Я уверен, вы тоже начали забивать на чтение новостей про очередную вышедшую модель от китайцев или OpenAI, а статьи про то, что Сэм Альтман лично парсит интернет и взламывает мировые платформы вроде HuggingFace, вы воспринимаете с улыбкой. Но мир искусственного интеллекта не зависит от нашей скуки и интенсивности скроллинга новостей — по крайней мере пока. Поэтому хочется резюмировать: а куда мы, или, если быть точнее, западные гиганты Google, OpenAI и Anthropic, движутся? Какова их конечная цель, кроме как обкешиться на IPO до глобального ресета рынка?
Эта статья — резюме всех последних событий с коротким личным мнением между делом.
Куда же тогда идут три гиганта ИИ?
Все стремятся вывести бабки на IPO и создать AGI.
Конец статьи :) Но если вам интересны детали, то идём дальше.
Первый стул — это OpenAI и Anthropic. Глава Anthropic Дарио Амодеи и глава OpenAI Сэм Альтман считают, что модели вот-вот начнут улучшать себя сами. Это называется рекурсивным самоулучшением, RSI (recursive self-improvement): модель A создаёт более совершенную модель B, та создаёт ещё более совершенную модель C и так далее. И именно в этом, по их мнению, ключ к AGI.
Лучший способ добиться цели оказывается и самым простым: строить дата-центры и брать грубой силой алгоритмы, которые хорошо масштабируются, — обучение и поиск. В этом суть «Горького урока» Ричарда Саттона, который и OpenAI, и Anthropic держат за священный текст. А если понадобятся новые архитектуры или алгоритмы — те самые улучшенные модели, получив много вычислений, как-нибудь их найдут.
Такова теория. Как этот символ веры выглядит внутри лаборатории? Достаточно послушать самих сотрудников.
Инженеры обеих компаний признают, что почти не пишут код руками. Код пишут рои агентов — Claude Code и Codex. Сотрудники превратились из разработчиков и исследователей в менеджеров агентов. Claude Code пишет Claude Code и написал Claude Cowork. GPT-5.6 Sol «автономно провёл пост-тренировку» GPT-5.6 Luna. Они прямо говорят: «RSI на подходе». Человек в контуре ещё нужен для многого — мы доживаем последние мгновения стадии human-in-the-loop, — но один из прогнозов гласит: к 2028 году вероятность достижения RSI составляет 60%. Так писал сооснователь Anthropic Джек Кларк в майской рассылке. Другие называют сроки ещё ближе. Скорость такова, что Anthropic выступает за скоординированное замедление: это было бы «во благо». А сотрудники OpenAI — даже те, кто призывает к осторожному прогрессу, а не к нагнетанию страха, — говорят вещи вроде: «если бы мы могли скоординировать глобальное замедление возможностей прямо сегодня, я бы, скорее всего, нажал эту волшебную кнопку».
Что если я скажу вам, что Google выбыл из гонки ИИ?
При этом Google не проиграл. Да, была невыразительная презентация на I/O в начале года, да, компанию покинули несколько тяжеловесов, да, модели выходят реже, чем у конкурентов, — но Google жив. Он выбыл из гонки, потому что сам из неё вышел. Странно, правда? Зачем Google делать это добровольно?
Чтобы ответить, я расскажу историю о том, почему и как Google покинул гонку, на которую OpenAI и Anthropic поставили всё.
Вот моя гипотеза, если говорить прямо: глава Google DeepMind Демис Хассабис (недавно сменивший роль внутри Google) не считает, что автоматизация ИИ-исследований с помощью кодинг-агентов — систем, которые пишут программы для более совершенных систем, — правильный путь к AGI, то есть к ИИ, который справляется со всем не хуже человека. Руководство Google DeepMind смотрит на ставку OpenAI и Anthropic в лучшем случае как на съезд с трассы, в худшем — как на тупик.
Хассабис ставит на другое: на модели мира (World Model) — системы, которые понимают и симулируют реальность, а не просто предсказывают следующий токен.
И он разворачивает Google в эту сторону. Гонка ИИ на самом деле — гонка между двумя теориями интеллекта, а заодно между двумя типами компаний: стартапами, которым ИИ обязан стать бизнесом, и корпорацией, чей нынешний бизнес способен годами субсидировать исследования. Как мы увидим, решение Хассабиса ставит Google в положение «пан или пропал». Оно может сделать Google абсолютным лидером — или никому не нужным отстающим.
При этом списывать Google со счетов было бы серьёзной ошибкой. Я объясню, почему считаю, что у него здесь уникальный шанс.
Официального подтверждения моей гипотезе вы не найдёте: на уровне руководства Google по-прежнему конкурирует с OpenAI и Anthropic напрямую. Я же утверждаю, что это уже не совсем так. Идите по хлебным крошкам вместе со мной — я соберу их в связную картину. Все свидетельства публичные, но это не значит, что я прав. Это обоснованная догадка, так что отнеситесь к ней с долей скепсиса.
Если мне удастся изменить ваш взгляд на то, чем вообще занимается Google, я буду считать работу сделанной.
Итак, перед нами два ведущих ИИ-стартапа, глубоко убеждённые в одной цели и одной траектории и бросившие туда всё. Будь я на месте Google, мне пришлось бы быть уверенным на сто процентов, что это неправильный путь. Темп, который показывают Anthropic и OpenAI, для мира головокружителен, а для конкурентов — довольно тревожен.

Релизы фронтир-моделей: чем плотнее кружки, тем быстрее выходят модели. Данные: анонсы лабораторий

Задачи какой длительности модель доводит до конца с вероятностью 50%. Данные: METR

Доля успешных сессий Claude Code внутри Anthropic. Данные: Anthropic
Ещё один пионер отрасли, Андрей Карпатый, в этом квартале перешёл в Anthropic на позицию member of technical staff — и этим всех удивил. «Что такого увидел Карпатый?» — спрашивали люди. А увидел он ровно ту же траекторию к RSI, которую видят сами лаборатории. Он пришёл в команду, которой поручено научить Claude улучшать этап предобучения следующей версии Claude. Проще говоря: сделать фундамент ИИ прочнее, чтобы ИИ сделал прочнее фундамент следующего ИИ, и так далее.
Карпатый знал, что RSI возможен. Он сам построил миниатюрную версию в своём проекте autoresearch: выяснилось, что агенты способны самостоятельно поднять эффективность его собственного кода примерно на 10%. Если это удастся масштабировать, писал он, отрасль перейдёт на следующую ступень. Anthropic — подходящее место, чтобы попробовать.
И он ушёл в Anthropic — лабораторию, чья вера в законы масштабирования, выведенные из «Горького урока» Саттона, граничит с религиозной. Кстати, в мире Fallout я бы их отнёс к Братству Стали — технологические фанатики. Но что ещё делать, стоя на пороге экспоненты? Остаётся только обнять её — как обнимают величие огромной горы или неотвратимого урагана.
Anthropic моложе OpenAI на шесть лет, у них был один выстрел — и они попали в яблочко. Несгибаемая концентрация на связке «код + агенты + энтерпрайз» обеспечила ровный подъём наверх. Это была безумная серия удач: выручка, оценка, популярность, обгон компаний крупнее и старше — и несколько заходов туда-обратно с американским правительством.

Годовая выручка ИИ-стартапов: около 90% приходится на двоих. Данные: The Information

Выручка Anthropic и OpenAI: факт и трекинг. Данные: TickerTrends
С OpenAI история другая.
Компания взлетела к славе на ChatGPT, а потом ей пришлось разбираться с катастрофой успеха: слишком много дорогих бесплатных пользователей, не готовых платить. На момент написания статьи выявленные предпочтения американских домохозяйств показывают, что платить за подписку на ИИ готовы всего 2,2% из них. И всё же OpenAI не отстаёт от Anthropic ни по одному значимому показателю: по выручке они фактически вровень (run-rate выглядит лучше у Anthropic, но это не то же самое, что фактическая выручка), как и по охвату и по амбициям.
И, пожалуй, самое важное: OpenAI починил свою главную слабость — распылённость. В начале года Альтман закрыл побочные проекты, которые съедали бесценные вычислительные ресурсы и отвлекали от дороги к RSI. Хронология была такая. В 2025-м OpenAI анонсировал Sora — видеогенератор, Atlas — браузер, новое устройство и функции электронной коммерции для ChatGPT. Альтман сравнивал это со «ставками на серию стартапов». В марте 2026-го глава направления приложений Фиджи Симо объявила сотрудникам «code red» — уже второй. Успехи Anthropic в корпоративном сегменте она описала как «звонок будильника» и отменила все «побочные квесты». Нынешние и бывшие сотрудники описывали этот период как стратегическую неразбериху: смешанные команды, нестабильное распределение вычислений, каскад решений о реструктуризации…
Аналитики прочитали этот шаг как попытку догнать Anthropic по недосягаемым цифрам выручки на корпоративном рынке, но, на мой взгляд, выручка тут вторична. OpenAI не станет переживать из-за того, что в какой-то момент у Anthropic выручка выше. Их беспокоит траектория.
В OpenAI поняли, что Anthropic начинает демонстрировать признаки ускорения, характерные для прото-RSI. Деньги им, конечно, важны, но Альтман не стал бы перекраивать всю компанию ради краткосрочной сделки. Это была полная перестройка, задуманная как долгосрочная инвестиция. OpenAI может позволить себе отдать Anthropic корпоративный рынок. Чего он не может себе позволить — так это чтобы кто-то другой вышел на вторую космическую благодаря RSI.

Корпоративный рынок LLM-API: кто чей бюджет забирает. Данные: Menlo Ventures
OpenAI развернулся быстро. Компания удвоила ставку на Codex, на агентов, на корпоративный сегмент— и в конечном счёте на дорогу к рекурсивному самоулучшению. Дела идут настолько хорошо, что инсайдеры уверенно заявляют: Codex теперь лучше, чем Claude Code. После выхода ChatGPT WorkCodex вырос куда сильнее ожиданий и добрался до 10 миллионов пользователей — по последним данным Bloomberg.

Активные пользователи Codex: рост обогнал собственный план OpenAI. Данные: OpenAI
Fable 5 от Anthropic хороша, но слишком дорога — как и только что представленная Opus 5. Так что по соотношению цены и качества, а это сейчас самая интересная метрика, GPT-5.6 Sol выглядит сильнее.

Сколько стоит одна задача индекса: чем ниже, тем лучше. Данные: Artificial Analysis
Но уже в следующем месяце люди будут так же уверенно утверждать обратное. «Мы вернулись»; «всё кончено». И так по кругу. Так кто же выигрывает? Не знаю, я не оракул — я всего лишь иду по хлебным крошкам. А общая картина показывает, что неважно, кто из двоих сейчас в лучшем положении: во время экспоненциального подъёма случиться может что угодно, и значение имеет не точка, а траектория.
Что я знаю точно — так это что те, кто остался за бортом первой стадии экспоненты, из игры выбывают. И, судя по публичной информации, это как раз Google.
Anthropic сделала сильное заявление давно, ещё в апреле 2023-го: «Мы считаем, что компании, которые обучат лучшие модели 2025–2026 годов, уйдут слишком далеко вперёд, чтобы кто-то догнал их в последующих циклах». Вот что я имею в виду под второй космической скоростью — той, которую нужно набрать, чтобы вырваться из поля тяготения планеты и не рухнуть обратно. Как только вы её достигли, следующий релиз модели идёт быстрее за счёт того, что предыдущая модель участвует в обучении и пост-тренировке. На момент написания всё, о чём Anthropic и OpenAI говорили в 2023–2024 годах, стало правдой.
Всё это произошло — сначала постепенно, потом внезапно — за первые месяцы 2026 года. А где во всей этой истории Google? Вы его видите? Да, у них есть Gemini 3 с чем-то. И Antigravity. И что-то под названием Omni — о нём позже. Но на переднем крае гонки «код + агенты + энтерпрайз + RSI» их попросту нет. Последнюю модель, Gemini Flash 3.6, Google выпустил 21 июля 2026 года. Вот куда она попала в индексе интеллекта Artificial Analysis:

Индекс интеллекта Artificial Analysis: девять моделей впереди Google. Данные: Artificial Analysis
Для Google это неприемлемый результат. Внутри поискового гиганта должно происходить что-то очень серьёзное, раз он отказывается и от хорошей прессы, и от дополнительной выручки, которые дало бы достижение RSI. Это «что-то» может быть либо развалом корпорации, либо прицелом на добычу покрупнее.
Что же может быть настолько крупным?
Возможно, вас удивит, что взгляды Anthropic и OpenAI вовсе не новы. В 2024 году Bloomberg рассказал о пятиступенчатом пути OpenAI к AGI.
Чатботы вроде Claude и ChatGPT — это первый уровень. На втором — рассуждающие модели вроде o1 и o3 — в своё время их называли новой парадигмой и посланием из будущего. Anthropic никогда не отделяла языковые модели от рассуждающих, а OpenAI в итоге снова слила их в ChatGPT вместе с GPT-5. На момент публикации Bloomberg в 2024-м отрасль находилась между первым и вторым уровнями.

Пятиступенчатый путь OpenAI к AGI. Данные: Bloomberg, OpenAI
На третьем уровне — агенты, ИИ, который действует за вас. На четвёртом и пятом — изобретатели и целые организации (то, что Дарио Амодеи назвал «страной гениев в дата-центре»). За два года и OpenAI, и Anthropic прошли путь примерно с 1,5 до 3,5. Агенты пока ненадёжны, но уже заходят на территорию открытий. Недавно внутренняя модель OpenAI опровергла 80-летнюю гипотезу о задаче единичных расстояний — один из самых известных открытых вопросов математики, — найдя путь, который математики считали тупиковым.
Что это открытие значит для науки, я не знаю. Но ясно, что и Anthropic, и OpenAI всерьёз держатся того самого пятиступенчатого пути к AGI. Разойдутся ли они в будущем — вопрос открытый, но прямо сейчас обе усердно работают над автоматизацией ИИ-исследований. Возникают два вопроса:
Почему они так уверены, что языковые модели — это путь к RSI?
Почему они так уверены, что RSI — это путь к AGI?
Ответ на оба вопроса начинается, как ни неловко, с Google. Изрядная часть интеллектуальной машинерии, стоящей за нынешним рывком к рекурсивному самоулучшению, была создана — или как минимум нагляднее всего продемонстрирована — исследователями, работавшими именно там: общие методы, которые улучшаются с ростом вычислений, системы, обучающиеся игрой с самими собой, алгоритмы, ищущие лучшие алгоритмы. Google раз за разом первым приходил к важным идеям в ИИ и опаздывал превращать их в доминирующие продукты.
Конкуренты усвоили этот урок. OpenAI и Anthropic взяли исследования, к которым Google приложил руку, и куда энергичнее занялись их коммерческими следствиями.
В 2017 году исследователи Google представили transformer — архитектуру, на которой построена вся современная индустрия языковых моделей. Пятью годами позже, в 2022-м, OpenAI поднял её на новый уровень с ChatGPT, чатботом, который наконец работал хорошо. Google медленно распорядился собственным открытием и медленно отреагировал на угрозу со стороны OpenAI. Сейчас то же самое повторяется с автоматизацией ИИ-исследований. Google мог бы выигрывать эту гонку без особого труда. Нынешнее положение вещей — не результат побед OpenAI и Anthropic, а результат невынужденных ошибок Google. По крайней мере так это выглядит — если исходить из допущения, что все три компании идут к одной и той же точке.
Один из самых наглядных заделов Google DeepMind под тезис Альтмана и Амодеи — игра с самим собой: системы, которые становятся сильнее, соревнуясь сами с собой.
В 2016–2019 годах AlphaGo и AlphaZero показали, что обучение с подкреплением через самоигру даёт сверхчеловеческий результат. Если есть чёткий сигнал награды — победа или поражение, — многократные попытки оказываются важнее человеческих эвристик. Была надежда, что тот же принцип выйдет за пределы игр — в язык и науку.
Пока мы видели проблески этого в программировании и математике.
Если провести модель через обучающий лабиринт с неприличным количеством качественных данных о рассуждениях, она обучается. Выиграть партию в шахматы, написать компилирующийся код или решить гипотезу Эрдёша вдруг становится возможным. Или, кто знает, сделать что-то полезное обычному человеку — заработать денег, написать стихи. Следующий шаг к RSI — взять этот набор идей и применить его к самим ИИ-системам, чтобы они делали следующую версию лучше. И так до AGI.
Но выясняется, что не все области одинаково поддаются такому подходу: профиль интеллекта лучших моделей остаётся на удивление зубчатым. Они решают математические задачи тысячелетия, не моргнув глазом, — и при этом от них невозможно добиться ни одного предложения, достойного, допустим, произведениями Толстого. Anthropic и OpenAI по-прежнему убеждены, что всё получится, но доказательств меньше, чем им хотелось бы. Почему ChatGPT труднее написать сносное эссе, чем решить нерешённую 80 лет математическую задачу, над которой безуспешно бились лучшие люди? Разве это не странное положение дел? Может ли ИИ быть сверхчеловеческим и при этом иметь такие ограничения?
Китайский стартап DeepSeek попытался применить подход AlphaZero «без человеческого надзора» к языку в модели DeepSeek-R1 Zero — и тоже не вполне вышло. Язык не даёт чёткого сигнала награды для того, что считать «хорошим предложением», и модели просто подражают стилю фанфиков со всеми лишними длинными тире и странными метафорами, повисшими в воздухе. В шахматах вы либо выигрываете, либо нет. Код либо компилируется, либо нет. Решение задачи либо верное, либо неверное. А язык — и вместе с ним многое другое — так не устроен.
Отсюда главный вопрос: способность вести успешные ИИ-исследования — это больше про язык или больше про игры, код и математику?
Ясности нет никакой. Но на этом месте вы уже не удивитесь, узнав, что первым исследование, намекающее на второй вариант, опубликовал именно Google — и он же не стал развивать его с той настойчивостью и серьёзностью, которых оно заслуживало.
В 2025 году AlphaEvolve описывали заголовками вроде «Google создал ИИ, который улучшает сам себя» — как выяснилось, излишне оптимистичными. Из блога DeepMind:
[AlphaEvolve — это] эволюционный кодинг-агент на базе больших языковых моделей, предназначенный для поиска и оптимизации алгоритмов общего назначения. AlphaEvolve соединяет творческие способности наших моделей Gemini к решению задач с автоматическими оценщиками, которые проверяют ответы, и использует эволюционную схему, чтобы улучшать самые многообещающие идеи.
Вот схема, объясняющая, что означает этот абзац:

Двумерное рекурсивное самоулучшение: модель пишет следующую модель и проектирует чип, на котором её обучат
Это в точности то, чем сейчас занимаются OpenAI и Anthropic (за вычетом части про чипы). Забавно думать, что к моменту, когда Google представил AlphaEvolve, Claude Code был всего лишь прототипом. OpenAI и Anthropic охотно приняли эстафету и рванули добывать больше вычислений, больше данных и делать модели крупнее.
Но возиться с эволюционными алгоритмами они бы не стали. Это сложно и не нужно. Просто подбрось ещё дров в костёр, и он станет солнцем.
Google, впрочем, этот подход не бросил — по сообщениям, AlphaEvolve отлично работает на инфраструктурных задачах, — но и на следующий уровень его не вывел. Причина в том, что руководство Google DeepMind не верит в большие языковые модели как в правильный фундамент для AGI. AlphaEvolve — это не самостоятельная универсальная языковая модель, а эволюционная система, которая работает на языковой модели; AlphaZero тоже не был языковой моделью. Языковые модели — один элемент среди множества других, которые ещё понадобятся. Вот здесь идеологи Anthropic и OpenAI и расходятся с Google.
Демис Хассабис — и это то самое ключевое разногласие, которое определит следующие пять лет в ИИ, — попросту не считает язык основой мира.
Вот во что он верит: даже если вы добьётесь прото-RSI, собрав вычисления и обучив модели побольше, этого мало. Нужны неизвестные пока элементы. Фундаментальные ограничения нынешних агентов — зубчатый интеллект, ненадёжность, неспособность обобщать — никуда не денутся и в их самоулучшенных версиях. Даже если сегодняшние подходы приведут к некоторому подобию RSI, к AGI они, по его мнению, не приведут никогда.
Не совершайте ошибку, отмахиваясь от позиции Хассабиса из-за недавних достижений Anthropic, OpenAI. Хассабис — пионер отрасли; собственно, благодаря ему OpenAI и Anthropic вообще существуют. Просто он не так любит лёгкие решения. Ему не в новинку такие вехи, как решение задач Эрдёша и других математических проблем. И, судя по исследованиям его организации, ему не в новинку и ИИ, который делает свои улучшенные версии. Он просто верит в другое. И нам нужно понять, во что именно.
Например, когда Алекс Кантровиц, ведущий подкаста Big Technology, в январе 2026 года спросил Хассабиса про утверждение Сэма Альтмана — в формулировке Кантровица, что «мы вроде как проскочили AGI и движемся к сверхинтеллекту», — Хассабис ответил: «Категорически нет. Я не думаю, что AGI стоит превращать в маркетинговый термин или использовать ради коммерческой выгоды». И добавил: «Сегодняшние системы даже близко не подошли [к AGI]. Неважно, сколько задач Эрдёша вы решили».
Это был не выпад в сторону достижений OpenAI, а отказ раздувать собственные: AlphaProof Nexus от DeepMind решил девять открытых задач Эрдёша — некоторые не поддавались 56 лет — за пару сотен долларов вычислений (побочная выгода от того, что языковые модели не использовались). Но для Хассабиса это не свидетельство и тем более не доказательство AGI. Ему неважно, кто именно доказал или опроверг очередную математическую гипотезу, OpenAI или Google, — он и AlphaFold от DeepMind положил в ту же корзину. Этого просто недостаточно.
Перед лицом схожего достижения бизнесмен и учёный реагируют совершенно по-разному. Один делает заявления в духе «AGI уже позади», другой отрицает даже «AGI на подходе». Google DeepMind не столько отстаёт, сколько стоит на другой траектории.
Для наглядности: вот как выглядит их взаимное расположение с точки зрения Anthropic и OpenAI (1) и с точки зрения Google DeepMind (2):

Две картины мира: слева — как видят расклад OpenAI и Anthropic, справа — как видит Google DeepMind
Ну как, вы всё ещё со мной?
Я вывалил много информации, и, думаю, пора проговорить прямо, как это расхождение выглядит с точки зрения Хассабиса. Только тогда мы сможем воздать должное решениям Google, которые иначе выглядят как решения компании, потерявшей свою путеводную звезду, — или, наоборот, отставшей по недосмотру.
Когда Ханна Фрай, ведущая подкаста DeepMind, в том же январе 2026 года попросила Хассабисаназвать то, что он считает ближайшим к AGI «из всего происходящего сейчас в ИИ — языковых моделей и моделей мира», он, ко всеобщему удивлению, назвал Nano Banana Pro, генератор изображений Gemini.
Причина в убеждении, которого из большой тройки придерживается только Хассабис: основой «мира» (речь про world models) может быть лишь сам мир. Чтобы добраться до AGI, нужны все модальности, а не только код, математика или язык. RSI этой фундаментальной истины не изменит.
Если он прав, короткого пути не существует: мир обладает несводимой сложностью. Понимание, которое можно извлечь из жизни в нём — или, за неимением этого, из умения его понимать и симулировать, — не закодировано в словах. Именно поэтому он настаивал на том, чтобы Gemini была мультимодальной с самого начала, хотя учёным так было тяжелее, дольше и хуже с точки зрения управляемости.
Теперь, когда мы понимаем, почему Anthropic и OpenAI одержимы автоматизацией ИИ-исследований ради RSI и затем AGI, и почему Демис Хассабис — при том что сам вёл пионерские работы в этом направлении — отходит от него, становится ясно, почему это такое большое дело, что он развернул всю ИИ-машину Google в сторону моделей мира. По сути это момент расхождения, от которого зависит жизнь и смерть.
Очевидный следующий вопрос: что вообще такое эти «модели мира»?
Определение у термина двойное. Модель мира в том значении, в котором его использует Google DeepMind, — это «ИИ-система, которая создаёт миры, рендеря интерактивные кадры». Но есть и более традиционное определение: «внутреннее латентное представление о том, как устроена реальность, которое кодируют мозг человека и животных». Цель Google — сделать эти определения синонимами: они хотят, чтобы второе возникло само собой из первого.
И они продолжают в это вкладываться.
На конференции Google I/O в мае 2026 года компания представила персональный продукт агентского типа — Gemini Spark, который ближе к идее персонального сверхинтеллекта от Meta, чем к Claude Code, — и продукт в духе модели мира — Gemini Omni. Обратите внимание: I/O — мероприятие Google, а не Google DeepMind, и это пригодится, чтобы понять трения между внутренними фракциями. Именно в этом контексте меня слегка забавляет, что Omni есть в блоге DeepMind, а Spark там нет, и что своё выступление Хассабис посвятил именно Omni (на вопрос, что больше всего его радует на I/O этого года, он «выделяет Gemini Omni Flash»).
За четыре минуты Хассабис сделал такие заявления:
В прошлом году я обрисовал наше видение: расширить выдающиеся мультимодальные возможности Gemini до модели мира — ИИ, который способен понимать и симулировать мир. Это ключевой аспект достижения AGI, и он будет важен для всего, от создания ИИ-ассистентов до обучения роботов. . . .
Gemini Omni — наша новая модель, которая может создать что угодно из чего угодно. Она соединяет интеллект Gemini с лучшим из наших генеративных медиа-моделей и выводит понимание мира на новый уровень. . . .
Мы начинаем с видео, но со временем Omni сможет генерировать любой вывод из любого ввода. Это всегда было нашей целью с Gemini, и именно поэтому мы с самого начала строили её мультимодальной. Путь был тяжёлым, но заложенный фундамент теперь окупается.
Что такое Omni? В блоге DeepMind отвечают: «Думайте о Gemini Omni как о Nano Banana — только для видео». А это, если учесть январские слова самого Хассабиса в подкасте DeepMind, означает: он считает системы вроде Omni, с их способностями модели мира, правильной дорогой к AGI. Чтобы понимать мир, нужно уметь его создавать.
Google DeepMind этого и не скрывает. Nano Banana и Omni — последние попытки соединить рассуждение и творчество, но до них были Veo, более ранняя видеомодель, и Genie, первый прототип системы, способной кодировать модели мира. Оговорка тут та же, что была видна ещё на релизе Genie 3 в августе 2025-го. Между рендерингом мира в реальном времени и его самосогласованностью вплоть до уровня частиц — пропасть. В реальном мире вы такого не видите, потому что законы физики лежат в основе всего происходящего, от крупнейших галактик до мельчайших субатомных частиц. В реальности нет глитчей — кроме тех, что кажутся нам глитчами из-за ограниченных вычислительных ресурсов мозга, что нейробиологи называют сенсорными иллюзиями. Genie 3, напротив, рендерит мир на лету, не заботясь о том, каким правилам он должен подчиняться. Поэтому называть его «моделью мира» было бы неверно — в каком-то глубоком смысле это не так.
При этом Хассабис не отрицает ценность языковых моделей и кодинг-агентов — так упрощать его позицию было бы грубо. Он подчёркивает неполноту подхода. Они, возможно, необходимое условие AGI, но не достаточное. Мне понятно, откуда он это берёт: всякий раз, когда я видел, как чистые языковые модели или другие архитектуры на трансформерах пытаются закодировать фундаментальную истину о мире, лежащую за пределами математики и языка, они проваливались катастрофически.
В июле 2025 года команда исследователей из Гарварда и MIT провела эксперимент, чтобы ответить на главный вопрос момента: способны ли модели закодировать мир — или они просто хорошо предсказывают следующий токен, и это не одно и то же?
Авторы обучили модель предсказывать орбитальную механику (вспомните открытия Кеплера о том, как планеты движутся вокруг Солнца), а затем захотели проверить, вывела ли она лежащую в основе механику Ньютона. Гипотеза была такой: если модель делает верные предсказания, но не кодирует для этого законы Ньютона, значит, полноценной модели мира у неё нет — и AGI из неё не выйдет. Они это доказали, как показано на картинке:

Модель точно предсказывает орбиты, но законов Ньютона не выводит. Источник: arXiv 2507.06952
Модель действительно давала точные предсказания, но «модель мира» в виде законов Ньютона не закодировала — вместо этого она обошлась частными эвристиками, которые не обобщаются. Хуже того: она оказалась непоследовательной даже в своей непоследовательности — для каждой обучающей выборки она галлюцинировала свой собственный набор законов гравитации. Это веский довод в пользу одного из самых распространённых аргументов против языковых моделей: они обобщают ровно настолько, насколько знакомы с самой вещью или с формой вещи, на которую их просят обобщить, — и не дальше. Полагаю, что обучение модели под цель вида «какой токен вероятнее всего следующий» даёт ей потрясающие возможности — но среди них и весь инструментарий, позволяющий обойти необходимость кодировать устойчивую модель мира, которая иначе позволила бы ей обобщать предсказания.
Это как выигрывать в шахматы грубым перебором и вдруг обнаружить, что тот же подход не работает в играх сложнее — в Go и другие. Предельное состояние такого пути в том, что при достаточных вычислениях вы можете «предсказать по токенам» решение чего угодно, так и не закодировав сжатое понимание правил, по которым устроена вселенная. Теоретически это возможно, но, пожалуй, потребует компьютера больше, чем мы способны построить. И в любом случае выглядит чудовищно неэффективно. Мой взгляд на такую возможность такой: место под вычисления кончится у вас гораздо раньше, чем вы преодолеете лишние препятствия, которые сами себе создали, не пойдя дорогой моделей мира. Насколько я могу судить, примерно так же считает и Хассабис.
Продолжение вышло в феврале 2026 года: исследователи из Стэнфорда взяли ту же постановку с орбитальной механикой и спросили — а починить это можно? Ответ был: «да, но».
Им пришлось встроить в модель индуктивные смещения — жёстко заданные допущения, — так что она перестала быть просто предсказателем следующего токена в обычном смысле. Они показали: законы Ньютона остаются недосягаемыми для стандартных трансформерных моделей, пока те обучаются на планетных данных Кеплера. Даже простые модели мира они закодировать не могут.
Любопытная деталь: когда модель видела длинные отрезки траектории планеты, она выучивала Кеплера — поверхностные закономерности, которых достаточно, чтобы точно предсказывать, не понимая почему. Но когда окно контекста укорачивали и модель переставала видеть достаточный кусок орбиты, чтобы сопоставить с шаблоном, — она была вынуждена открыть законы Ньютона. Чем жёстче ограничения, тем глубже способность кодировать. Чем жёстче ограничения, тем изобретательнее модель подходит к обучению.
Именно так поступают люди.
Мы ограничены компромиссами эволюции — ограниченная память, скорость обработки, способность вспоминать, кристаллизованный интеллект и так далее — и потому вынуждены изобретать. Люди любят проводить аналогии между ИИ и человеком, и, хотя мозг действительно похож на предсказательную машину, похоже, что он не только предсказательная машина.
Я всегда задавался вопросом, не позволит ли масштабирование языковых моделей в итоге обойти эти препятствия — не даст ли сам размер либо закодировать всё, либо сделать это ненужным. Теперь я в этом уже не уверен. Первому исследованию год, продолжение — свежее, а зубчатость интеллекта моделей никуда не делась: ни после Fable, ни после GPT-5.6 Sol, ни после Opus 5.
То, что модели не выводят законы Ньютона из данных Кеплера, — свидетельство разлома между миром битов и миром атомов. Есть и другие.
Другой пример — беспилотные автомобили. Почему роботакси Waymo спокойно ездят по Bay Area и другим американским городам, а развернуть флот в каждом крупном городе мира — и разом решить и пробки, и аварии — по-прежнему нереально? Потому что у софта беспилотника нет настоящей модели мира «как устроено вождение» — той, которая нужна для обобщения с первого раза.
Ещё пример: GPT-5.5 опровергает гипотезу Эрдёша — и при этом набирает жалкие 0,43% на ARC-AGI-3, игровом бенчмарке, который люди проходят без напряжения и который придуман, чтобы опровергать заявления об AGI. (С момента публикации этого результата — на тот момент лучшего — его превзошли. Сейчас рекорд у Opus 5: 30,2% на полузакрытом наборе.)

ARC-AGI-3: бенчмарк, придуманный, чтобы опровергать заявления об AGI. Данные: ARC Prize
Когда смотришь публичные записи того, как GPT-5.5 играет в ARC-AGI-3, понимаешь: что-то тут не то. Дело не в паре недостающих баллов IQ, не в том, что модель плохо играет или не успевает решить, — это стандартные человеческие способы провалиться. Она ведёт себя так, как человек не вёл бы себя никогда. Модели будто не знают, что такое игра, что такое действие, что такое движение, что такое цвет. И дело тут не в недостатке интеллекта или «способности думать»: просто у нас с ними разная базовая реальность. Они действуют совсем не так, как вы и я, потому что их мир совсем не похож на наш.

Реплей: как GPT-5.5 играет в ARC-AGI-3. Источник: ARC Prize
Даже в те редкие моменты, когда модель попадает в цель, видна несогласованность. Меня это тревожит, потому что похоже, что разница тут не в степени, а в природе. AGI по определению не может временами быть тупым. Как так выходит, что ИИ предсказывает столько сложных вещей и при этом не кодирует механизмы, которые эти вещи порождают? Он делает это самым трудным способом! Тут можно было бы вспомнить парадокс Моравека, но задачи ARC-AGI относятся к тому же классу «формализуемых и идеально проверяемых» задач, что и код.
Франсуа Шолле, создатель ARC-AGI, говорит, что нынешние модели отлично пользуются навыками, которые у них есть, и ужасно справляются с быстрым и эффективным приобретением новых. Они просто не умеют встречать неожиданное. И решится это, как, похоже, считает Хассабис, только тогда, когда модели станут моделями мира.
Идея моделей мира кажется мне захватывающей, но, судя по тому, что я видел, это произойдёт не так легко и не так быстро, как переход от чатботов к рассуждающим моделям и агентам (три-четыре года). И это не то, чему модель можно просто «дообучить с подкреплением», потому что реальный мир слишком сложен, слишком тяжёл и слишком плохо проверяем. Робототехника отстаёт от чатботов и языковых моделей именно потому, что миру атомов безразличны упрощения, которые ИИ-компании придумывают, чтобы улучшить свой софт.
С этим более медленным графиком Хассабис согласен: до AGI нам ещё пять-десять лет. В ИИ-кругах Кремниевой долины, наоборот, утверждают, что AGI либо уже здесь, либо будет через год-два. Правда, я не могу отделаться от ощущения телеологии во всём этом: убеждения этих людей определяют их решения — или их решения формируют их убеждения? Anthropic и OpenAI действительно верят в автоматизацию ИИ-исследований и RSI — или у них просто нет времени и ресурсов попробовать что-то ещё?
У OpenAI был любопытный проект в области моделей мира — Sora, похожая на Veo, — но его свернули, чтобы вложиться в агентов и нарастить долю корпоративного рынка. Им нужны были деньги. Но зачем вообще было так разворачиваться, если тремя годами ранее Билл Пиблз, тогдашний руководитель Sora в OpenAI, почти не сомневался, что человеческое мышление будет смоделировано через видео (довольно хайповый способ сказать ровно то же, что говорит Хассабис):
По мере того как мы продолжаем масштабировать эту парадигму, мы думаем, что в конечном счёте ей придётся смоделировать то, как думает человек. Единственный способ сгенерировать по-настоящему реалистичное видео с по-настоящему реалистичными последовательностями действий — иметь внутреннюю модель того, как работают все объекты, люди и среды.
Не сомневался и Илья Суцкевер, тогда главный научный сотрудник OpenAI, который был уверен в способности языковых моделей закодировать мир через язык. Суцкевер считал не столько, что языковым моделям не нужен мир, сколько что они уже способны его понять:
Когда мы обучаем большую нейросеть точно предсказывать следующее слово в множестве разных текстов из интернета… мы обучаем модель мира… На поверхности может показаться, что мы просто выучиваем статистические корреляции в тексте, но оказывается, что, чтобы «просто выучить» статистические корреляции в тексте и сжать их по-настоящему хорошо, нейросеть выучивает некоторое представление о процессе, который этот текст породил. Этот текст — проекция мира… именно это и выучивается при точном предсказании следующего слова.
Перестал ли OpenAI верить в модели мира? Верующие разбежались, а неверующие остались? (И Пиблза, и Суцкевера в OpenAI больше нет.) Считают ли там теперь, что прожорливых до токенов агентов достаточно, чтобы закодировать мир? Или они просто ограничены доступными вычислениями настолько, что это переписывает их убеждения?
В каком-то экзистенциальном смысле они не могут позволить себе верить в модели мира, если не могут позволить себе их строить. Финансовая эвристика работает и в обратную сторону: Хассабис верит в перспективы моделей мира сильнее, чем в силу агентов, — или он просто пользуется тем, что у Google есть вычисления, чтобы играть с бесконечным числом идей, какими бы неземными они ни казались?
Выходит, что не только моделям приходится столкнуться с реальным миром, чтобы стать лучше. Нам тоже приходится иметь дело с логистической реальностью, стоящей за нашими убеждениями и амбициями.
Кажущуюся расфокусированность Alphabet — напомню, Хассабис возглавляет Google DeepMind, а Alphabet намного больше — стоит понимать в институциональных терминах. То, что компания идёт к AGI по принципу «пусть цветут сто цветов» — машинное обучение, предиктивный ИИ, генеративный ИИ, языковые модели, модели мира, эволюционные системы, робототехника, научные открытия, потребительские ассистенты и так далее, — отражает не столько путаницу в стратегии или отсутствие фокуса, сколько естественную множественность компании, где над ИИ работают больше десяти лет. Разные исследовательские традиции накапливались, а не сменяли друг друга.
Так что понимать эти компании и их убеждения проще всего через их «форму». Anthropic — пирамида: необычно плотно выстроенная вокруг узкой доктрины и небольшой группы основателей-теистов. OpenAI ближе к двору: способен быстро сменить направление, когда Альтман и его ближний круг решают, что центр тяжести пора сдвинуть (разворот в сторону энтерпрайза — как раз такой случай).
Google — федерация. Или, если угодно, большой технологический коллаж. Множество его ставок — свидетельство не того, что никто не знает, во что компания верит, а того, что Google, в отличие от конкурентов, слишком велик и слишком разделён, чтобы верить во что-то одно и этого держаться. Проблема Google в том, что внутри него не одно видение, а несколько.
Компания не верит в агентов и RSI достаточно сильно, чтобы перебить Хассабиса, — и не верит в его тезис о моделях мира достаточно сильно, чтобы дать ему определять направление всей организации. У самого Хассабиса убеждённость есть — он гораздо ближе к Дарио Амодеи, чем к Сундару Пичаи, он в первую очередь учёный и только во вторую бизнесмен, — но компания вокруг него хеджирует эту убеждённость огромным продуктовым портфелем. У них есть ресурсы, чтобы пробовать всё, и нет убеждённости, чтобы выбрать одно. (Примерно как Meta — только Meta в положении хуже, потому что у неё нет фигуры уровня Хассабиса, а есть Александр Ван.) «Мы применяем к инновациям в ИИ дифференцированный full-stack подход», — сказал Пичаи на кейноуте I/O 2026. Но как он может быть дифференцированным, если вы делаете всё сразу?
У Google есть широта — там, где у Anthropic доктрина, а у OpenAI центр тяжести. Мы пока не знаем, чей путь выигрывает, но выиграет его убеждённость.
Вот в чём настоящая дилемма этой истории. Не только в том, что окажется ключом к AGI — самоулучшающиеся агенты или модели мира, — а в материальных, экономических, политических и социальных реалиях внутри лабораторий. На кону тут не сам ИИ, а компании, которые собираются его сформировать и построить. Поэтому, если Хассабис прав, Google может стать абсолютным королём ИИ. А если ошибается — у них большие неприятности.
Но — и вот тут начинается самое неожиданное — Google может проиграть, даже если Хассабис прав.
Кодинг-агенты в их нынешнем виде могут стать экономической и программной подложкой следующего десятилетия. Вот самый свежий график роста выручки OpenAI и Anthropic, который я нашёл, — от TickerTrends. По их оценке, выручка Anthropic выросла за полгода в восемь раз, примерно с 9 до 75 миллиардов долларов. Выручка OpenAI растёт не так быстро, но тоже исторически стремительно:
А вот самый свежий график по финансам Google, который я нашёл. Компания отчиталась о первом квартале с отрицательным свободным денежным потоком. Это не так страшно, как звучит, — Google огромная компания с огромной выручкой, — но всё же неожиданно, если помнить его безупречную историю по денежному потоку:

Свободный денежный поток Google по кварталам, $ млрд. Данные: Bloomberg через Financial Times
Мало что способно угрожать технологической корпорации, за спиной у которой один из сильнейших рекламных бизнесов в истории. Экспоненциальный рост — как раз из этого немногого, а выручка Anthropic движется по чему-то очень на него похожему.
Важная разница в том, что у конкурирующих технических маршрутов совершенно разная экономика. ИИ-агенты, особенно кодинг-агенты для корпоративных клиентов, уже становятся серьёзным бизнесом. Модели мира могут быть стратегически важны, но сопоставимой выручки в обозримом будущем они, скорее всего, не дадут.
До недавнего времени эта асимметрия работала в основном на Google. Рекламная выручка позволяла финансировать дорогие исследования с далёким горизонтом, не требуя, чтобы они немедленно превратились в продукт. DeepMind мог оставаться преимущественно R&D-организацией — именно этого Хассабис и хотел, — пока Google раздавал потребительский ИИ широко и часто бесплатно через свои существующие сервисы.
Но продуктовое давление, под которым живут OpenAI и Anthropic, дало им неожиданное преимущество. Они построили не просто технологических конкурентов Google DeepMind. Они начинают строить финансовых конкурентов Alphabet — материнской компании Google. Выручка от агентов оплачивает больше вычислений, больше специалистов, больше инфраструктуры и больше попыток. Она же создаёт привязанных клиентов и сложные рабочие процессы, которые потом будет тяжело вытеснить. Ставка на рекурсивное самоулучшение многомерна: вы выигрываете в технологии, а дальше по принципу снежного кома выигрываете во всём остальном.
Истина, которую тут упускают почти все: чтобы стать королём, AGI не нужен.
Разумеется, ни одна компания не может поддерживать экспоненциальный рост выручки бесконечно, и рост Anthropic неизбежно замедлится. Но ему и не нужно продолжаться вечно, чтобы стратегический баланс сместился. Достаточно, чтобы он накапливался ровно столько, сколько нужно экономике агентов, чтобы вырасти раньше, чем маршрут моделей мира приведёт к AGI. По сути это значит вот что: Anthropic и OpenAI не обязаны быстро добраться до AGI, потому что их запасной конечный пункт — стать «новым Google».
С этого момента любые задержки играют роль. Каждый лишний год до AGI даёт агентскому маршруту ещё один год выручки, внедрений, данных и организационного опыта, которого маршрут моделей мира не получает. Исследования моделей мира ещё могут оказаться технически превосходящими, но, если отдача остаётся далёкой, способность Google субсидировать медленный старт перестаёт быть решающей.
Иначе говоря, чем дольше идти до AGI, тем меньше это гонка одних лишь исследовательских программ. Это становится гонкой исследовательских программ, прикреплённых к разным экономическим двигателям. Вот почему, даже если руководители видят ценность в моделях мира, экономика OpenAI и Anthropic будет и дальше толкать их к агентам. И вот почему руководство Google, хотя и поддерживает подход DeepMind к моделям мира напрямую, всерьёз обеспокоено успехами Anthropic и OpenAI.
В апреле 2026 года The Information сообщила, что Google собирает «ударную группу», чтобы догнать конкурентов по агентам и работе с кодом. «Конечная цель — взлёт ИИ, то есть ИИ, способный улучшать себя; для сооснователя Google Сергея Брина это особый фокус», — писало издание. «Брин сказал сотрудникам Google DeepMind, что им нужно агрессивно развернуться и догнать по агентам — так называют ИИ, который справляется с многошаговыми задачами». Результатов пока нет. OpenAI и Anthropic продолжают гнать всё более частые релизы, тогда как Google и Google DeepMind из гонки за RSI выпали. Ларри Пейдж, второй сооснователь Google, недавно сказал, что «готов обанкротиться, лишь бы не проиграть эту гонку». График выше и график ниже — свидетельства его слов:

Капитальные затраты Alphabet: оценка на следующие 12 месяцев. Данные: Bloomberg
Руководство Alphabet не разделяет взгляд руководства DeepMind: одни считают, что компания критически отстаёт, другие — что конкуренты просто потеряли путеводную звезду и рискуют съехать по той же скользкой дорожке.
То, что казалось решающим преимуществом Google, — рекламный бизнес, способный бесконечно субсидировать исследования, — может заодно снижать ту самую срочность, которой требует гонка агентов. Это ещё одна история про то, как ограничения рождают ясность в решениях. Даже если тезис про RSI неверен, OpenAI и Anthropic всё равно зарабатывают много денег на рынке, где Google до сих пор не сумел занять сопоставимое положение.
Раньше в тексте орбитальная модель открыла Ньютона только тогда, когда у неё отняли лёгкий кеплеровский обходной путь. Нечто похожее происходит и на уровне самих компаний. У Anthropic и OpenAI нет свободы Google вести исследовательскую программу с открытым концом сколь угодно долго; им нужен путь, который приносит выручку сейчас и правдоподобно ведёт к AGI потом. Это ограничение вытолкнуло их к сжатой стратегии: кодинг-агенты — это одновременно и продукт, и двигатель выручки, и предполагаемый механизм RSI и AGI.
В этом смысле они нашли корпоративного Ньютона — одну идею, которая разом организует несколько задач, — тогда как их модели всё ещё живут по кеплеровской сделке: что достаточное количество данных, контекста и вычислений компенсирует отсутствие более глубокой структуры.
Ирония, впрочем, режет в обе стороны: дефицит вытолкнул стартапы к Ньютону — или всего лишь к первой теории, которую они могут себе позволить? Дефицит убирает отвлекающее, да, но он же убирает и альтернативы. Отказ OpenAI от проектов вроде Sora может быть стратегической ясностью, а может быть признаком компании, которая не в состоянии проверить гипотезу, некогда казавшуюся ей фундаментальной.
Google не может стать Anthropic или OpenAI, а ни OpenAI, ни Anthropic пока не стали новым Google.
Трудно сказать, какое из этих положений шатче. Но совершенно ясно, что такая пересборка всей истории про гонку ИИ действительно меняет всё.
Telegram-канал — https://t.me/notes_from_cto. Регулярные технические заметки про инфру, локальный ИИ и железо. Буду рад, если зайдёте и останетесь.
Если есть что сказать по теме — где мы ошиблись, чей стул окажется правильным или что вы сами видите по своим задачам, — пишите на [email protected], Чащин Дмитрий. Буду рад обратной связи.