Альтман обвинил целое поколение ученых в торможении ИИ

Публичная атака на скептиков
Сэм Альтман явно устал молчать. Выступая в Стэнфорде, он сказал то, что, судя по всему, давно хотел сказать вслух: целое поколение исследователей тормозило развитие ИИ, потому что было слишком уверено в ограничениях масштабирования языковых моделей. Не просто ошибалось - а активно мешало. Это серьезное обвинение, и оно брошено не в пустоту.
Янн ЛеКун, директор по ИИ в Meta, - очевидная мишень, хотя Альтман не называл его по имени напрямую. ЛеКун давно и громко утверждает, что LLM - тупиковая ветвь, что без "мировых моделей" (world models) настоящего интеллекта не добиться. Альтман, в свою очередь, говорит: данные давно опровергли этих критиков, но некоторые люди так привязали свою идентичность к позиции, что не могут ее изменить даже перед лицом очевидных фактов. Это уже не научная дискуссия - это психология.
Математика как главный аргумент
Самый яркий козырь, который Альтман выложил на стол, - недавний результат OpenAI в математике. Модель компании опровергла математическую гипотезу, над которой умные люди ломали голову долгое время. Детали он не уточнил, но сам факт показателен: LLM способны генерировать новое знание, а не просто переупаковывать существующее.
Это принципиально важный момент. Один из главных аргументов скептиков всегда звучал так: языковые модели - это статистические попугаи, они не понимают, не открывают, не изобретают. Математическое опровержение гипотезы - прямой удар по этому тезису. Математика - формальная система с четкими правилами верификации. Здесь нельзя "угадать" правильный ответ или выдать правдоподобную чушь. Либо доказательство корректно, либо нет.
Для сравнения: DeepMind с AlphaProof и AlphaGeometry уже демонстрировал способность решать олимпиадные задачи уровня IMO. Но опровержение гипотезы - это другой уровень. Это не решение задачи с известным ответом, а движение на переднем крае математики. Если это подтвердится в деталях, аргумент ЛеКуна про "тупиковость LLM" придется переосмыслить.
Где у LLM реальный потолок
Альтман, впрочем, не впал в эйфорию. Он честно признал: для задач с очень длинным горизонтом планирования, требующих высокого уровня суждений, LLM пока значительно хуже людей. Это важная оговорка, которую легко потерять в потоке оптимистичных заявлений.
Вот здесь я бы добавил от себя: именно этот разрыв - между "LLM умнее людей в некоторых областях" и "LLM хуже людей в долгосрочном суждении" - и есть главная инженерная проблема 2026 года. GPT-4o, Claude Opus 4, Gemini Ultra 2 - все они блестят на бенчмарках, но регулярно проваливаются на задачах, требующих многошаговой причинно-следственной цепочки через недели и месяцы. Рассуждение (reasoning) масштабируется иначе, чем знание.
Интересно, что Дарио Амодей из Anthropic буквально на прошлой неделе высказывал схожие мысли о потенциале масштабирования. То есть два главных конкурента в гонке LLM публично солидарны в базовой философии - что само по себе симптоматично.
Почему это важно именно сейчас
Альтман произнес эту речь не случайно. 2025-2026 годы - период, когда инвесторы начинают задавать неудобные вопросы о ROI от миллиардных вложений в GPU-кластеры. Скептицизм по поводу масштабирования перестал быть академическим - он стал финансовым. Когда исследователи говорят "закон масштабирования выдыхается", это слышат не только коллеги на конференциях, но и партнеры венчурных фондов.
Ответ Альтмана - это одновременно и научная позиция, и стратегическая коммуникация. OpenAI продолжает строить все более дорогую инфраструктуру, и нарратив "скептики всегда ошибались" критически важен для поддержания доверия рынка.
Что это значит для разработчиков и бизнеса
Для тех, кто строит продукты на LLM прямо сейчас, посыл Альтмана практически однозначен: делайте ставку на более мощные модели, а не ищите обходные пути вокруг их ограничений. История последних трех лет действительно подтверждает: каждый раз, когда казалось, что потолок достигнут, следующее поколение моделей его пробивало.
Для российских разработчиков ситуация двоякая. API OpenAI в РФ по-прежнему требует VPN и иностранной карты - напрямую подключиться нельзя. Но логика масштабирования работает и для отечественных игроков: YandexGPT, GigaChat, и другие российские модели тоже следуют этой философии, наращивая параметры и данные.
Личный вердикт
Альтман прав в том, что скептики систематически недооценивали масштабирование - история это подтвердила. Но его риторика немного напоминает победителя, который переписывает историю битвы. Многие из "тормозивших" исследователей поднимали легитимные вопросы о надежности, интерпретируемости и безопасности - вопросы, которые никуда не делись.
Математический прорыв OpenAI - если он действительно такой, каким его описывает Альтман - это сильнейший аргумент за продолжение масштабирования. Но один красивый результат не закрывает дискуссию о том, что именно мы строим и куда это ведет. Ставить на LLM сейчас - разумно. Считать вопрос закрытым - самонадеянно.
Источники
Похожие новости
OpenAI выпустила GPT-6.2 Astra и Sol: входные и выходные токены Astra в API на 20% дешевле, чем у GPT-6 Astra
OpenAI представила две модели: флагманскую GPT-6.2 Astra и экономичную GPT-6.2 Sol. Они доступны в ChatGPT Work, Codex и API и тратят меньше выходных токенов. В API Astra дешевле GPT-6 Astra: входные и выходные токены на 20% ниже, на кэшированные входные скидка 60%.
OpenAI показала агентов GPT-6 для клиник: Luna выполняет задачу за 8,5 цента
OpenAI предложила больницам и страховщикам GPT-6 Astra и Luna: агенты сами кликают по программам клиник и порталам страховых. Среди партнеров компании - CVS Health и Cigna Healthcare.
NVIDIA Vera Rubin NVL72 в MLPerf Endpoints: более 10x токенов на киловатт к GB300
В предварительных результатах MLPerf Endpoints v1.0 система Vera Rubin NVL72 выдала более чем в 10 раз больше токенов на киловатт, чем GB300 NVL72. Результаты еще не верифицированы MLCommons.