«Flapping Airplanes» об искусственном интеллекте: «Мы хотим применять радикально иные подходы»

В последние месяцы наблюдается появление целой волны амбициозных исследовательских лабораторий в области искусственного интеллекта, и «Flapping Airplanes» выделяется как одна из самых интригующих. Под руководством своих молодых и любознательных основателей лаборатория занимается поиском способов обучения ИИ, требующих меньшего объема данных. Такой подход может коренным образом изменить как экономику, так и возможности моделей ИИ — а благодаря стартовому финансированию в размере 180 миллионов долларов у них есть широкие возможности для исследований.

На прошлой неделе я встретился с тремя соучредителями лаборатории — братьями Беном и Ашером Спекторами, а также Эйданом Смитом — чтобы обсудить, почему сейчас столь подходящий момент для запуска новой лаборатории ИИ и почему они постоянно возвращаются к идеям, вдохновленным человеческим мозгом.

Позвольте начать с очевидного вопроса: почему именно сейчас? Такие лаборатории, как OpenAI и DeepMind, вложили огромные ресурсы в масштабирование своих моделей. Думаю, конкуренция выглядит устрашающей. Что заставило вас почувствовать, что сейчас подходящий момент для запуска компании, занимающейся базовыми моделями?

Бен: Еще столько всего предстоит сделать. За последние пять–десять лет достигнуты потрясающие успехи. Нам нравятся эти инструменты — мы пользуемся ими каждый день. Но вопрос в том, исчерпаны ли этим все возможности. Мы тщательно обдумали этот вопрос, и наш ответ был «нет» — впереди ещё многое. Для нас проблема эффективности использования данных показалась ключевой задачей, которую нужно решать. Современные передовые модели обучаются практически на всём объёме человеческих знаний, тогда как люди обходятся гораздо меньшим объёмом. Этот разрыв огромен, и его стоит изучить.

То, чем мы занимаемся, по сути, представляет собой сосредоточенную ставку на три вещи. Во-первых, на то, что эффективность использования данных — это именно та проблема, которую нужно решать, — действительно новое направление, где возможен прогресс. Во-вторых, что решение этой задачи будет коммерчески ценным и сделает мир лучше. И в-третьих, что подходящая для этой работы команда должна быть творческой и, в некотором смысле, неопытной — группой, готовой заново рассмотреть эти проблемы с нуля.

Эйдан: Совершенно верно. Мы не считаем себя конкурентами других лабораторий, потому что сосредоточены на совершенно другом наборе задач. Посмотрите на человеческий разум — он учится принципиально иначе, чем трансформеры. Не обязательно лучше, просто совсем иначе. Поэтому мы видим другие компромиссы. Большие языковые модели (LLM) невероятно хороши в запоминании и использовании обширных знаний, но им сложно быстро осваивать новые навыки — для адаптации требуется огромный объем данных. Если заглянуть внутрь мозга, то алгоритмы, которые он использует, принципиально отличаются от метода градиентного спуска и других современных методов обучения. Именно поэтому мы формируем новое поколение исследователей, чтобы решать эти проблемы и переосмыслить ландшафт искусственного интеллекта.

Ашер: Этот вопрос представляет огромный научный интерес: почему созданные нами интеллектуальные системы так сильно отличаются от того, как действуют люди? Откуда берется это различие и как мы можем использовать его для создания более совершенных систем? В то же время я считаю, что это коммерчески жизнеспособно и полезно для всего мира. Многие важные области сталкиваются с ограниченностью данных — робототехника, научные открытия и даже корпоративные приложения. Модель, которая в миллион раз эффективнее использует данные, будет в миллион раз проще интегрировать в экономику. Поэтому для нас было захватывающе взглянуть на проблему со свежей точки зрения: если бы мы смогли создать модель, гораздо более эффективно использующую данные, что мы могли бы с ней сделать?

TechCrunch Founder Summit 2026: билеты в продаже

23 июня в Бостоне более 1 100 основателей компаний соберутся на TechCrunch Founder Summit 2026, чтобы провести целый день, посвященный росту, реализации проектов и масштабированию в реальных условиях. Получите ценные знания от основателей и инвесторов, которые сформировали эту отрасль. Установите контакты с коллегами, проходящими через аналогичные этапы роста. Унесите с собой тактики, которые можно применить сразу же

Сэкономьте до 300 долларов на пропуске или до 30% при покупке групповых билетов для команд из четырёх и более человек.

TechCrunch Founder Summit: билеты уже в продаже

23 июня в Бостоне более 1 100 основателей соберутся на TechCrunch Founder Summit 2026, чтобы провести целый день, посвященный росту, реализации проектов и масштабированию в реальных условиях. Узнайте новое от основателей и инвесторов, которые сформировали эту отрасль. Установите контакты с коллегами, проходящими через аналогичные этапы роста. Унесите с собой тактики, которые можно применить сразу же

Сэкономьте до 300 долларов на пропуске или до 30 % при покупке групповых билетов для команд из четырех и более человек.

Это подводит меня к следующему вопросу, который также связан с названием «Flapping Airplanes». В сфере ИИ ведется философская дискуссия о том, насколько мы должны стремиться воспроизводить процессы человеческого мозга, а насколько — создавать более абстрактный интеллект, следующий по совершенно иному пути. Эйдан пришел из компании Neuralink, которая полностью посвящена изучению человеческого мозга. Считаете ли вы, что ваша компания придерживается более нейроморфного подхода к ИИ?

Эйдан: Я рассматриваю мозг как доказательство существования — свидетельство того, что существуют и другие алгоритмы, а не только одна ортодоксальная модель. Мозг работает в условиях невероятных ограничений. Генерация потенциала действия занимает миллисекунду; за то же время компьютер может выполнить бесчисленное количество операций. Так что, вероятно, существует подход, который на самом деле намного лучше мозга и сильно отличается от трансформера. Мы черпаем вдохновение в некоторых особенностях работы мозга, но не чувствуем себя привязанными к нему.

Бен: Добавлю к этому: всё это отражено в самом нашем названии — «Flapping Airplanes». Представьте себе современные системы как огромные Boeing 787. Мы не пытаемся создать птиц — это слишком амбициозно. Мы пытаемся создать нечто вроде самолёта с машущими крыльями. С точки зрения компьютерных систем ограничения мозга и кремния настолько различаются, что не стоит ожидать, что эти системы в итоге будут выглядеть одинаково. При таких разных основаниях и совершенно разных компромиссах в отношении вычислительных затрат, локальности и перемещения данных эти системы, естественно, будут выглядеть немного по-разному. Но это не значит, что мы не должны черпать вдохновение из работы мозга и использовать те его элементы, которые нам кажутся интересными, для улучшения наших собственных систем.

Похоже, что сейчас у лабораторий появилось больше свободы сосредоточиться на исследованиях, а не только на разработке продуктов. Это кажется значительным сдвигом для лабораторий нынешнего поколения. Некоторые из них в значительной степени ориентированы на исследования; другие — «ориентированы на исследования на данный момент». Как этот разговор проходит внутри Flapping Airplanes?

Ашер: Хотелось бы назвать вам конкретные сроки. Хотелось бы сказать: «Через три года мы решим исследовательскую задачу, и вот как мы будем внедрять результаты на рынок». Но я не могу. Мы не знаем ответов. Мы ищем истину. При этом у нас действительно есть опыт в коммерческой сфере. Я занимался разработкой технологий для компаний, которые приносили приличную прибыль. Бен создавал стартапы с коммерческой ориентацией, и мы искренне рады перспективе коммерциализации — мы считаем, что для мира будет хорошо, если созданная ценность попадет в руки тех, кто сможет ею воспользоваться. Так что мы не против. Просто нам нужно начать с исследований, потому что если мы сразу начнём подписывать крупные корпоративные контракты, то отвлечёмся и не сможем провести ценные исследования.

Эйдан: Верно — мы хотим пробовать радикально новые вещи, а иногда радикальные идеи просто хуже существующей парадигмы. Мы изучаем различные компромиссы, надеясь, что в долгосрочной перспективе они окупятся.

Бен: Компании достигают наилучших результатов, когда они действительно сосредоточены на том, чтобы хорошо делать одну вещь, верно? Крупные компании могут позволить себе заниматься многими вещами одновременно. Стартапу же нужно выбрать самое ценное и вложить в это все силы. Мы создаем наибольшую ценность, когда на данный момент полностью посвящаем себя решению фундаментальных проблем.

Я на самом деле оптимистично настроен: довольно скоро мы, возможно, добьёмся достаточного прогресса, чтобы начать пробовать свои силы в реальном мире. Из обратной связи с реальным миром можно многому научиться. Удивительно то, что мир постоянно учит тебя — это огромный кладезь истины, в который можно заглянуть в любой момент. Я думаю, что недавние изменения в экономике и финансировании таких структур позволили компаниям дольше сосредоточиваться на том, в чём они сильны. Именно эта сосредоточенность — то, что меня больше всего вдохновляет — позволит нам делать по-настоящему уникальную работу.

Чтобы уточнить, о чём, как мне кажется, вы говорите: вокруг ИИ столько ажиотажа, что инвесторы готовы выделить 180 миллионов долларов стартового финансирования совершенно новой компании, в которой работают очень умные, очень молодые люди, которые не просто получили деньги от PayPal. Как вам понравилось участвовать в этом процессе? Вы знали заранее о таком интересе, или обнаружили, что можете сделать это проектом большего масштаба, чем ожидали?

Бен: Это было и то, и другое. Рынок был «горячим» уже несколько месяцев, так что не было секретом, что готовятся крупные раунды финансирования. Но никогда не знаешь, как рынок реагирует на твои конкретные идеи. Опять же, нужно дать миру возможность высказать своё мнение. Даже в ходе нашего раунда финансирования мы многому научились и изменили свои идеи — мы уточнили приоритеты и сроки выхода на рынок.

Мы были несколько удивлены тем, насколько хорошо наш посыл нашел отклик. Для нас это было очевидно, но никогда не знаешь, поверят ли в это другие или сочтут тебя сумасшедшим. Нам невероятно повезло найти группу замечательных инвесторов, которые действительно прониклись нашим посланием и сказали: «Да, это именно то, что мы искали». Это было потрясающе — неожиданно и чудесно.

Эйдан: Да, в воздухе уже давно витает жажда эпохи исследований. Все чаще мы оказываемся в роли игрока, стремящегося к этой эпохе и готового пробовать эти радикальные идеи.

По крайней мере для компаний, ориентированных на масштаб, входные затраты на базовые модели огромны — построение модели такого масштаба требует невероятно больших вычислительных ресурсов. Исследования занимают промежуточное положение: предположительно вы создаете базовые модели, но если делаете это с меньшим объемом данных и не столь ориентируясь на масштаб, возможно, вам повезет. Насколько, по вашему мнению, вычислительные затраты ограничат ваши возможности?

Бен: Одно из преимуществ глубоких фундаментальных исследований заключается в том, что, как ни парадоксально, пробовать действительно безумные, радикальные идеи гораздо дешевле, чем заниматься постепенными усовершенствованиями. При постепенных усовершенствованиях, чтобы проверить, работает ли что-то, нужно подняться очень высоко по лестнице масштабирования — многие мелкие изменения не выдерживают проверки в больших масштабах. Это дорого. Но если у вас есть безумная новая идея об оптимизаторе архитектуры, она, скорее всего, и так провалится при первом же запуске, так что вам не нужно её масштабировать. Она и так не работает — и это отлично.

Это не значит, что масштабирование для нас не имеет значения. Масштабирование — важный инструмент в нашем арсенале. Способность масштабировать наши идеи, безусловно, важна. Поэтому я бы не стал позиционировать нас как антитезу масштабированию. Но замечательным аспектом нашей работы является то, что мы можем опробовать множество идей в очень небольших масштабах, прежде чем даже задумываться о крупномасштабном внедрении.

Ашер: Да , у вас должна быть возможность использовать весь Интернет — но вам не должно быть необходимо это делать. Нам действительно непонятно, почему для достижения интеллекта на уровне человека нужно использовать весь Интернет.

Итак, что станет возможным, если обучать модели на данных более эффективно? Предположительно, модель станет более мощной и умной. Есть ли у вас конкретные идеи о том, к чему это приведет? Речь идет о более широкой генерализации за пределами распределения или о моделях, которые лучше справляются с конкретной задачей, имея меньше опыта?

Ашер: Во-первых , мы занимаемся наукой, поэтому я не знаю ответа — но могу предложить три гипотезы. Моя первая гипотеза заключается в том, что между простым поиском статистических закономерностей и глубоким пониманием существует широкий спектр. Современные модели находятся где-то в этом спектре — не доходя до глубокого понимания, но явно не ограничиваясь просто сопоставлением шаблонов. Возможно, обучение на меньшем объеме данных заставляет модель развивать невероятно глубокое понимание всего, что она видела. Это может сделать модель более интеллектуальной в интересных аспектах — она, возможно, будет знать меньше фактов, но лучше рассуждать. Это одна из гипотез.

Другая гипотеза схожа с тем, что вы сказали: в настоящее время обучение моделей новым способностям обходится дорого — как с операционной, так и с финансовой точки зрения — потому что требуется огромное количество данных. Одним из результатов нашей работы может стать значительно более эффективная доработка после обучения, благодаря чему всего нескольких примеров будет достаточно, чтобы перенести модель в новую область.

Кроме того, вполне возможно, что это откроет новые вертикальные рынки для ИИ. Например, в робототехнике, которую по каким-то причинам мы пока не можем сделать коммерчески жизнеспособной. Я считаю, что это проблема ограниченности данных, а не аппаратного обеспечения — тот факт, что можно дистанционно управлять роботами, доказывает, что аппаратное обеспечение достаточно хорошее. Существует множество подобных областей, таких как научные открытия.

Бен: Хочу остановиться наодном моменте: когда мы думаем о влиянии ИИ, существует точка зрения, что это дефляционная технология — она автоматизирует рабочие места, удешевляет труд и сокращает количество рабочих мест в экономике. Это действительно произойдет. Но, на мой взгляд, это не самая захватывающая перспектива. Самая захватывающая перспектива — это та, при которой ИИ помогает нам создавать новые науки и технологии, которые люди не в состоянии придумать из-за недостатка интеллекта, но другие системы способны на это.

В этом плане ось, о которой упомянул Ашер — между истинной генерализацией и запоминанием или интерполяцией — чрезвычайно важна для глубоких открытий, ведущих к прогрессу в медицине и науке. Крайне важно, чтобы модели находились на творческой стороне этого спектра. Одна из причин, по которой я так воодушевлен нашей работой, заключается в том, что, помимо отдельных экономических последствий, я искренне ориентирован на миссию: сможем ли мы заставить ИИ делать то, что люди раньше принципиально не могли делать. Это нечто большее, чем просто «давайте уволим кучу людей».

Совершенно верно. Это означает, что вы присоединяетесь к какому-то конкретному лагерю в дискуссии об ОИИ — о генерализации за пределами распределения?

Ашер: Я , честно говоря, не знаю точно, что означает ОИИ. Возможности быстро развиваются, и создаётся огромная экономическая ценность. Но я не думаю, что мы близки к появлению «Бога в коробке». Я не ожидаю, что через два месяца или даже два года наступит сингулярность, в результате которой люди станут ненужными. В целом я согласен с тем, что сказал Бен: мир действительно огромен, работы много, и мы рады внести свой вклад.

Что ж, идея о мозге и нейроморфной части действительно кажется актуальной. Вы говорите, что для сравнения LLM уместнее всего брать за основу человеческий мозг, а не Mechanical Turk или детерминированные компьютеры, которые существовали ранее.

Эйдан: Подчеркну : мозг — это не потолок, а во многих отношениях — пол. Я не вижу никаких доказательств того, что мозг не является познаваемой системой, подчиняющейся законам физики. Он подвержен множеству ограничений. Поэтому в долгосрочной перспективе мы должны ожидать появления возможностей, которые будут гораздо интереснее, иначе и, возможно, лучше, чем мозг. Мы рады внести свой вклад в это будущее, называется ли оно AGI или как-то иначе.

Ашер: И я действительно считаю, что мозг — это уместное сравнение, потому что оно помогает нам понять, насколько обширно это пространство. Легко увидеть весь прогресс и подумать: «Вау, у нас есть ответ, мы почти закончили». Но если отступить на шаг назад и посмотреть на ситуацию с более широкой точки зрения, становится ясно, что многого мы ещё не знаем.

Бен: Мы не стремимся быть лучше как таковыми. Мы стремимся быть другими — это ключевой момент, на котором я хочу сделать акцент. Все эти системы почти наверняка будут иметь разные компромиссы. В одном месте вы получите преимущество, а в другом — потеряете. Мир огромен, и в нём существует множество областей, каждая из которых сопряжена со своими компромиссами. Наличие большего количества систем и фундаментальных технологий, ориентированных на эти различные области, скорее всего, позволит ИИ более эффективно и быстро распространиться по всему миру.

Один из способов, которым вы выделяетесь, — это ваш подход к найму: вы привлекаете очень молодых людей, в некоторых случаях еще учащихся в колледже или старшей школе. Что привлекает ваше внимание при общении с человеком, что заставляет вас подумать: «Я хочу, чтобы этот человек работал над этими исследовательскими задачами»?

Эйдан: Это происходит , когда вы разговариваете с кем-то, и этот человек вас просто ослепляет — у него так много новых идей, и он мыслит так, как не могут многие признанные исследователи, потому что его сознание не «загрязнено» тысячами научных статей. Главное, что мы ищем, — это креативность. Наша команда исключительно креативна, и каждый день я чувствую себя счастливчиком, приходя на работу и обсуждая радикальные решения крупных проблем искусственного интеллекта с людьми, которые мечтают о совершенно ином будущем.

Бен: Пожалуй, главный признак, на который я обращаю внимание: учат ли они меня чему-то новому, когда я провожу с ними время? Если они учат меня чему-то новому, высока вероятность, что они научат нас чему-то новому в нашей работе. В научных исследованиях приоритетом являются креативные, новые идеи.

Частью моего опыта — во время учебы в бакалавриате и аспирантуре — была помощь в запуске инкубатора под названием Prod, который работал с компаниями, которые в итоге добились успеха. Одно из наших наблюдений заключалось в том, что молодые люди вполне способны конкурировать на самых высоких уровнях отрасли. Большая часть успеха заключается просто в осознании: «Да, я могу этим заниматься». Вы абсолютно способны вносить вклад на самом высоком уровне.

Конечно, мы ценим опыт. Люди, которые работали над крупномасштабными системами, — это отлично; мы наняли некоторых из них и рады работать с самыми разными специалистами. Думаю, наша миссия нашла отклик и у опытных специалистов. Главное — нам нужны люди, которые не боятся менять парадигму и способны представить себе новую систему того, как всё может работать.

Есть одна вещь, над которой я ломаю голову: насколько, по-вашему, будут отличаться конечные системы ИИ? Легко представить себе нечто вроде Claude Opus, которое просто работает на 20 % лучше и может делать на 20 % больше. Но если это будет что-то совершенно новое, то сложно представить, в каком направлении это пойдет и как будет выглядеть конечный результат.

Ашер: Не знаю, доводилось ли вам когда-нибудь пообщаться с базовой моделью GPT-4, но у неё появлялось много странных новых возможностей. Например, можно было взять фрагмент ненаписанного поста в блоге и спросить, кто его написал, и она могла это определить.

Есть много таких возможностей, когда модели проявляют ум, который нам непостижим. Будущие модели будут умнее еще более странными способами. Думаю, нам следует ожидать, что будущее будет действительно странным, а архитектуры — ещё более странными. Мы стремимся к 1000-кратному повышению эффективности использования данных — а не к постепенным изменениям. Поэтому на пределе возможностей нам следует ожидать столь же непостижимых, чужеродных изменений и возможностей.

Бен: В целом я согласен. Я, вероятно, немного более сдержан в отношении того, как все это в конечном итоге будет восприниматься миром — точно так же, как базовая модель GPT-4 была сдержана OpenAI. Нужно подавать вещи так, чтобы потребители не заглядывали в бездну. Это важно. Но в целом я согласен, что наша исследовательская повестка дня направлена на создание возможностей, которые принципиально отличаются от того, что можно сделать сейчас.

Здорово! Есть ли способы, которыми люди могут взаимодействовать с Flapping Airplanes? Еще слишком рано для этого, или им просто стоит следить за новостями, пока не появятся результаты исследований и модели?

Ашер: У нас есть сайт [email protected], если вы просто хотите поздороваться. А если хотите выразить несогласие с нами, то есть сайт [email protected]. У нас были действительно интересные беседы, когда люди присылали нам длинные эссе о том, почему, по их мнению, то, что мы делаем, невозможно — и мы с удовольствием вступаем в дискуссию.

Бен: Но пока что они нас не убедили. Пока что никто нас не убедил.

Ашер: Во-вторых, мы ищем выдающихся людей, которые хотят изменить нашу отрасль и мир. Если вам это интересно, свяжитесь с нами.

Бен: И если у вас нестандартный опыт, это не проблема. Вам не нужны две докторские степени. Нам действительно нужны люди, которые мыслят нестандартно.