В условиях растущей конкуренции в области искусственного интеллекта обсуждения вокруг DeepMind, OpenAI и Anthropic перестали сводиться к вопросу «чья модель сильнее» и постепенно превратились в более глубокую тему: как ведущие AI-лаборатории организуют исследования, выбирают технические пути и делают долгосрочный выбор между вычислительными мощностями, капиталом и безопасностью.
В недавнем интервью InfoQ с Себастьяном Маллаби (Sebastian Mallaby), автором книги «Хасабис: Мозг ИИ Google» (The Infinity Machine), известным историком технологий и финансов, мы попытались с точки зрения, близкой к «внутреннему наблюдателю», заново понять логику роста DeepMind, а также реальные структурные различия между ней, OpenAI и Anthropic.
Будучи долгосрочным наблюдателем за Хасабисом и его командой, Маллаби считает, что преимущество DeepMind проистекает не только из вычислительных мощностей и финансирования, предоставленных Google, но и из уникального способа организации: он позволяет ученым долгосрочно свободно исследовать, но в ключевые моменты быстро формировать ударные группы для прорывов. Этот механизм позволяет ей持续攻克 такие проблемы, требующие более чем десятилетних инвестиций, как AlphaGo и AlphaFold.
В то же время различия в выборе между «безопасностью и скоростью» в разных лабораториях становятся важной переменной, влияющей на格局 конкуренции в AGI. И по мере того, как масштабирование ИИ (scaling) расширяется от фазы обучения к фазе логического вывода (inference) и будущему уровня агентов, сама структура движущих сил прогресса ИИ также меняется.
В этом смысле сегодняшняя конкуренция в ИИ — это уже не просто соревнование способностей моделей, а долгосрочная игра вокруг моделей организации, методов исследования и распределения системных ресурсов.
Почему DeepMind добилась успеха?
InfoQ: В своей книге вы упомянули, что научный руководитель Хасабиса в MIT, Томазо Поджо (Tomaso Poggio), говорил, что многие лауреаты Нобелевской премии, которых он встречал, были и талантливы, и удачливы. Некоторые лауреаты были исключительно одарены и были обречены получить премию, что бы они ни исследовали. В 2009 году Хинтон, встретив Хасабиса, счел его более амбициозным, чем он сам. Какими несколькими словами вы бы описали Хасабиса? Почему?
Маллаби: Если описать его тремя словами, я бы сказал: прирожденный гений, амбициозный, дружелюбный и скромный.
Гений — это само собой разумеется. Амбициозность — это его внутреннее стремление к победе, желание совершить нечто великое. Я думаю, это связано с его участием в шахматных турнирах с детства. Уже в шесть лет он оказался в условиях激烈竞争 и поэтому стал чрезвычайно амбициозным. Это стремление стало его движущей силой.
Но с другой стороны, если бы человек был только амбициозным и талантливым, но недружелюбным, то другие не захотели бы работать, не полюбили бы его, и даже могли бы строить козни и мешать ему. Его преимущество в том, что он всем нравится. Люди, пообщавшись с ним, считают его порядочным человеком с хорошими ценностями, желающим, чтобы ИИ принес благополучие человечеству. Именно поэтому люди готовы поддерживать его дело. Мне трудно представить, смог бы он достичь сегодняшних успехов без этой доброты.
InfoQ: Так вы считаете, что нынешний успех DeepMind связан со скромным и добрым характером основателя Хасабиса? В чем уникальность DeepMind по сравнению с другими AI-лабораториями?
Маллаби: Да, я считаю, что это тесно связано с личностью Хасабиса.
Уникальность DeepMind прежде всего в том, что она была основана в 2010 году, когда ИИ не мог распознать даже изображение кошки. Тогда相关技术还完全不成熟, но люди уже были готовы присоединиться к этой компании и посвятить себя делу, которое еще не увенчалось успехом. Именно эти超前投入与远见 позволили DeepMind оставаться лидером в отрасли в течение первых примерно десяти лет, пока с появлением ChatGPT赛道 не迎来了激烈角逐. А в те десять лет до этого они始终遥遥领先, и все это благодаря раннему старту, что, несомненно, напрямую заслуга Хасабиса. Он еще с 18 лет, до поступления в Кембридж, верил в возможность ИИ, рано и непоколебимо уверовал в это видение. Это, возможно, еще одна его черта: он не только амбициозен, гениален и добр, но и прозорливый первопроходец.
InfoQ: В своей книге вы упомянули, что Хасабис на самом деле не любит бизнес-менеджмент. Его идеальная организационная форма — «Лаборатории Белла + академический исследовательский институт». Команда DeepMind всегда работала независимо в Великобритании, многие ранние правила позволяли ученым долгосрочно исследовать, не требовали краткосрочных продуктов, и их статьи могли публиковаться открыто, что совершенно непохоже на многие компании Кремниевой долины. Не создают ли эти условия, кажущиеся «слишком свободными», трудности в управлении для Хасабиса? Обычно люди, привыкшие к свободе, особенно гении, не хотят быть ограниченными.
Маллаби: Я считаю, что ключевой момент DeepMind в том, что они дали этим顶尖人才极大的自由. Исследователи могут самостоятельно определять направление исследований, публиковать学术论文, обладать свободой исследований, как в университете.
Но если бы в DeepMind была только свобода, это превратилось бы в группу людей, занимающихся каждый своим исследованием, и в конечном итоге неспособных представить какой-либо готовый продукт. Хасабис结合了свободное исследование и集中攻坚 — когда он判断某个研究方向已经具备取得重大突破的条件, он отдает приказ: «Хорошо, по этому направлению можно добиться результата, мы сформируем специальную команду и будем全速推进,实行自上而下的集中管理.»
Он называет такие команды «ударными группами (strike team)». От最早开发雅达利游戏智能体 до后来的 AlphaGo, затем AlphaZero и直至 AlphaFold, за всеми этими моделями стояли такие ударные группы. В ударной группе есть руководитель, который统一指挥, все冲刺 к одной цели, есть временное давление и сроки, работа ведется с极高 интенсивностью.
Так что гений Хасабиса заключается в объединении свободного исследования и внедрения результатов — используя прорывы в теоретической науке,落地打造出 такие продукты, как AlphaGo.
Он понимает академическую свободу, потому что сам защитил докторскую и знает университетскую модель исследований; а идея создания ударных групп comes from его опыта в игровой индустрии — он работал в игровой компании, даже основал свою, и хорошо знает, как игровые компании соблюдают сроки и交付产品. Он идеально объединил эти две модели.
InfoQ: Как такие ведущие AI-лаборатории, как DeepMind, организуют и управляют талантами? Например, как нанимают ученых? Как управляют顶级研究人员? Дают ли им высокую зарплату или больше ресурсов?
Маллаби: На最初阶段 зарплаты в компании были невысокими, потому что资金非常有限. Хотя предлагали опционы, большинство присоединившихся не считало, что эти опционы будут иметь ценность в будущем — потому что в то время у ИИ не было ни зрелых продуктов, ни четкой модели монетизации.
Поэтому на ранней стадии привлечь优秀人才 было очень трудно. Я считаю, что Демис (Демис Хасабис) смог это сделать во многом потому, что он и его сооснователь Шейн Лигг (Shane Legg) сами были очень уважаемыми учеными, что заставило других исследователей захотеть присоединиться к их команде.
Кроме того, некоторые присоединились потому, что не хотели заниматься «ненаучными» делами в стартапе, такими как общение с юристами, привлечение инвесторов, поиск офисных помещений и т.д. Для них это было хлопотно и скучно. Если Демис готов был взять на себя эти организационные и управленческие задачи, они могли сосредоточиться на своих научных исследованиях. Поэтому некоторые (например, исследователь Мних, участвовавший в проекте Atari)提到,这正是他加入的原因.
Однако после 2014 года ситуация明显变化. После поглощения Google DeepMind получила充足资金支持, могла предлагать более конкурентоспособные зарплаты, а также создала более стабильную и完善的工作环境, включая лучшие офисные условия и качественное бесплатное питание. В целом, после поглощения工作体验显著提升.
Кроме того, с развитием технологий ИИ исследования становятся все более зависимыми от вычислительных мощностей. Чтобы добиться прорывных результатов модели,需要大量先进的半导体和计算资源. Поэтому для ученых关键因素 становится доступ к充足的算力. А работая в DeepMind, можно напрямую использовать вычислительные мощности и чипы Google, что также стало важной причиной привлечения顶尖人才.
InfoQ: Когда DeepMind была поглощена Google, она не была完全 в состоянии «пассивного выживания», вы также упоминали в прошлый раз, что CEO Meta Цукерберг приглашал Хасабиса на ужин для обсуждения поглощения, Маск также делал предложение, то есть можно сказать, что DeepMind до вхождения в систему Google уже имела свой ореол. Можно ли это解读 как то, что DeepMind имеет высокую степень влияния в системе Alphabet? Является ли это одним из факторов успеха DeepMind?
Маллаби: Да, я считаю, что当时有其他公司也有意收购他们,这一点 усилило их переговорную позицию при最终卖给 Alphabet.
Однако, я также считаю, что более关键的一点在于 руководство Alphabet — особенно Ларри Пейдж (Larry Page), а затем сменивший его Сундар Пичаи (Sundar Pichai) — после общения с Демисом быстро осознали, что он非常特别的人. Они очень хотели его留住 и были готовы действовать согласно его идеям, потому что считали его极具价值.
При поглощении DeepMind пионер глубокого обучения из Канады Джеффри Хинтон (Geoffrey Hinton) пошутил: «Даже если купить одного Демиса, он стоит от 100 до 150 миллионов фунтов». Это отражает их высокую оценку Демиса — он не просто предприниматель, а человек с гениальной проницательностью.
Именно поэтому Google после поглощения оказала DeepMind极高的重视和充分的资源支持, включая大量的研究资金. Это также одна из важных причин последующего持续成功 DeepMind — по сути, потому что Google признала и信任ла Демиса и была готова долгосрочно поддерживать его研究方向.
InfoQ: Даже имея высокую степень влияния, Google — все же коммерческая компания. Как DeepMind平衡长期科研和短期成果?
Маллаби: В течение相当长一段时间重心 DeepMind一直是长期科研, а не产品化. Она практически не выпускала真正意义上的 коммерческих продуктов, хотя и尝试过一些医疗应用, но это было скорее по инициативе сооснователя Демиса Мустафы Сулеймана (Mustafa Suleyman), а не核心诉求 Google.
Google в то время允许,甚至支持ла DeepMind专注于基础研究. Она инвестировала nearly 1 миллиард долларов ежегодно в эти исследовательские проекты — это очень большие инвестиции, но для Google с ее денежными средствами это посильно.
这种局面在 2022 年发生了根本性变化. С выходом ChatGPT Google внезапно осознала, что традиционные поисковые системы могут быть颠覆лены новыми способами поиска на основе больших языковых моделей. Эта угроза напугала Google, поэтому они быстро переключились,希望与 OpenAI 竞争, и开始要求ть DeepMind перейти от научных исследований к более产品化方向, особенно к разработке больших языковых моделей.
Сначала я тоже думал, будет ли Демису это некомфортно, ведь он по сути ученый.
Но后来, общаясь с ним, я услышал интересное мнение. Он сказал: «你要记住, до создания DeepMind я управлял своей стартап-студией Elixir Studios, это была игровая компания, мы делали продукты. Я не против создания продуктов, и к тому же я сам очень амбициозен, я тоже хочу победить в этой гонке.»
Он также提到, на этом этапе развитие ИИ перешло в новое состояние: создание больших языковых моделей, с одной стороны, является созданием продукта, с другой стороны, само по себе продвигает научный фронт.
Фактически, после появления ChatGPT мы увидели, как постоянно появляются大量新的技术进展, например:
- Модели с более длинным контекстным окном (могут запоминать больше информации)
- Мультимодальные модели, способные обрабатывать изображения, видео и аудио
- Модели со сложными推理能力
- А также модели агентов (Agent), способные выполнять задачи
Эти前沿探索本身 происходят в «продуктовой форме». Поэтому,на текущем этапе科学研究与产品开发并不是二选一的关系, а две пути, которые можно推进 одновременно.
Заработать миллиарды долларов не сравнится с получением Нобелевской премии
InfoQ: В первые годы после поглощения, каков был最大的文化冲突 между DeepMind и Google? В какой степени Google允许ла DeepMind保持科研独立?
Маллаби: Эти культурные разногласия в основном сосредоточились на проблеме «безопасности». DeepMind希望建立一套更独立、更特殊的治理机制, чтобы гарантировать, что ИИ не будет использоваться仅仅 для服务 коммерческих интересов одной компании. Они设想 создать机构, напоминающее «Комитет по этике и безопасности», в который могли бы входить такие人物, как бывший президент США Обама, и этот机构 должен был бы решать, как следует использовать ИИ.
На эту идею Google表面上 иногда似乎 выражала поддержку, но на самом деле не собиралась真正落实. Поэтому вокруг этого вопроса стороны с участием юристов, инвестиционных консультантов и других в течение трех лет вели反复博弈.
В это время Демис даже尝试寻找其他出路, например, связаться с основателем Alibaba Джеком Ма,希望获得资金支持, чтобы вновь сделать DeepMind独立运作. Это, можно сказать, было самым核心的一次「文化冲突」.
Однако на科研层面 разногласия были не明显. Google一直非常支持ла DeepMind проводить前沿研究, например, проект AlphaGo.
Фактически, во время матча AlphaGo в Корее соучредитель Google Сергей Брин (Sergey Brin), а тогдашний CEO Эрик Шмидт (Eric Schmidt) и другие高层 лично приехали на место观看 матча, они были очень вовлечены в этот проект и非常享受这一历史性时刻.
InfoQ: Вы упомянули, что между Google и DeepMind爆发了激烈的文化冲突, в своей книге вы также提到, что Демис чуть не ушел из Google с командой. Но почему в итоге решил остаться, пошла ли Google на какие-то妥协?
Маллаби: В конечном счете, в то время Демис больше всего хотел заниматься科研. Потому что если бы他真的 решил自立门户 и создавать новую компанию, ему пришлось бы бегать по инвесторам, нанимать кучу юристов для «confrontation» с юридическим отделом Google, это肯定 вызвало бы сильное недовольство со стороны Google. Для него, вместо того, чтобы погружаться в эти бесконечные商业纠葛, он явно предпочел бы сосредоточить все силы на решении научных难题 ИИ.
所以我觉得,这才是他最终选择留下的原因.
还有一个很有趣的点: Штаб-квартира Демиса в Лондоне, а не в Кремниевой долине. В Кремниевой долине та创业狂热, что «ты должен拥有自己的公司», почти как религия; но в Лондоне такая атмосфера没那么激进. Демис显然更愿意坚守最初把公司卖给谷歌时的那份初心.
Перед ним, по сути, лежали два截然不同的 пути: один —独立打拼 создать庞大的商业帝国, стать超级富豪ом с состоянием в десятки миллиардов; другой — углубиться в научную область, изобрести настоящий ИИ и в конечном итоге получить Нобелевскую премию.
Очевидно,比起那几十亿美金,他更渴望那一枚诺贝尔奖章.
InfoQ: Можем ли мы обсудить гипотезу: если бы DeepMind не была поглощена Google, какой бы она была сегодня?
Маллаби: В Великобритании, где я живу, часто можно услышать: «Эх, если бы тогда DeepMind не продали Google, у нас сейчас была бы независимая британская AI-гигант.»
Но я совершенно не согласен.
Я считаю, что в то время DeepMind真的太缺钱了. Вы完全可以 взглянуть на это поглощение с другой стороны: это вовсе не «потеря британской AI-индустрии», напротив, это большая победа Великобритании. Такой гениальный британский предприниматель, как Демис, смог убедить американского гиганта добровольно每年往伦敦的 AI 实验室里砸近1 миллиард долларов.
Подумайте, американцы несут большие деньги инвестировать в Великобританию, разве это не прекрасно?
Если бы Демис тогда не продал компанию Google,凭借他的天赋和那股子不服输的劲头, он肯定也能成功. Он, вероятно, сохранил бы независимость или обратился бы за инвестициями к таким大佬, как Элон Маск. Но этот путь肯定要难走得多, потому что денег было бы меньше, и пришлось бы整天面对各种「内耗» — ведь Маск极度好斗的人.
如果没有谷歌的财力支持,像 AlphaGo 这样的奇迹可能要推迟很久才会出现. Но в любом случае, Демис最终还是会成为 AI 领域的领军人物. Это его миссия и его призвание — если он хочет чего-то добиться, в этом мире恐怕 ничто не сможет его остановить.
За AlphaGo и AlphaFold стоит способность выбирать проблемы
InfoQ: AlphaGo, можно сказать, прославила DeepMind. Внутри Google,伴随着 успехом AlphaGo, переоценило ли высшее руководство ценность AGI? Считаете ли вы, что эта победа изменила влияние DeepMind внутри集团? В чем конкретно это проявилось?
Маллаби: Для всех в Google победа DeepMind с AlphaGo стала отрезвляющим звонком.
Через那个 матч все наглядно увидели устрашающую силу ИИ. Ранее Сергей Брин утверждал: «Создать систему, способную играть в го,肯定难如登天».结果, Демис фактами狠狠地 опроверг его. Руководство Google вынуждено было признать, что скорость эволюции ИИ早已远超 их ожидания.
С那时起,研发预算开始疯狂飙升. Изначально финансирование DeepMind уже было высоким, после AlphaGo оно又 удвоилось.
Можно сказать, что эта победа стала самым有力的 козырем Демиса, позволившим ему убедить Google源源不断地砸钱. А появившийся годом позже (в 2017 году) AlphaZero further巩固了他的地位, доказав, что эти инвестиции полностью оправданы.
InfoQ: Как AlphaGo, так и AlphaFold привлекли большое внимание в отрасли. По вашему мнению, что общего в методологии у AlphaGo и AlphaFold?
Маллаби: Они оба являются примерами «бесконечной машины».
Возьмем го. Первый ход может выбрать любую из 361 точки пересечения для размещения камня, затем второй ход имеет 360 вариантов выбора. Далее依次是 359, 358... Если перемножить эти возможности,很快 получится极其庞大的数字 — каждый ход, каждый ответ,以及 ответ на ответ, создают взрывной рост пространства возможностей.
Итак, это огромное пространство поиска, почти бесконечное множество возможностей. Я называю это «бесконечной машиной». То есть такая система, как AlphaGo, по сути, является машиной, способной извлекать «смысл» из почти бесконечного количества возможных ходов.
Если再看 структуру белка — изображение белка, вы увидите, как он сворачивается. Там бесчисленные мелкие изгибы, и каждый изгиб может менять направление. Поэтому комбинации структур, которые может формировать белок, даже больше, чем в го, в некотором смысле уже非常接近「бесконечности」.
Но DeepMind все же изобрела машину, способную предсказать правильную структуру белка среди всех этих возможных комбинаций — количество атомов в этих комбинациях甚至超过宇宙中的原子数.所以, с этой точки зрения, это тоже «бесконечная машина». Я считаю, что это самая核心的联系 между ними: как извлечь осмысленный результат из如此 огромных данных и возможностей.
AlphaFold — это очень важное,里程碑意义的 достижение в全球范围内.那么, почему DeepMind选择把它开源?
С одной стороны,出于帮助全世界、推动科学进步的考虑; с другой стороны, также потому, что DeepMind считает, что他们之所以能够做出 AlphaFold,很大程度上得益于一个长期积累的科学共同体.
Например,竞赛 CASP — она была initiated学术界, проводится every two years, позволяет不同科研团队 соревноваться в предсказании структуры белков. До победы DeepMind в 2020 году этот竞赛持续了大约 18 лет.
То есть, до того как DeepMind решила эту проблему, во всей области уже было проведено大量的基础研究工作. Поэтому DeepMind также希望 выразить благодарность,回报学术界 — они открыли систему AlphaFold, чтобы вся область могла использовать эти预测结果.
Если бы они просто использовали открытые исследования всех, но не公开ли свои own,那在道义上会显得不太合适.所以,这也是他们选择开源的重要原因之一.
Конечно, есть и практический аспект: в коммерческом применении, например, в разработке лекарств,仅仅 AlphaFold 2 (версия,后来获得诺贝尔奖)其实还不够.
Вам нужно не только знать структуру белка, но и понимать, как белки взаимодействуют между собой и с другими молекулами.这正是 AlphaFold 3 и 4要解决的问题.
А AlphaFold 4 не была открыта, она является проприетарной системой. 这也意味着它正在逐渐走向产品化阶段, поэтому DeepMind и谷歌选择将其保留在内部.
InfoQ: Как AlphaGo, так и AlphaFold являются очень великими достижениями. Как DeepMind выбирала «темы,值得投入十年的»? Какие判断依据是可复制的?
Маллаби: Демис часто упоминает концепцию под названием «научный вкус» (Scientific Taste).
У него острое чутье: он может «унюхать» в области ИИ哪些悬而未决的问题虽然极具挑战,但只要拼命攻关两年就一定能捅破那层窗户纸. Он极其擅长进行这种战略豪赌. Эта способность不仅源于他对科学前沿的深刻理解,更源于他看透了科学家这个群体的运作逻辑.
Он рассказывал мне захватывающую историю об AlphaFold.
В 2018 году команда уже研发了两年, созданная система虽然贵为全球最强, но还远没有达到能预测「所有蛋白质形状」的终极目标. Она只是比其他 ИИ强,但离解决问题还差得远. Тогда руководитель команды Эндрю Сеньор (Andrew Senior)甚至有些灰心地 сказал Демису: «这题我们解不出来,实在太难了.我们已经尽力了, 2018版系统表现不错,已经领先全人类了,但求你别逼我们去预测自然界所有的蛋白质,那根本不可能.»
Но у Демиса была直觉ция, что预测所有蛋白质是有可能的. Чтобы проверить свое判断,他亲自参加了 AlphaFold 团队的每一次技术研讨会.
На собраниях он мало говорил, а冷静地观察ал,是否 обсуждение команды «гладкое» (fluent).
Под «гладкостью» подразумевается, генерируют ли участники源源不断、快速地 новые исследовательские идеи. Демис считал, что пока идеи still flow — даже если некоторые мысли сейчас кажутся неверными — пока у людей есть «способность генерировать новые идеи», значит пространство для научного прогресса еще далеко не исчерпано.
Основываясь на этом наблюдении, Демис решил выдержать давление и отказался закрывать проект. Он не только не послушал建议撤退 старого руководителя, но и сменил главнокомандующего, повысив молодогоДжона Джампера (John Jumper).
Джампер坚信成功就在前方, а Демис оказал ему毫无保留的支持. Два года спустя они представили科研成果, достойные Нобелевской премии.
Эта история говорит:作为领导者, вам нужно не только那个判断「什么能成」的科学品味,更要学会坐在会议室里,去捕捉那些思维碰撞的火花,去倾听灵感流动的声音.
InfoQ: AlphaGo и AlphaFold — это лишь阶段实验 на пути к AGI. Вы согласны с этим утверждением?
Маллаби: Ну, можно и так сказать. Я считаю, что они действительно推动ли развитие науки об искусственном интеллекте. А в конце этого漫长ого пути будет искусственный общий интеллект (AGI).
Однако с другой точки зрения,你也可以认为, успех больших языковых моделей произошел из другого технического пути в исследованиях ИИ, этот путь не включает обучение с подкреплением, поэтому он отличается от пути AlphaGo.
И он также в определенной степени отделен от AlphaFold. AlphaFold действительно использовала модель Transformer, но это была специальная форма Transformer. Исследования, связанные с AlphaFold и Transformer,大致集中在 2018-2020 годах, более точно в 2019-2020 годах.
В то же время OpenAI уже строила большие языковые модели на архитектуре Transformer. Поэтому я склонен рассматривать это как独立技术路线 прогресса в ИИ.
所以, с макроскопической точки зрения, любой важный прорыв в области ИИ будет推动未来的发展; но с более конкретной точки зрения технического происхождения, путь诞生 больших языковых моделей其实是相对独立的.
Реальная картина конкуренции в AGI
InfoQ: Based on вашего понимания AI-индустрии, каковы, по вашему мнению,核心差异 между DeepMind, OpenAI и Anthropic?
Маллаби: Во-первых, большая разница в ее отношениях с Google. Как я уже говорил, DeepMind имеет大量资金支持 от Google, и это очень большое преимущество. Потому что даже сегодня стоимость обучения этих моделей依然极其高昂, а приносимый ими доход其实并不多.
所以 на现阶段, вам必须有充足的资金支撑, а Демису повезло, что за ним стоит Google. В对比, Anthropic и OpenAI需要不断去找投资人融资, это本身就很困难 — это很关键的差别.
Однако в других аспектах они其实很相似. Например, у всех есть свои большие языковые модели, и эти модели整体水平都很高. В разные моменты времени可能 одна опережает двух других, но这种领先是动态变化的.
Если взглянуть на их различия под другим углом, можно начать с «безопасности». Anthropic非常重视安全问题, даже недавно还 из-за проблемы применения ИИ в военных системах与五角大楼发生过争议.
А DeepMind在这方面表现则不太一样. Я считаю, что Демис本人 также重视安全的,包括在军事应用方面,但他并没有和政府发生正面冲突.所以你可以说, Anthropic是最愿意为推动安全议题而承担风险的公司; DeepMind (以及谷歌)排在中间.
Что касается OpenAI, то很有意思. С внешней стороны, она, кажется, не так强调安全 — например, когда у Anthropic возникли разногласия с Пентагоном, отношение OpenAI было更像: «没问题,我们可以提供 AI.»
这在某种程度上也类似他们的策略 выпуска ChatGPT: они并不介意推出一个可能存在风险的产品,而是选择先发布再迭代. В对比, Anthropic и DeepMind都曾因为更谨慎,而没有发布一些模型.
所以如果做一个粗略排序:
- 最激进(最不保守): OpenAI
- 中间: Google DeepMind
- 最强调安全: Anthropic
Вы提到 OpenAI最近招募了 основателя открытого проекта OpenClaw Петера Штайнбергера (Peter Steinberger), и спрашиваете, не будет ли это угрозой для Google или DeepMind, особенно учитывая, что OpenClaw сейчас很火.
Я считаю, что внутри Google DeepMind本身就有大量在做智能体的优秀研究人员.即使招募了一个做出 OpenClaw 的人,也不太可能从根本上改变整个竞争格局.
另外一点很关键: OpenClaw确实令人印象深刻,但它同样也具有一定的风险性.真正的挑战在于,如何做出既强大又安全的系统 —只有这样,它才真正具备大规模应用价值.而至于彼得是否能够做到这一点,目前其实还无法确定.
InfoQ: Google, OpenAI, xAI, Anthropic, а также китайские компании DeepSeek, Alibaba, Tencent и другие, кто, по вашему мнению,最接近 AGI?
Маллаби: Определение AGI (искусственного общего интеллекта) всегда было неточным, у людей其实 нет единого, четкого стандарта.
С某种角度来说, вы完全可以这样理解: нынешние优秀的 большие языковые модели本身 обладают «универсальностью» (general), «искусственностью» (artificial) и в определенной степени «интеллектом» (intelligent).因此,也有人会认为 —某种意义上的 AGI其实已经出现了.
Но это по сути зависит от того, как вы определяете AGI.
Более практичное понимание: AGI должна быть машиной,极其有用的 в реальном мире, особенно в бизнес-среде, способной выполнять работу, которую раньше делали люди. Другими словами, она не просто «умная», а «能干活».
В этом измерении можно увидеть一些非常具体的进展. Например, такие системы, как Claude Code, уже能够非常高效地编写代码,以至于企业对程序员的需求结构发生变化 —过去可能需要 20个工程师,未来也许只需要 10个, потому что有一半的代码是由模型完成的.
Конечно, это не эксклюзивная способность одной компании. Другие компании также делают类似的事情: например, OpenAI Codex, а также собственная кодогенерирующая модель Google DeepMind, некоторые китайские модели在代码生成方面也表现不俗.
所以问题就变成了: кто сейчас最好? Может, на данный момент можно сказать Claude, но через шесть месяцев,很可能格局就会变化.
Другими словами,在「是否接近 AGI」这个问题上, мы进入了一个新的阶段:关键不再只是「有没有»,而是「谁在什么任务上更实用、替代性更强»,以及这种能力能否持续、稳定地提升.
InfoQ: Как вы считаете, прорыв в AGI更可能来自 масштаб модели还是 новых алгоритмов?
Маллаби: До сих пор наш прогресс является результатом совместного действия多方面.
Важно понять: прогресс, будь то от Google, OpenAI или Anthropic, хотя и确实 involves不断扩大算力规模 (scaling compute), но это не все. В то же время они持续改进算法、优化工程实现,并进行各种技术创新,这些共同推动了整个 AI 科学的发展.
所以, по сути, это комбинированный процесс驱动 «规模 + 技术». И я также считаю, что未来大概率仍然会延续这种组合路径.
Конечно, сейчас многие обсуждают вопрос: достигнет ли масштабирование вычислительных мощностей предела? Мое мнение:每当人们认为「扩展快到极限了」的时候,总会出现新的扩展方式.
Например, ранние базовые модели获得ли巨大提升 через扩大训练规模, но后来这种边际收益可能开始下降.于是, появились新的扩展路径 — например, масштабирование «моделей логического вывода» (inference models) на этапе推理,这又带来了新的性能提升空间.
Если смотреть в будущее,也许还会出现新的 измерения масштабирования, например, масштабирование агентов или воплощенного интеллекта (embodied AI).
因此,我的判断是: 规模化本身不会消失,它只是在不断换一种形式出现,并且仍然会是一个长期存在的核心竞争优势.
本文来自微信公众号“AI前线”(ID:ai-front),作者:冬梅,编辑:蔡芳芳
