Лауреат Филдсовской премии присоединяется к OpenAI, ByteDance запускает программу для ученых в области естественных наук и технологий

Эта годовая премия Филдса считается «последней чистокровной» — вероятно, будущие прорывные исследования будут выполняться в сочетании с ИИ.

Этот переход может произойти быстрее, чем мы предполагаем: на пресс-конференции по присуждению премии Филдса кто-то спросил одного из лауреатов, канадского математика Джейкоба Цимермана, чем он собирается заниматься дальше, и он ответил, что уже начал работать в области безопасности ИИ и вскоре присоединится к отделу безопасности OpenAI.

В то же время главный исследователь OpenAI Марк Чен сразу выразил приветствие.

Ученые, стоящие на переднем крае, уже рассматривают ведущие компании ИИ как платформу для реализации своих амбиций. В последнее время все больше ведущих ученых, включая математиков, физиков, биологов и других, направляются в крупнейшие компании по разработке крупных моделей. Только в первой половине этого года в Anthropic присоединились лауреат Нобелевской премии по химии Джон Джампер, экономист Чад Джонс и философ Харви Ледерман.

За кулисами ведущие компании в области ИИ одновременно обращают внимание на одно и то же направление: они приглашают ученых непосредственно в процессы разработки ИИ. Глубокое слияние ИИ с передовыми научными исследованиями превращается из опционального выбора в обязательное требование.

Китайские крупные компании в области ИИ также присоединяются: в этот четверг команда Seed Edge компании ByteDance объявила о запуске программы Seed STEM для ученых, открыв 100 мест для ученых и аспирантов в таких передовых научных областях, как математика, физика, химия и биология, приглашая их сотрудничать с Seed в исследовании неизвестных проблем фундаментальной науки. Согласно доступной информации, это первая в Китае программа с масштабными инвестициями в использование ИИ для ускорения открытий в передовых научных областях.

В условиях быстрого темпа конкуренции в области ИИ, измеряемого днями, углубленные долгосрочные фундаментальные исследования ИИ могут казаться менее очевидными, чем совершенствование навыков программирования и повышение результатов на тестах: улучшение этих навыков быстро преобразуется в улучшение пользовательского опыта и коммерческий доход, тогда как обратная связь от фундаментальных исследований и ускорения научных открытий с помощью ИИ приходит гораздо медленнее, а пути исследований сопряжены с неопределенностью.

Но, с другой стороны, любое настоящее прорывное достижение на этом пути принесет парадигмальную ценность, значительно превышающую обычную итерацию продукта.

Яо Шуньюй ранее упоминал с командой следующую идею: в обучении больших моделей нет магии. Настоящий вызов заключается в том, чтобы правильно выполнить самые базовые и однозначно выполнимые задачи. Это мнение согласуется с долгосрочной позицией генерального директора Anthropic Дарио — ключевыми факторами прогресса в ИИ остаются вычислительные мощности, качество и объем данных, продолжительность обучения и масштабируемые целевые функции: «Все умные методы и приемы на самом деле не так важны».

Взглянув на такие настоящие SOTA-модели, как Claude и Seedance, становится ясно, что за ними нет никаких коротких путей — их суть заключается в том, чтобы заранее определить направление и провести огромную базовую работу по качеству данных и нижележащей архитектуре.

Anthropic сосредоточила ресурсы на улучшении кодовых возможностей модели, используя обучение с подкреплением, чтобы модель могла через пробу и ошибку самостоятельно понимать и генерировать качественный код, а также формировать саморазгоняющийся цикл эволюции на основе обратной связи от пользователей.

В области генерации видео, где многим крупным компаниям трудно добиться устойчивого прогресса, Seedance с помощью инновационной архитектуры модели и тщательной работы с данными превратила генерацию видео с помощью ИИ из «лотереи» экспериментов в более контролируемый и творческий промышленный инструмент.

Как видно, истинным ограничителем возможностей модели никогда не были накопленные методы, а надежная работа с данными, устойчивая базовая структура, а также долгосрочная цель, стратегическая устойчивость и достаточная терпеливость.

В нынешних условиях это непросто, но мы видим, что все больше компаний на рынке крупных языковых моделей в Китае готовы сосредоточиться на этом трудном, но правильном пути.

В этом году, DeepSeek Архитектура mHC (многообразно-ограниченная сверхсвязь), представленная сегодня, считается прорывом в области базовых архитектур крупных моделей. Она также DeepSeek Одним из важных архитектурных обновлений V4 является замена традиционных остаточных соединений, пронизывающая весь дизайн модели. Стоит отметить, что исследование mHC ссылается на Hyper-Connections (HC), предложенные командой Seed ByteDance.

Ранее остаточные соединения, являясь базовой архитектурой Transformer, считались отраслевым стандартом по умолчанию; HC впервые нарушил эту однопоточную парадигму, значительно повысив способность модели к выражению признаков без значительного увеличения вычислительных затрат. От первоначального предложения HC до практической реализации mHC стало отражением инноваций китайской команды ИИ в области базовой архитектуры — что было редкостью в истории развития крупных моделей.

В начале прошлого года команда Seed компании ByteDance специально создала команду Edge, чтобы заниматься исследованиями с низкой степенью определенности и без гарантии видимых результатов в краткосрочной перспективе. Для обеспечения стабильной среды для исследователей они даже изменили цикл оценки производительности — промежуточные оценки не проводились, а итоговая оценка проводилась только после получения результатов.

После создания команда долгое время оставалась скромной, но недавно они опубликовали на X долгосрочный набор оценок EdgeBench, впервые системно определив закономерности обучения агентов в реальных условиях, обнаружив новую закономерность масштабирования по измерениям обучения в среде, что вызвало широкий отклик среди ведущих специалистов отрасли.

Говорят, что OpenAI также подключает этот набор тестов для проверки долгосрочных возможностей своих моделей.

В области ИИ внимание часто сосредоточено исключительно на самих крупных моделях. Создание benchmark требует длительного времени и значительных человеческих ресурсов. Разработка и открытие базовых тестов для передовых возможностей ИИ служит не только для оценки собственного прогресса, но и для формирования отраслевых стандартов, выявления слабых мест моделей и направления всей области в сторону большей прозрачности и надежности. Крупнейшие лаборатории ИИ вкладывают огромные ресурсы в создание benchmark.

OpenAI открыла фреймворк Evals, который стал стандартным инструментом в отрасли для оценки крупных языковых моделей и систем на их основе. Для оценки конкретных передовых возможностей OpenAI разработала ряд специализированных тестов, включая SimpleQA, BrowseComp и MLE-bench.

Anthropic проделала большую работу вокруг SWE-bench, четко выделив сильные стороны Claude в области кодирования; они также выпустили Terminal-Bench для оценки способности агентов выполнять длинные цепочки задач в реальной командной строке.

Эти оценки не являются случайными по отношению к сильным сторонам моделей различных компаний.

Видно, что мнение передовой команды по ИИ относительно пути развития ИИ уже меняется: возможности крупных моделей вышли за рамки преимуществ предварительного обучения, основанных исключительно на увеличении параметров и данных. Следующим ключевым драйвером роста станет непрерывное взаимодействие, обратная связь и автономная эволюция моделей в реальных открытых средах.

Фронт базовых наук — это высшая форма открытия неизвестных сценариев. Программа Seed STEM, недавно запущенная ByteDance, направлена на совместную работу с учеными для выявления и преодоления исследовательских задач и изучения возможностей ускорения научных открытий с помощью ИИ. Ученые предоставляют не только темы, но и осознание проблем, критерии оценки и методы обратной связи.

Почему стоит сотрудничать с учеными? Ответ в том, что оставшиеся «задачи» уже не слишком сложны для крупных моделей.

Современные системы оценки моделей в основном сосредоточены на закрытых задачах с эталонными ответами. Задачи имеют определённые решения, оценка проводится по фиксированным критериям, и путь улучшения способностей модели ясен. Однако настоящие научные исследования полностью подчиняются другой логике: в них отсутствуют чёткие пути решения, исследователи должны самостоятельно формулировать гипотезы, разрабатывать методы их проверки, обрабатывать аномальные и шумные данные, выводить базовые механизмы — весь процесс наполнен пробами, ошибками и неопределённостью.

Настоящие задачи из реального мира являются окончательным критерием оценки способностей моделей ИИ. После предварительного обучения по масштабированию и масштабирования во время тестирования отрасль в целом ищет следующее направление масштабирования, и «постоянное обучение через взаимодействие в реальной открытой среде» является одним из наиболее перспективных путей.

Таким образом, при разработке передовых моделей глобальные ведущие команды ИИ больше не полагаются исключительно на закрытую работу команд ИИ, а привлекают ведущих исследователей из различных дисциплин, чтобы реальные отраслевые задачи стали движущей силой эволюции возможностей модели.

В Северной Америке в последнее время множество исследователей из университетов присоединились к компаниям, работающим с крупными моделями. В начале июля декан факультета EECS в Беркли Джелани Нельсон объявил о научном отпуске и присоединился к Anthropic. В этом году по крайней мере 22 профессора и исследователя временно прекратили или сократили свою работу в Стэнфорде, Беркли, Гарварде и других университетах, перейдя в OpenAI, Anthropic, DeepMind и Meta. Эти четыре компании в настоящее время объединяют как минимум 80 действующих или бывших профессоров университетов.

За постепенным присоединением крупных инвесторов стоят хорошо структурированные проекты.

В OpenAI программа Residency стала ежегодным стандартным каналом привлечения высококвалифицированных специалистов, ориентированным именно на тех, кто в настоящее время не занимается ИИ основным направлением исследований. Участники сразу с первого дня включаются в практическую работу с передовыми командами по применению и исследованиям OpenAI. Эта программа эквивалентна «ускоренной докторантуре» и помогает экспертам из других областей быстро достичь междисциплинарной интеграции. Глубокое участие исследователей-резидентов наблюдалось во многих ключевых проектах, таких как ImageGPT и Codex. Прорывы в научных возможностях моделей серии GPT в области математических рассуждений и вывода биологических механизмов также невозможны без постоянного вклада таких междисциплинарных специалистов.

В Anthropic программа STEM Fellows, ориентированная на экспертов в области естественных наук, технологий, инженерии и математики, была систематизирована и масштабно расширена в 2026 году. Эта программа длится несколько месяцев и приглашает ведущих экспертов из других областей — физиков, биологов, математиков, экономистов и т. д. — внутрь Anthropic. Они могут приносить свои нерешенные проблемы или сложные рабочие процессы из своих областей и напрямую использовать модели Claude, еще не опубликованные в открытый доступ, а также внутренние инструменты оценки.

В таких проектах материальные ученые разрабатывают специализированные тестовые процедуры для вывода фазовой стабильности для Claude, а климатологи глубоко интегрируют профессиональные инструменты атмосферного моделирования с моделью. В течение периода пребывания на месте более 80% исследователей получили высококачественные научные результаты, и обратная связь из реальных дисциплин напрямую становится обучающими сигналами для итераций модели, способствуя развитию Claude в области научных рассуждений и сложного вызова инструментов.

Ценность таких проектов давно превзошла саму научную деятельность, и ведущие компании в области ИИ ставят привлечение ученых из этой области на один уровень с конкуренцией за вычислительные мощности.

Для научного сообщества сотрудничество также имеет огромную ценность. Крупные модели становятся новой научной инфраструктурой: от вывода формул и численного моделирования до анализа огромных объемов научных статей и экспериментальных данных — ИИ перестраивает научные парадигмы, делая возможными исследования, которые ранее были ограничены человеческими ресурсами и вычислительной мощностью.

Приглашение в команду крупных моделей для участия в стационарных исследованиях имеет не меньшее значение, чем эксклюзивный доступ астронома к следующему поколению суперкосмического телескопа. Такие проекты предоставляют ученым множество преимуществ: не только доступ к огромному объему вычислительных мощностей ИИ и опыту работы с передовыми моделями, но и возможность использовать ИИ как «внешний мозг», перенаправив усилия на определение самих проблем.

Для ученых, прибывающих в Anthropic и OpenAI, такое глубокое сотрудничество является как усилителем научной эффективности, так и рычагом для достижения новых открытий. В этот момент, обратив взгляд на внутренний рынок, мы обнаруживаем, что пробел в области пересечения ИИ и фундаментальных научных исследований впервые заполняется Seed от ByteDance.

Когда лауреаты Филдсовской премии решают присоединиться к OpenAI, а всё больше учёных в области STEM начинают работать вместе с командами моделей, следующий этап конкуренции в ИИ переходит от краткосрочной итерации продуктов, рейтингов и прорывов в отдельных задачах к более долгосрочным, сложным и передовым фундаментальным вопросам.

Научные исследования имеют ключевое значение, поскольку они находятся на переднем крае человеческих знаний. Если удастся устоять в таких высокосложных открытых средах, это означает, что следующее поколение ИИ действительно обладает способностью участвовать в реальных сложных задачах.

Этот путь сложно быстро продемонстрировать впечатляющие результаты и трудно сформировать четкий коммерческий цикл в краткосрочной перспективе. Он медленный, трудоемкий и полон неопределенности. Но именно поэтому он наиболее эффективно проверяет, готова ли команда по-настоящему сосредоточиться на фундаментальных и передовых задачах.

Финальным заданием для крупных моделей является способность совместно с людьми решать проблемы, которые еще не были решены.

Научный прогресс требует долгосрочного подхода, и достижение AGI — тоже.

Эта статья взята из официального аккаунта WeChat «Machine Heart» (ID: almosthuman2014), автор: Цзэнань