Лауреат Філдсівської премії приєднується до OpenAI, ByteDance запускає програму для науковців у галузі STEM

Цьогорічна премія Філдса вважається «останньою чистокровною» — майбутні проривні дослідження, ймовірно, будуть виконуватися разом з ШІ.

Цей перехід може відбуватися швидше, ніж ми уявляємо: під час прес-конференції з нагоди присудження премії Філдса хтось запитав одного з лауреатів, канадського математика Джейкоба Цімермана, чим він збирається займатися далі, і він відповів, що вже почав переходити на дослідження в галузі безпеки ШІ і скоро почне працювати в відділі безпеки OpenAI.

З іншого боку, головний науковий керівник OpenAI Марк Чен одразу вітав це.

Вчені, що стоять на передовій, вже сприймають провідні компанії зі штучним інтелектом як платформу для реалізації своїх амбіцій. Останнім часом все більше провідних вчених — математиків, фізиків, біологів тощо — перебираються до компаній, що розробляють великі моделі. Лише за першу половину цього року до Anthropic приєдналися лауреат Нобелівської премії з хімії Джон Джампер, економіст Чед Джонс, філософ Гарві Ледерман.

За цим стоять провідні компанії зі штучним інтелектом, які одночасно звернули увагу на один і той самий напрямок: вони запрошують вчених безпосередньо до розробки ШІ. Глибоке поєднання ШІ з передовими науками перетворюється з варіанту на обов’язкову умову.

Китайські великі компанії в галузі ШІ також долучаються: у четвер цього тижня команда Seed Edge компанії ByteDance оголосила про запуск наукової програми Seed STEM, пропонуючи 100 місць для співпраці науковцям і аспірантам у галузях математики, фізики, хімії, біології та інших передових наук, запрошуючи їх спільно з Seed досліджувати невідомі проблеми в фундаментальній науці. Згідно з відкритою інформацією, це перший у Китаї масштабний план, спрямований на використання ШІ для прискорення відкриттів у передових науках.

У сучасному темпі конкуренції в галузі ШІ, що змінюється щодня, глибоке дослідження тривалих базових досліджень ШІ може здаватися менш очевидним, ніж вдосконалення навичок програмування та підвищення рейтингів у тестах: підвищення цих навичок швидко перетворюється на покращення досвіду користувача та комерційний дохід, тоді як базові дослідження та прискорення наукових відкриттів за допомогою ШІ мають набагато довші цикли зворотного зв’язку та більш невизначені шляхи дослідження.

Але, з іншого боку, будь-який справжній прорив на цьому шляху принесе парадигмальну вартість, яка значно перевищить звичайні ітерації продукту.

Яо Шуньюй раніше з командою згадував таку думку: у навчанні великих моделей немає магії. Справжні виклики полягають у тому, щоб правильно виконати найпростіші та певно ефективні речі. Ця думка збігається з довготривалим поглядом генерального директора Anthropic Даріо — основними факторами, що забезпечують прогрес штучного інтелекту, завжди є обчислювальна потужність, якість і обсяг даних, тривалість навчання та масштабовані цільові функції: «всі розумні методи та прийоми насправді не так важливі».

Переглядаючи справжні SOTA-моделі, такі як Claude та Seedance, видно, що за ними немає жодних скорочень — їхня суть полягає у тому, що вони ще на початку визначили напрямок і провели велику кількість базової роботи з якістю даних та нижчою архітектурою.

Anthropic зосереджує ресурси на покращенні кодових здібностей моделей, навчаючи їх за допомогою підсиленого навчання, щоб вони могли через багаторазові спроби самостійно розуміти та генерувати якісний код, формуючи самопідсилювальний еволюційний цикл на основі відгуків користувачів.

У сфері генерації відео, де багато великих компаній важко зберігають постійний прогрес, Seedance за допомогою інноваційної архітектури моделі та точного підходу до даних перетворила генерацію відео за допомогою ШІ з «лотереї» на більш керовану та творчу промислову інструментальну платформу.

Ясно, що справжнім обмеженням здатностей моделі завжди було не накопичення трюків, а надійна робота з даними, стабільна базова структура, а також довгострокова мета, стратегічна стійкість і достатня терплячість.

Це не просто в сучасних умовах, але ми бачимо, що все більше компаній на ринку великих моделей в Китаї готові зосередитися на цьому складному, але правильному шляху.

Цього року, DeepSeek Архітектура mHC (множинне обмеження гіперзв’язків), що була запущена, вважається проривом у галузі базових архітектур великих моделей. Вона також DeepSeek Однією з ключових архітектурних оновлень V4 є заміна традиційних залишкових з’єднань, яка пронизує весь дизайн моделі. Варто зазначити, що дослідження mHC посилається на Hyper-Connections (HC), запропоновані командою Seed із ByteDance.

Раніше залишкові з’єднання, як базова архітектура Transformer, вважалися стандартною конфігурацією в галузі, а HC першим порушив цю однопотокову парадигму, значно підвищивши здатність моделі до вираження ознак майже без збільшення обчислювальних витрат. Від інноваційної ідеї HC до практичного застосування mHC — це відображення технологічного інноваційного розвитку китайських AI-команд у сфері базової архітектури, що було рідкісним у минулому розвитку великих моделей.

На початку минулого року ByteDance Seed спеціально створило команду Edge, щоб працювати над дослідженнями з меншою визначеністю та без гарантії отримання результатів у короткостроковій перспективі. Щоб надати дослідникам стабільне середовище, вони навіть змінили періодичність оцінки продуктивності — проміжних оцінок не було, а підсумкова оцінка проводилася лише після отримання результатів.

Після створення команда довгий час залишалася низькопрофільною, а недавно вони опублікували на X наддовгий набір оцінок EdgeBench, вперше системно визначивши закономірності навчання агентів у реальних умовах, виявивши новий масштабний закон у вимірі навчання середовища, що викликало багато обговорень серед провідних фахівців галузі.

Говорять, що OpenAI також підключає цей набір тестів для перевірки довготривалих здібностей своїх моделей.

У сфері ШІ люди часто зосереджують увагу саме на великих моделях, але створення Benchmark вимагає тривалого періоду та значних людських ресурсів. Розробка та відкриття стандартів для вимірювання передових можливостей ШІ — це не лише спосіб оцінити власний прогрес, а й шлях до формування галузевих стандартів, виявлення слабких місць моделей та спрямування всієї галузі у бік більшої прозорості та надійності. Лідери у сфері ШІ вкладають великі ресурси у створення Benchmark.

OpenAI відкрила код фреймворку Evals, ставши стандартизованим інструментом у галузі для оцінки великих мовних моделей та систем на їх основі. Для конкретних передових здібностей OpenAI розробила серію спеціалізованих тестів, включаючи SimpleQA, BrowseComp, MLE-bench тощо.

Anthropic провела велику роботу навколо SWE-bench, чітко визначивши сильні сторони Claude у кодуванні; вони також випустили Terminal-Bench для вимірювання здатності агентів виконувати довгі завдання в реальному командному середовищі.

Ці оцінки не є випадковими щодо зв’язку з сильними сторонами моделей різних компаній.

Видно, що погляди передових команд з ІІ на шлях розвитку ІІ змінюються: здатність великих моделей еволюціонує за межами періоду переваги попереднього навчання, що базувався лише на накопиченні параметрів і даних. Наступним ключовим джерелом зростання обов’язково стане безперервна взаємодія, зворотний зв’язок та автономна еволюція моделей у реальних відкритих середовищах.

Межі фундаментальної науки — це найвища форма відкриття невідомих сценаріїв. І новий план Seed STEM від ByteDance створений саме для того, щоб разом із вченими визначати та подолувати дослідницькі проблеми та досліджувати можливості прискорення наукових відкриттів за допомогою ШІ. Вчені надають не лише теми, а й уявлення про проблеми, критерії оцінки та методи зворотного зв’язку.

Чому слід співпрацювати з вченими? Відповідь у тому, що залишилися «завдання» тепер занадто прості для великих моделей.

Сучасні системи оцінки моделей переважно засновані на закритих завданнях із чіткими відповідями. Завдання мають певні рішення, оцінка проводиться за фіксованими критеріями, і шлях підвищення здібностей моделей є чітким. Однак справжнє наукове дослідження працює за зовсім іншою логікою: у ньому немає чіткого шляху розв’язання, дослідник повинен самостійно формулювати гіпотези, розробляти схеми їх перевірки, працювати з аномаліями та шумними даними, виводити базові механізми — весь процес повний проб і помилок, повторень та невизначеності.

Настійні завдання реального світу є остаточним критерієм перевірки здатностей моделей ШІ. Після масштабування під час попереднього навчання та масштабування під час тестування, галузь загалом шукає наступний напрямок масштабування, і «постійне навчання шляхом взаємодії в реальному відкритому середовищі» є одним із найбільш перспективних шляхів.

Тому глобальні лідери в галузі ШІ при розробці передових моделей більше не обмежуються закритою роботою команди ШІ, а залучають найкращих дослідників з різних галузей, щоб реальні проблеми галузей ставали рушійною силою для розвитку здібностей моделей.

У Північній Америці останнім часом багато дослідників з університетів приєдналися до компаній, що розробляють великі моделі. На початку липня голова кафедри EECS у Берклі Джелані Нельсон оголосив про академичний відпустку та приєднання до Anthropic. У цьому році щонайменше 22 професори та дослідники тимчасово залишили або зменшили свою роботу в Стенфорді, Берклі, Гарварді та інших університетах, перейшовши до OpenAI, Anthropic, DeepMind і Meta. Ці чотири компанії наразі об’єднують щонайменше 80 чинних або колишніх університетських професорів.

За величезними інвесторами, які поступово приєднуються, стоїть цілісна проектна структура.

У OpenAI програма Residency стала щорічним, стабільним каналом приваблення висококваліфікованих фахівців, який чітко спрямований на тих, хто наразі не займається штучним інтелектом як основним напрямком досліджень. Учасники з першого дня приєднуються до передових команд OpenAI з застосувань та досліджень для практичної співпраці. Ця програма є аналогом «прискореного докторантури», яка допомагає фахівцям з інших галузей швидко здійснити міждисциплінарну інтеграцію. У багатьох визначних проектах, таких як ImageGPT та Codex, глибоко участвували дослідники-резиденти. Досягнення моделей серії GPT у галузі математичного міркування та виведення біологічних механізмів також неможливі без постійного внеску таких міждисциплінарних фахівців.

У Anthropic програма STEM Fellows, спрямована на експертів у галузях науки, технологій, інженерії та математики, була систематично та масштабно розширена у 2026 році. Ця програма триває кілька місяців і спеціально запрошує провідних експертів із галузей, що не стосуються ШІ — фізиків, біологів, математиків, економістів тощо — до всередини Anthropic. Вони можуть приносити нерозв’язані проблеми або складні робочі процеси зі своїх галузей та безпосередньо використовувати ще не опубліковані моделі Claude та внутрішні інструменти оцінки.

У таких проектах матеріалознавці створюють спеціальні оціночні процеси для виведення фазової стабільності для Claude, а кліматологи глибоко інтегрують професійні інструменти атмосферного моделювання з моделлю. Протягом перебування на місці понад 80% дослідників отримали якісні наукові результати, і ці зворотні зв’язки з реальних дисциплін безпосередньо перетворюються на навчальні сигнали для ітерацій моделі, сприяючи розвитку Claude у галузі наукових міркувань та складного використання інструментів.

Цінність таких проектів вже перевищила саму наукову роботу, і провідні компанії з штучним інтелектом ставлять боротьбу за науковців у галузі на однаковий рівень з боротьбою за обчислювальні ресурси.

Звичайно, для наукового співтовариства співпраця також має величезну цінність. Великі моделі стають новою науковою інфраструктурою: від виведення формул, чисельного моделювання до аналізу величезних обсягів літератури та експериментальних даних — ШІ перетворює наукові парадигми, роблячи можливими теми, які раніше були обмежені людськими ресурсами та обчислювальними потужностями.

Запрошення до команди великих моделей для участі у стаціонарних дослідженнях має таку саму значущість, як і виключне право астрономів на використання наступного покоління суперкосмічного телескопа. Такі проекти надають вченим багато переваг: вони отримують доступ до великих обчислювальних потужностей штучного інтелекту, можуть експериментувати з передовими моделями та використовувати ШІ як «зовнішній мозок», щоб зосередити зусилля на формулюванні самих проблем.

Для цих вчених, які масово приєднуються до Anthropic і OpenAI, така глибока співпраця є як силою, що посилює наукову ефективність, так і важелем для досягнення нових відкриттів. А зараз, звернувши увагу на внутрішній ринок, ми бачимо, що відсутність у сфері перетину ШІ та фундаментальних досліджень поступово заповнюється командою ByteDance Seed.

Коли лауреати Філдсівської премії вирішують приєднатися до OpenAI, коли все більше вчених у галузі STEM починають працювати разом із командами моделей, наступний етап конкуренції в ІШ переходить від короткострокових ітерацій продуктів, рейтингів та досягнень у окремих завданнях до більш довгострокових, складніших і передових фундаментальних питань.

Наукові дослідження є ключовими, оскільки вони знаходяться на передовій людських знань. Якщо вдасться закріпитися в таких високоскладних відкритих середовищах, це означатиме, що наступне покоління ШІ справді зможе брати участь у реальних складних завданнях.

Цей шлях важко швидко продемонструвати вражаючі результати або створити чіткий бізнес-цикл у короткостроковій перспективі. Він повільний, важкий, повний невизначеності. Але саме через це він найкраще перевіряє, чи готова команда справді зануритися в основи та передові розробки.

Остаточним завданням великих моделей є здатність разом із людьми просувати нерозв’язані проблеми.

Науковий прогрес вимагає довгострокового підходу, і досягнення AGI — теж.

Цей текст походить з微信-каналу «Machine Heart» (ID: almosthuman2014), автор: Цзє Нань