Разборы · Статья: · Видео: · 1:06:27
Сергей Марков про AGI: важен не один умный чат, а конвейер моделей
Разбор интервью Егора Бугаенко с Сергеем Марковым: почему собственное обучение моделей, инфраструктура, физические лимиты вычислений и прикладная регуляция важнее гадания о дате AGI.
Смотреть на YouTube И40: С.С. Марков | Как скоро нас ждет AGI и возможен ли он вообще?
Yegor Bugayenko · 1:06:27
Главы видео — нажми, чтобы перейти к моменту 8
- 0:00 Кто такой Сергей Марков в Сбере Гость уточняет роль своей команды в GigaChat, Kandinsky, GigaCode и фронтирных исследованиях.
- 1:50 Импортозамещение ИИ и риск отключений Разговор быстро переходит к Anthropic, OpenAI, Fable/Mythos и необходимости собственных моделей.
- 8:51 Почему ИИ-конвейер не бывает просто open-source Код можно переиспользовать, но веса, данные, суперкомпьютерная обвязка и специалисты не заменяются скачанным репозиторием.
- 11:53 Лидерство моделей нельзя мерить одной линейкой Марков спорит с идеей абсолютного интеллекта и объясняет, почему разные бенчмарки дают разные победы.
- 22:30 Потолки прогресса: энергия, физика и параллелизм Разбор упирается в тепло, фотолитографию, энергетику, закон Густафсона и альтернативные вычислительные субстраты.
- 31:24 Как ИИ изменит развитие человека Собеседники обсуждают образование, устаревание знаний, адаптивность поколений и новые формы работы.
- 39:24 AGI как способность к самостоятельному мышлению Марков отделяет нынешние трансформеры от человеческого рассуждения и биологической архитектуры мозга.
- 55:40 Регулировать нужно применения, а не “ИИ вообще” Финал про Fable/Mythos переводит разговор от страха к конкретным классам риска и стандартам безопасности.
Коротко
AGI в разговоре оказывается не датой в календаре, а длинной инженерной гонкой конвейеров, данных, вычислений и людей. Главный вывод: устойчивость даёт не доступ к чужой модели, а способность постоянно воспроизводить следующий технологический скачок.
Выжимка голосом
Самое ценное из разбора — за пару минут
Показать текст выжимки Скрыть текст выжимки
Озвучено синтезом речи · голос alena
Объясни проще
Суть без жаргона
Простыми словами
Сергей Марков объясняет, что сильная ИИ-лаборатория производит не только одну модель, а всю машину производства моделей: данные, код, инфраструктуру, инженеров, распределённое обучение и привычку быстро повторять новые исследования. Поэтому вопрос “когда AGI?” в интервью постоянно возвращается к более земному вопросу: кто умеет самостоятельно строить и обновлять такие системы.
Как ребёнку
Представь, что у одних ребят есть готовый робот, а у других есть мастерская, где они могут делать новых роботов каждый месяц. Если первый робот сломается или его заберут, первые останутся ни с чем, а вторые сделают следующего.
Аналогия — «это как…»
Это как автозавод против одной купленной машины. Машина может быть быстрой сегодня, но настоящий актив — завод, инженеры, поставщики и процесс, который позволяет выпускать новую модель, когда старая устареет.
Зачем это мне
Для разработчиков, бизнеса и государства это антидот к зависимости от API и хайпа вокруг “самой умной модели недели”. Если компетенция обучения, оценки и безопасного применения уходит наружу, вместе с ней уходит стратегическая свобода.
Для тех, кто в теме
Ключевая мысль интервью — frontier AI следует оценивать как production system: pretraining pipeline, data curation, distributed training на крупных кластерах, harness/agentic layer, evaluation и risk governance. Марков скептичен к стратегии “дообучим чужие веса” как к долгосрочной замене собственного pretrain-конвейера, но признаёт, что краткосрочно это коммерчески рационально.
Оценка видео
Чем выше — тем больше пользы на минуту
средняя из 5
Интервью вышло на фоне свежих блокировок и возвращений Fable/Mythos, а тема суверенного AI-конвейера прямо касается 2026 года.
Много плотной инженерной рамки: веса, pretrain, кластеры, данные, физические лимиты, harness и регуляция.
Не всё новое для специалистов, но связка “модель устаревает, конвейер остаётся” сформулирована очень полезно.
Это не туториал, но хороший стратегический чек-лист для CTO, AI-команд и тех, кто строит зависимость от внешних API.
Сильная экспертная позиция, но часть тезисов о России, Китае и сроках прогресса требует отдельной внешней проверки.
Кому будет полезно
Чем выше оценка — тем больше пользы для профессии. Разверни — почему.
Для AI-инженеров и исследователей 4.8 /5
Разговор хорошо показывает, почему frontier-компетенция — это не только архитектура модели, но и инфраструктура обучения, данные, evaluation и люди.
Для CTO и технических директоров 4.6 /5
Материал помогает отличать тактическую экономию на чужих весах от стратегической зависимости от чужого конвейера.
Для продуктовых менеджеров AI-сервисов 4.1 /5
Полезно для выбора между API, open-source, fine-tuning и собственными моделями: риски находятся не только в цене токена.
Для преподавателей и методистов 3.8 /5
Блок про знания, адаптацию и устаревание фактов даёт хорошую рамку для обновления образовательных программ.
Для регуляторов и специалистов по рискам 3.7 /5
Финальная часть про Fable/Mythos полезна как аргумент за регулирование конкретных применений, а не абстрактного “умножения матриц”.
Инсайты
Нажми, чтобы раскрыть — то, что меняет взгляд на тему
01 Модель устаревает, конвейер остаётся 6:50
Марков прямо смещает фокус: ценность лаборатории не в одной версии модели, а в способности снова и снова обучать следующую. В мире, где модель через месяцы становится середняком, это и есть долгосрочный актив.
02 Open-source веса не заменяют pretrain-компетенцию 4:48
Можно взять код, фреймворк и идеи, но нельзя из старых чужих весов простыми итерациями получить следующий frontier-уровень. Если команда перестаёт учить с нуля, она теряет мышцы, которые потом сложно вернуть.
03 Следующий скачок может быть не в модели, а в harness 19:47
Интервью несколько раз возвращается к тому, что прогресс будет идти через агентные оболочки, коллективный машинный интеллект, обмен результатами и более быстрый цикл обновления знаний.
04 Физика тоже участвует в AI-roadmap 22:30
Когда разговор доходит до тепла, фотолитографии, питания и параллелизма, становится видно: “ещё больше GPU” не является бесконечной стратегией.
05 Риск ИИ надо привязывать к применению 57:12
Система для NPC в игре и система, влияющая на здоровье или безопасность людей, требуют разных стандартов. Регулировать “ИИ вообще” так же странно, как регулировать умножение матриц.
Ключевые цитаты
Сильные фразы из видео — нажми тайм-код, чтобы услышать в оригинале
Полезные советы
Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать
1 Раздели модель, веса и конвейер
30 минут увидишь, где у тебя настоящая компетенция, а где просто доступ к чужой системе
Раздели модель, веса и конвейер
Перед AI-стратегией выпиши, что именно контролирует команда: данные, evaluation, fine-tuning, orchestration, pretrain, инфраструктуру или только API-ключ.
Что делать
- 1 Составь список всех AI-зависимостей продукта.
- 2 Отметь, какие из них можно заменить за неделю, а какие нельзя.
- 3 Для незаменимых зависимостей опиши fallback: другая модель, локальная модель, контракт, собственный pipeline.
2 Не путай экономию сегодня с устойчивостью завтра
20 минут сможешь честнее объяснить, почему fine-tuning чужой модели не закрывает стратегический риск
Не путай экономию сегодня с устойчивостью завтра
Дообучение готовых open-source весов может быть правильным коммерческим решением, но оно не тренирует команду в полном цикле frontier-разработки.
3 Проверяй AI-риск по сценарию применения
40 минут не будешь одинаково регулировать чат для игры и систему, влияющую на жизнь людей
Проверяй AI-риск по сценарию применения
Сделай матрицу: кто пострадает, если модель ошибётся; может ли она действовать сама; есть ли человек в контуре; можно ли откатить результат.
4 Инвестируй в актуализацию знаний, а не в запоминание
один вечер перестанешь спорить с прошлогодней картиной мира
Инвестируй в актуализацию знаний, а не в запоминание
Марков хорошо формулирует сдвиг: факты быстро стареют, но умение сомневаться, искать и проверять становится базовым профессиональным навыком.
5 Оценивай модель на своих задачах
полдня не попадёшь в ловушку единого “IQ для моделей”
Оценивай модель на своих задачах
Собери 20-50 задач из реального процесса и сравни модели по качеству, стоимости, времени, отказам и проверяемости результата.
Сценарии применения
Как разные люди применяют это на практике
Я как CTO AI-стартапа
Проблема: продукт полностью зависит от одного внешнего API
Хочу: понять, где стратегический риск, а где нормальная покупка инфраструктуры
Поможет: рамка “модель против конвейера” помогает решить, какие компетенции строить внутри
Я как ML-инженер
Проблема: кажется, что достаточно взять open-source модель и дообучить
Хочу: объяснить команде, почему pretrain и distributed training — отдельная компетенция
Поможет: разбор даёт язык для разговора о данных, весах, кластерах и людях
Я как Основатель B2B-сервиса
Проблема: клиенты спрашивают, что будет при блокировке западных моделей
Хочу: подготовить честный план устойчивости
Поможет: советы помогают описать fallback и не продавать “суверенность” как магическое слово
Я как Преподаватель
Проблема: учебные программы быстро устаревают
Хочу: научить студентов не только фактам, но и обновлению картины мира
Поможет: блок про знания и проверку фактуры переводит разговор из “меньше учить” в “иначе учиться”
Я как Специалист по рискам
Проблема: руководство требует “политику по ИИ” без различия сценариев
Хочу: привязать требования к реальному ущербу
Поможет: финальная часть даёт понятную аргументацию за риск-классы применений
Логика повествования
Как устроена аргументация видео — пройди по шагам
-
Предпосылка Сначала появляется риск зависимости 1:50
Отключения и экспортные ограничения показывают, что доступ к сильной модели не является гарантированным ресурсом.
-
Аргумент Затем различаются код, веса и компетенция 4:48
Код можно форкнуть, веса можно потерять, а конвейер обучения требует людей, данных и кластера.
-
Аргумент Модель сравнивается не как IQ, а как набор задач 11:53
Разные тесты подсвечивают разные способности, поэтому “лучшая модель” зависит от задач и harness.
-
Аргумент Прогресс упирается в физику и экономику 22:30
Энергия, тепло, фотолитография и параллелизм делают следующий шаг всё дороже.
-
Аргумент AGI остаётся открытым вопросом 39:24
Человеческое мышление устроено не как один feed-forward проход трансформера, поэтому путь к общему интеллекту не сводится к масштабированию.
-
Вывод Практический вывод: строить устойчивость 57:12
Нужно развивать собственные компетенции и регулировать конкретные опасные применения, а не абстрактный “ИИ”.
Подробный разбор
Полный разбор — разверни, если нужно глубже
Развернуть подробный разбор Свернуть подробный разбор
Подробный разбор
Интервью начинается как разговор о GigaChat, Kandinsky и любимых моделях, но быстро становится разговором о зависимости. Марков проводит важное различие: можно использовать чужие модели, можно дообучать open-source веса, можно строить продукты поверх API, но всё это не равно способности сделать следующий frontier-шаг самостоятельно. В его картине модель — расходный результат, а конвейер обучения — настоящая производственная система.
Самая полезная часть выпуска — инженерное приземление AGI. Вместо магического “вот-вот всё станет разумным” появляется набор ограничений: данные, специалисты, суперкомпьютеры, сетевые задержки, тепло, энергия, фотолитография, параллельные вычисления и архитектурные отличия мозга от трансформера. Это не отменяет прогресс, но делает его похожим на долгую промышленную гонку, где каждый следующий процент улучшения становится дороже.
Финал важен практично: риск ИИ нельзя обсуждать одинаково для всех сценариев. Модель, которая управляет NPC, и модель, встроенная в медицину, кибербезопасность или инфраструктуру, требуют разных рамок. Хорошая AI-стратегия в 2026 году начинается не с вопроса “какая модель самая умная?”, а с вопроса “какую систему мы строим, что в ней контролируем и где ошибка станет реальным вредом?”.
План внедрения
С чего начать — отмечай шаги, прогресс сохранится
Выполнено 0 из 5
Проверь себя
Ответь на вопросы, чтобы материал закрепился
-
1. Что Марков называет главным продуктом frontier AI-лаборатории?
-
2. Почему чужие open-source веса не закрывают долгосрочный риск?
-
3. Какой подход к регулированию ИИ звучит в финале?
-
4. Почему “меньше знать фактов” не означает “меньше уметь”?
-
5. Что ограничивает бесконечное масштабирование вычислений?
Словарь терминов
Понять незнакомое простым языком
Показать 5 терминов Свернуть словарь
- AGI
- Гипотетический искусственный интеллект общего назначения, который способен решать широкий спектр задач на уровне человека или выше, а не только выполнять узкие функции.
- Pretrain
- Большой этап первичного обучения модели на массиве данных до последующей настройки под конкретные задачи.
- Веса модели
- Числовые параметры нейросети. В них закодировано то, чему модель научилась в процессе обучения.
- Harness
- Обвязка вокруг модели: инструменты, агенты, память, поиск, правила вызова функций и всё, что превращает “мозг” модели в рабочую систему.
- RAG
- Подход, где модель перед ответом подтягивает внешние документы или результаты поиска, чтобы отвечать на более актуальных данных.
Критический взгляд
Объективно: с какими тезисами можно поспорить и что преувеличено
Стратегия обучения с нуля подаётся как почти обязательная для долгосрочной суверенности.
Это сильный аргумент для крупных игроков, но для большинства компаний полный pretrain экономически бессмысленен. Их рациональная стратегия может быть в evaluation, данных, orchestration и multi-provider fallback, а не в собственном frontier-кластере.
Оптимизм насчёт “людей можно заапгрейдить” звучит убедительно, но не закрывает переходные издержки.
Исторически технологии создавали новые рабочие места, но конкретные группы людей могут проигрывать быстрее, чем успевают переучиться. Для бизнеса и государства это не абстрактный долгосрок, а социальная задача ближайших лет.
Часть сравнений России и Китая зависит от масштаба, но не только от него.
Количество собственных AI-конвейеров определяется не одной численностью населения, а капиталом, рынком, доступом к чипам, международными связями, менеджментом и научной культурой.
Взгляни иначе
Новый угол, смежные области и потенциал на стыке — пища для размышлений
Суверенность может быть не бинарной
Не обязательно выбирать между “всё своё” и “всё чужое”. Более реалистична лестница зрелости: свои оценки, свои данные, свои агенты, свои fallback-модели, а полный pretrain — только там, где масштаб оправдывает цену.
Главный навык эпохи ИИ — эпистемическая гигиена
Если факты устаревают быстрее, выигрывает не тот, кто больше помнит, а тот, кто лучше проверяет, обновляет и связывает знания в рабочие решения.
AI-регуляция похожа на инженерную безопасность
Полезнее думать не о “запрете молотка”, а о стандартах для мостов, автомобилей и медицинских приборов. ИИ станет зрелой инфраструктурой, когда у разных применений появятся разные нормы допуска.
Похожие разборы
Sonnet 5 и новый токенайзер: почему «дешёвая» модель перестала экономить — и что значит временный возврат Fable 5
Автор BridgeMind считает Sonnet 5 провалом: новый токенайзер тратит на треть больше токенов, и «дешёвая» модель линейки местами обходится дороже старшей Opus 4.8, теряя весь смысл. Параллельно Anthropic вернула топовую Fable 5 в подписку — но лишь до 7 июля, в пределах 50% недельного лимита и с усиленными предохранителями.
Читать → РазборСтоит ли доверять AI-провайдерам: «токен-максинг», ваши данные и кейсы Cursor и Figma
Главный риск работы с чужими AI-моделями — не счёт за токены, а то, что вы отдаёте провайдеру свои данные, стратегию и «альфу», а он может зайти на ваш рынок. Звучит как теория заговора, но кейсы Cursor и Figma заставляют задуматься — при этом сам автор честно признаёт, что прямых доказательств нет.
Читать → РазборПочему GPT-5.5 тратит в разы меньше токенов: рассуждения, кэш и «язык грога»
GPT-5.5 решает те же задачи в разы меньшим числом токенов, чем Gemini, Claude или GLM, и главный рычаг тут не цена за токен, а объём «рассуждений» модели. Секрет OpenAI — заставить модель думать телеграфным «языком грога», который никто не видит, но который экспоненциально сокращает общий расход токенов.
Читать → РазборSonnet 5 не замена Opus: это агентный подмастерье для чужих workflow
Sonnet 5 интересна не тем, что “побила Opus”, а тем, что получила поведение моделей пятого поколения: планирование, субагентов и автономную работу. Но если задача требует настоящей глубины, дешёвый по токену junior может оказаться дороже senior-модели.
Читать →