Век за десятилетие: как ИИ сжимает столетие прогресса — и почему закон Амдала ставит границы

Дирио Амодеи, CEO Anthropic, смотрит на дата-центр и видит страну. Страну гениев — пятьдесят миллионов сверхспособных умов, каждый из которых умнее любого живущего сегодня человека. Они не едят, не спят, не тратят время на совещания. Они просто работают — над биологией, медициной, энергетикой, материалами. И работают они для нас.

Это не научная фантастика. Это описание мира, который, по убеждению Амодеи, может возникнуть через год-два после появления достаточно мощного ИИ. Мира, где столетие научного прогресса сжимается в пять-десять лет.

Вопрос не в том, возможно ли это технически. Вопрос в том, почему этот прогноз одновременно и воодушевляет, и пугает — и где проходит граница, которую не обойти никаким количеством дата-центров.

Речь не о далёком будущем. Первый closed-loop AI-исследователь уже работает.

Страна гениев: что на самом деле обещает Амодеи

В октябре 2024 года Амодеи опубликовал эссе «Machines of Loving Grace» — 14 тысяч слов о том, как будет выглядеть мир после появления мощного ИИ. Главный тезис: через 5–10 лет после создания системы уровня «country of geniuses» человечество получит прогресс, на который в обычных условиях ушли бы десятилетия. Конкретно:

В биологии и медицине — сжатие целого XXI века в 5–10 лет. Десятки новых CRISPR-подобных инструментов. Сотни CAR-T-терапий. Практически полное исцеление большинства инфекционных и наследственных заболеваний. В неврологии — предотвращение большинства психических расстройств. В экономике развития — ускорение роста для беднейших стран на порядок.

В мае 2026 года Амодеи выпустил продолжение — «Adolescence of Technology». Тон сменился: меньше восторга, больше конкретики по рискам. Но центральная посылка осталась: «country of geniuses» может появиться в ближайшие 1–2 года. «Искусственный интеллект уже пишет значительную часть кода в Anthropic, — пишет он. — Мы наблюдаем, как этот цикл ускоряется месяц за месяцем. До момента, когда текущее поколение ИИ автономно создаст следующее, остался, возможно, год».

Закон Амдала для AI-прогресса: почему не завтра

В марте 2026 года на arXiv вышла работа, которая формализует интуицию, знакомую каждому программисту. Закон Амдала гласит: ускорение параллельной системы ограничено её последовательной частью. Если 10% задачи нельзя распараллелить — никакое количество процессоров не даст ускорения больше чем в 10 раз.

Авторы работы 2603.27438 — условно назовём её «Novelty Bottleneck» — применили ту же логику к ИИ-исследованиям. Они ввели параметр ν (novelty fraction): доля задачи, требующая человеческого суждения, не covered AI-агентом. И вывели несколько неочевидных следствий:

Ключевой вывод работы — не опровержение прогноза Амодеи, а объяснение его структуры. «Сжатие 100 лет в 5–10 лет консистентно с нашей моделью, — пишут авторы. — Если 90% научной работы — рутинное выполнение (протоны, скрининг, анализ данных) и 10% — последовательная генерация инсайтов, Amdahl's Law даёт максимум ∼10× ускорения. Именно это и прогнозирует Амодеи».

Вопрос не в том, может ли ИИ ускорить науку. Может. Вопрос в том, насколько. 10× — это не 1000×. И эта разница определяет, столкнёмся ли мы с «intelligence explosion» или с очень быстрой, но всё же управляемой эволюцией.

Первое подтверждение: ASI-Evolve

В марте 2026 года лаборатория SII-GAIR (Шанхайский университет Цзяо Тун) опубликовала фреймворк ASI-Evolve — первый в своём роде closed-loop AI-исследователь, автономно проходящий полный цикл: изучить литературу → спроектировать эксперимент → запустить → проанализировать → запомнить → повторить.

Результаты впечатляют. За 1 773 раунда эволюции система сгенерировала 1 350 архитектур нейросетей. Из них 105 превзошли человеческий baseline DeltaNet. Лучшая архитектура показала +0.97 балла — почти втрое больше, чем недавнее человеческое улучшение (+0.34). В оптимизации тренировочных данных система повысила средний benchmark на +3.96 балла, а на MMLU — более чем на 18 пунктов. В дизайне RL-алгоритмов — результаты на 12.5 балла выше GRPO.

Это первое практическое подтверждение того, что closed-loop AI-исследования работают не в теории, а на практике. Сами авторы подчёркивают: «Мы не стремимся к «слепой эволюции» без человеческого контроля. Начальная экспериментальная цель и ключевые идеи всегда предлагаются человеком». Но даже с этим ограничением фреймворк демонстрирует: цикл AI → AI Research начал замыкаться.

Два мира: exploitation vs exploration scaling

Здесь возникает ключевое различие, которое формализует работа 2603.28507 «The Unreasonable Effectiveness of Scaling Laws in AI». Авторы вводят различие между logical compute — абстрактной мерой «полезной работы» модели — и physical burden — реальными ресурсами, которые нужно потратить для достижения этого compute.

Пока scaling laws работают (loss предсказуемо падает с compute), прогресс выглядит как плавная кривая. Но diminishing returns означают rising operational burden: каждое следующее улучшение требует всё больше реальных ресурсов. Единственный способ поддерживать прогресс — efficiency doublings в железе, алгоритмах и системах.

Именно здесь модель novelty bottleneck даёт важное разграничение. AI excels at exploitation scaling — он может параллельно решать миллион рутинных задач, ускоряя известное. Но exploration scaling — генерация принципиально нового знания — упирается в serial insight chain. Каждый следующий инсайт зависит от понимания предыдущего. Это не ограничение AI-капabilities — это логическая структура кумулятивного открытия.

Как мы писали в мае, конвергенция AI-агентов, квантовых вычислений и синтетической биологии создаёт мир, где скорость изменений определяется не объёмом вычислительных мощностей, а способностью выстраивать последовательные цепочки понимания. Closed-loop AI — первый инструмент, который эту цепочку начал автоматизировать. Но до полного цикла «AI сам ставит вопросы, а не только отвечает на них» — дистанция принципиально иного масштаба.

Эффективность как скрытый двигатель

Работа 2603.28507 «The Unreasonable Effectiveness of Scaling Laws in AI» предлагает ключевое уточнение к дискуссии. Diminishing returns scaling laws — не приговор, а приглашение к efficiency game. Если loss падает медленнее, чем растёт compute — значит, нужно удваивать эффективность, а не сырые флопсы.

Авторы вводят понятие logical compute: абстрактной «полезной работы», которую совершает модель, в отличие от physical burden — реальных ресурсов (чипов, энергии, воды на охлаждение). Scaling laws путешествуют между архитектурами именно потому, что они абстрагируются от реализации. А прогресс продолжается, потому что efficiency stack — hardware, algorithms, systems — непрерывно переопределяет, сколько logical compute можно получить при данном уровне затрат.

Эмпирический вопрос всего 2026 года: сколько efficiency doublings нужно, чтобы scaling оставался продуктивным, несмотря на diminishing returns? Если ответ — одно удвоение в год — индустрия справится. Если три — начнётся архитектурный кризис, и «стена» станет реальностью, а не медийным нарративом.

Именно поэтому closed-loop AI так важен. Он не просто находит лучшие архитектуры — он автоматизирует поиск efficiency doublings. 105 SOTA-архитектур за 1 773 раунда — это масштаб перебора, недоступный человеку. Если такие фреймворки станут стандартом, эффективность будет расти не линейно, а вслед за AI-открытыми архитектурами. Что, в свою очередь, отодвинет «стену» дальше, чем прогнозируют сегодняшние модели.

Экономика ускорения: кто выигрывает

Различие между exploitation и exploration scaling имеет прямые экономические последствия. Если AI даёт 10× ускорение рутинной научной работы — это означает, что стоимость разработки известных классов решений падает на порядок. Лекарства, материалы, алгоритмы — всё, что можно получить через комбинацию известных подходов и параллельного перебора — становится радикально дешевле.

Первыми выигрывают секторы, где R&D уже сегодня состоит из дорогого перебора вариантов: фармацевтика (скрининг соединений), материаловедение (поиск новых составов), агротех (оптимизация культур). Closed-loop AI — прямое доказательство: системы, автономно перебирающие архитектуры, быстрее и дешевле находят рабочие решения. Для инвестора это сигнал присматриваться к компаниям, которые автоматизировали research loop, а не просто используют AI как ассистента.

Проигрывают — секторы, где ценность создавалась за счёт медленного, дорогого, последовательного R&D как барьера входа. Если AI снимает этот барьер, «защищённые» патенты и 10-летние циклы разработки теряют смысл. M&A-логика меняется: покупать не портфель интеллектуальной собственности, а исследовательскую pipeline, способную ставить и проверять гипотезы быстрее конкурентов.

Но есть и обратная сторона. Novelty bottleneck означает, что фундаментальные инсайты — новые парадигмы, неожиданные связи между дисциплинами, постановка принципиально новых вопросов — остаются за человеком. Это создаёт новый тип дефицита: не «кто умеет делать research», а «кто умеет задавать правильные вопросы». И этот дефицит не закрывается добавлением compute.

Три сценария для науки 2030

Первый сценарий — «инструментальная наука». AI-агенты выполняют 80% исследовательской работы: читают литературу, ставят эксперименты, анализируют данные. Человек формулирует гипотезы и интерпретирует результаты. Closed-loop AI-системы становятся стандартным инструментом. Этот сценарий уже реализуется.

Второй — «автономная наука». AI формулирует собственные гипотезы и вопросы. Serial insight bottleneck преодолён через архитектурный прорыв — например, через модели, способные к meta-cognition. В этом мире скорость прогресса ограничена только физическими экспериментами. Амодеи считает этот сценарий возможным, но не в ближайшие годы.

Третий — «разделение дисциплин». В одних областях (биология, химия, материаловедение) AI полностью автоматизирует открытие. В других (фундаментальная физика, математика, философия науки) serial insight bottleneck остаётся жёстким ограничением, и прогресс идёт человеческими темпами. Мир, где от ответа на вопрос «к какому классу относится твоя задача» зависит, сколько времени займёт её решение — от недель до десятилетий.

Какой из сценариев реализуется — зависит от того, удастся ли преодолеть novelty bottleneck. Пока что closed-loop AI показывает: bottleneck можно сдвинуть, структурируя prior-знания, но не обнулить. 105 SOTA-архитектур — это exploitation scaling. Сформулировать «какую архитектуру искать следующей» всё ещё решает человек.

Что это значит для цивилизации

Если модель novelty bottleneck верна, мы стоим перед парадоксом. AI-прогресс будет одновременно и быстрее, и медленнее, чем ожидают как оптимисты, так и пессимисты.

Быстрее — потому что эксплуатационное ускорение уже происходит. Closed-loop AI открыл 105 архитектур за то время, за которое человек открыл бы одну. AI пишет код, дизайнит чипы, оптимизирует цепочки поставок. Всё, что можно распараллелить — будет ускорено на порядки.

Медленнее — потому что фундаментальные инсайты остаются последовательными. Закон Амдала — не баг, а фича кумулятивного познания. Нельзя «распараллелить» вопрос «какую проблему решать следующей» — на него нужно ответить, осмыслив результаты предыдущей.

Dario Amodei в своём майском эссе признаёт этот паттерн: AI-прогресс колеблется между периодами, когда «кажется, что стена» и когда «кажется, что прорыв». Оба впечатления обманчивы — реальность в том, что эффективность растёт непрерывно, но каждый следующий шаг требует качественно новых архитектур, а не просто больше GPU.

Novelty bottleneck в действии

Модель novelty bottleneck объясняет паттерн, который уже наблюдается в индустрии. AI-агенты блестяще справляются с задачами, где цель ясна, — написать код по спецификации, проанализировать данные по шаблону, оптимизировать известный протокол. Но чем менее определена задача — «сформулируй новую гипотезу», «выбери, какой эксперимент поставить следующим», — тем быстрее упираются в предел.

Амодеи описывает этот паттерн через ощущение «стены»: регулярные фазы, когда кажется, что прогресс остановился. Эти фазы — не сбой, а норма. Serial insight chain требует времени не потому, что compute не хватает, а потому что инсайт по определению нельзя получить параллельно. Каждый следующий шаг в цепочке зависит от осмысления предыдущего — и этот процесс не ускоряется добавлением GPU.

Именно поэтому closed-loop AI так важен как эксперимент. Он показывает, где проходит граница между автоматизируемым и неавтоматизируемым в AI-исследованиях. Cognition base — библиотека накопленных человеческих prior-знаний — оказалась критическим компонентом. Без неё эволюционный поиск слеп. С ней — догоняет и превосходит человеческие результаты. Это буквальная иллюстрация модели: ν (novelty fraction) снижается за счёт структурированных prior-знаний, но не обнуляется.

Вопрос на будущее: сможет ли следующий closed-loop AI автономно сформулировать исследовательский вопрос, а не только оптимизировать ответ на уже поставленный? Если да — serial insight chain начнёт замыкаться. Если нет — и, судя по фундаментальным ограничениям, именно так — роль человека в науке сместится с «делателя» на «вопрошателя». Что, возможно, даже более ценно.

Выбор за человеком

Главный вывод всех трёх работ — Amodei, Novelty Bottleneck, ASI-Evolve — не технический, а стратегический. Скорость AI-прогресса определяется не только мощностью GPU, но и структурой научного процесса. Закон Амдала для AI-исследований означает, что «intelligence explosion» в голливудском смысле маловероятен — но устойчивое 10× ускорение научного прогресса уже начинается.

Это ставит перед обществом вопрос, который не решается добавлением compute. Если рутинная научная работа автоматизируется на порядок — как изменится структура занятости в R&D? Если инсайты остаются за человеком — как подготовить следующее поколение исследователей к работе, где 90% того, что раньше было «работой учёного», делают агенты?

Ответы на эти вопросы определят не только будущее AI — они определят, какой станет сама наука в эпоху, когда машины научились учиться.