ИИ теперь помогает создавать ИИ. Рассказываем, что до сих пор его тормозит

Искусственный интеллект начинает помогать создавать более совершенные системы ИИ. В этом видео мы шаг за шагом прослеживаем этот цикл, от 1% экономии в процессе обучения Gemini от Google до Gemini 4 Carbon, а затем рассмотрим ту часть, которую большинство объяснений упускают: каждая многообещающая идея должна быть протестирована, проверена и внедрена в реальную систему, прежде чем она начнет приносить результаты. Без рекламной шумихи, без жаргона: как работает этот процесс, что уже было зафиксировано и где находится реальный предел. ЧТО ВЫ УЗНАЕТЕ • Как улучшается изобретение: предложите изменение, попробуйте, найдите ошибку, попробуйте снова, и какие из этих шагов теперь может выполнить ИИ • Что сделала AlphaEvolve: изменение кода, используемого для обучения Gemini, которое сократило общее время обучения примерно на 1% • Почему небольшая экономия в процессе создания ИИ имеет большее значение, чем кажется • Как быстро Google выпускала свои продукты в 2026 году: три Flash-релиза за шесть недель, затем Gemini 4 Argon и Gemini 4 Carbon с интервалом примерно в две недели • Почему люди говорят об экспоненциальном росте и о пределе, который появляется, когда вы следуете процессу на один шаг дальше • Почему миллион идей, сгенерированных ИИ, не превращается в миллион запусков обучения • Чему нас учат 722 математических рукописи, написанных ИИ, о проверке • Почему проверка должна улучшаться вместе с изобретением ГЛАВЫ 0:00 Больше идей, чем времени на их тестирование 0:10 Как улучшается изобретение 0:44 Результат 1% (AlphaEvolve) 1:08 Улучшения, которые накапливаются 1:28 Три Flash-релиза за шесть недель 2:01 Gemini 4: от аргона до углерода 2:47 Может ли прогресс идти экспоненциально? 3:15 Миллион идей: какую из них реализовать? 4:06 Чипы, питание и серьезное тестирование 4:40 Узкое место смещается 4:56 722 рукописи по математике для ИИ 5:49 Одна ошибка, несколько выводов 6:14 Когда ИИ улучшает ИИ 6:37 Проверка должна идти в ногу со временем 6:57 Что определяет скорость наступления будущего КРАТКАЯ ВЕРСИЯ ИИ теперь может предлагать изменения, проводить тесты, анализировать результаты и предлагать следующий шаг. Когда улучшается сам ИИ, одно улучшение может помочь создать условия для следующего. Это и есть обратная связь, которая так волнует людей. Но идеи становятся дешевле гораздо быстрее, чем проверка. Лаборатория не может превратить миллион предложений в миллион полномасштабных обучающих запусков. У системы ограниченное количество микросхем, ограниченный запас электроэнергии, и другие задачи уже выполняются с использованием этих машин. Результат, который отлично выглядит в небольшом тесте, может вести себя иначе, когда модель становится намного больше, и модель, которая улучшается в одной задаче, может ухудшиться в другой. Даже после того, как улучшение проходит тесты, кто-то все равно должен заставить его работать в реальной системе. Таким образом, узкое место смещается: от появления идей к доказательству того, какие из них работают, и их внедрению. Математика уже показала, как это выглядит. В октябре 2026 года OpenAI опубликовала 722 математических рукописи, созданных внутренней моделью ИИ. Некоторые из них содержали доказательства, которые может проверить специальное программное обеспечение, но эксперты все равно должны подтвердить, что проверенное доказательство соответствует предполагаемому утверждению. На следующий день после публикации три рукописи были отозваны из-за ошибки, затронувшей аргумент и другую работу, которая от него зависела. Одна ошибка — несколько выводов. Тот же риск возникает, когда ИИ предлагает улучшения ИИ: оценивая очевидное улучшение с помощью неполного теста, можно потратить много вычислительной мощности на то, что позже потерпит неудачу, а ошибка перейдет в следующую систему. Вот почему проверка должна совершенствоваться наряду с инновациями. ФАКТЫ В ЭТОМ ВИДЕО (по сообщению компаний): • Google DeepMind, AlphaEvolve (2025): изменение, обнаруженное системой ИИ в коде, используемом для обучения Gemini, сократило общее время обучения Gemini примерно на 1%. • Google, Gemini 3.6, 3.7 и 3.8 Flash (2026): три релиза Flash за шесть недель, по подсчетам самой Google. Google сообщила, что 3.8 Flash показала лучшие результаты в сложных задачах разработки программного обеспечения при той же начальной цене, что и 3.7, и что автоматизированные системы ИИ помогают оценивать и совершенствовать модели. • Google, Gemini 4 Argon (широко доступен с 13 октября 2026 г.) и Gemini 4 Carbon (анонсирован 28 октября 2026 г., сначала для избранных пользователей в сфере кибербезопасности). Google сообщила, что Carbon показал более чем в два раза лучшие результаты, чем Argon, во внутреннем тесте генерации безопасного кода. • OpenAI, 722 математических рукописи от внутренней модели ИИ (октябрь 2026 г.), и отзыв трех из них на следующий день. Фрагмент кода, страница рукописи, счетчики попыток и сцены из дата-центра в видео — это иллюстрации, а не реальные данные. Если это немного прояснило ситуацию...