутри диалога, но навсегда не запоминает. ChatGPT и Claude обходят это заметками и поиском по прошлым разговорам. Творек считает, что непрерывное обучение — задача для машинного обучения, а не для Markdown-файлов. Простое дообучение сети грозит катастрофическим забыванием: она теряет то, что знала раньше.

Представьте джуниора, который через месяц работы всё ещё знает ровно то, что знал в первый день, плюс то, что вы положили ему в шпаргалку. Примерно так сегодня ведёт себя модель.

Подходы разные:

• Adaption делает модели, которые дёшево подстраиваются под пользователя на лету. Пока в продаже только инструменты для работы с данными и AutoScientist через API.
• Core Automation хочет обновлять веса прямо в работе и обходиться сотой долей обычных данных.
• Flapping Airplanes учит на малом числе примеров, что важно для робототехники и биологии, где данных мало.
• Ndea Франсуа Шолле ищет программу, которая объясняет несколько примеров.
• Ineffable Сильвера учит систему на собственном опыте с наградой от среды.

У последнего подхода есть слабое место. В Go понятно, кто выиграл. В науке или физическом мире сигнал приходит поздно или вообще неясен.

Что из этого следует практику

Во-первых, у маленькой лаборатории короткая фора. TypeSafe AI выпустила модель решений Jev в середине сентября, а через две недели OpenAI анонсировала Decisions API. Во-вторых, выход часто идёт через поглощение: AMD хочет купить World Labs примерно за 8,2 млрд, Nvidia ведёт переговоры с Reflection, Microsoft забрала команду Inflection.

Для разработчика и продакта выводы приземлённые:

• Не строить архитектуру, которая держится на допущении, что модель никогда не научится помнить. Память в виде заметок пока остаётся костылём.
• Следить за ARC-AGI-3. Astra набрала 62,7% в стандартной постановке, переводя незнакомые игры в компактные правила. Именно этого добивается Ndea.
• Не путать оценку с продуктом. У большинства неолабов нет ничего, что можно подключить по API.

Ставка проста. Если текущий рецепт упрётся в потолок, выиграет тот, кто первым научит модель учиться. Если нет, большие лаборатории просто купят команду или повторят результат за пару недель.