Андрей Карпатый, бывший директор по ИИ в Tesla и одна из ключевых фигур в мире искусственного интеллекта, дал развёрнутое интервью подкасту Дваркеша 17 октября 2025 года, где раскрыл реалистичные сроки достижения искусственного общего интеллекта и технические барьеры на этом пути. Для российских специалистов по ИИ, разработчиков ML-систем и исследователей это редкая возможность заглянуть в мышление человека, который стоял у истоков революции в автономных системах. Карпатый не обещает быстрых прорывов — он предлагает трезвый взгляд на ближайшее десятилетие.
Реалистичные сроки достижения ИОИ: минимум десятилетие, а не год
Карпатый предсказывает, что путь к искусственному общему интеллекту займёт минимум десятилетие из-за серьёзных технических барьеров, с которыми сталкиваются современные ИИ-агенты в 2025 году.
Он сразу охлаждает пыл тех, кто ждёт революции завтра. 2025 год — это не «год агентов», а начало «десятилетия агентов». Зрелый ИОИ он оценивает минимум в 10+ лет.
Современные ИИ-агенты ненадёжны в критических моментах. Они теряют контекст при длительных взаимодействиях, не умеют учиться на ходу и лишены «культуры» — системы ценностей для последовательного поведения.
Для надёжного ИОИ нужны три прорыва:
- Архитектуры с долгосрочной памятью для сохранения контекста
- Обучение в реальном времени без полного переобучения
- Framework принятия решений, согласованный с человеческими ценностями
Российский контекст: где мы находимся в гонке
В России компании вроде Яндекса, Сбера и VK активно работают над ИИ-агентами в 2025 году, но сталкиваются с теми же проблемами отсутствия долгосрочной памяти и хрупкости при смене контекста.
Яндекс развивает YandexGPT с акцентом на интеграцию в поисковые сервисы. Сбер инвестирует в GigaChat для корпоративных решений. VK экспериментирует с агентами для социальных платформ.
Российские разработчики имеют преимущество — доступ к уникальным данным русскоязычного интернета и специфике локальных задач. Но инфраструктурные ограничения и дефицит вычислительных мощностей замедляют темп.
Проблемы обучения с подкреплением: почему RL «ужасен»
Карпатый называет обучение с подкреплением «ужасным» методом из-за узкого поиска решений и склонности к коллапсу модели, когда система чрезмерно оптимизируется под конкретную задачу и теряет способность обобщать.
Несмотря на недостатки, RL остаётся незаменимым для сложных задач, где явные инструкции не работают. Карпатый видит необходимость в когнитивном ядре — механизме для абстрактного рассуждения и гибкого решения проблем.
Текущие подходы RL часто застревают в локальных оптимумах вместо широкого исследования пространства решений. Это как студент, который зубрит экзаменационные билеты, но не понимает предмет.
Что это означает для российских разработчиков
Российские исследователи в Сколтехе и МФТИ экспериментируют с multi-agent RL для логистики и управления энергосетями, но модели часто переобучаются на симуляциях и плохо переносятся в реальный мир.
Для российских разработчиков это сигнал инвестировать в гибридные подходы:
- Комбинирование RL с имитационным обучением для снижения переобучения
- Интеграция meta-learning для адаптации к новым задачам
- Развитие инфраструктуры для длительных экспериментов
RL требует огромных вычислительных ресурсов, и доступ к ним остаётся узким местом для многих российских команд. Инвестиции в облачную инфраструктуру и партнёрства с университетами критичны.
Экономические последствия ИИ-автоматизации: реализм вместо паники
Карпатый обсуждает экономические последствия ИИ-автоматизации с позиции реализма: история показывает, что технологические сдвиги создают новые возможности быстрее, чем уничтожают старые, но ключевой вопрос — скорость адаптации людей.
Он указывает на необходимость переквалификации и образовательных программ. Карпатый видит будущее, где ИИ берёт на себя рутинные задачи, освобождая людей для креативной работы.
Для России автоматизация — это одновременно вызов и шанс. Многие отрасли страдают от дефицита кадров, и ИИ может частично закрыть пробелы. Но есть риск социальной напряжённости в регионах с экономикой, завязанной на несколько крупных предприятий.
Яндекс уже запустил образовательные программы для водителей такси, обучая их работе с алгоритмами маршрутизации. Такие инициативы нужно масштабировать на национальном уровне.
ИИ в образовании: персонализация как ключ к демократизации
Карпатый видит огромный потенциал ИИ в образовании через персонализацию обучения, где каждый студент получает адаптивного ИИ-наставника, подстраивающегося под темп, стиль и пробелы в знаниях.
Это не замена учителей, а инструмент, который освобождает их от рутины. ИИ может демократизировать доступ к качественному образованию, особенно в регионах с дефицитом квалифицированных преподавателей.
В России платформы вроде Учи.ру и Яндекс.Учебника используют адаптивные алгоритмы. Но масштаб ограничен — большинство школ в малых городах не имеют ни инфраструктуры, ни подготовленных кадров.
«ИИ-наставники могут сократить разрыв между столичными и региональными школами, если мы инвестируем в интернет-инфраструктуру и обучение учителей». — Андрей Карпатый
Для России ИИ в образовании — шанс сократить разрыв между столичными и региональными школами через системные инвестиции.
Три критических технических барьера на пути к ИОИ
Карпатый детально разбирает три критических технических барьера, мешающих созданию надёжных ИИ-агентов: отсутствие долгосрочной памяти, неспособность к непрерывному обучению и отсутствие системы ценностей для принятия решений.
Барьер 1: Отсутствие долгосрочной памяти
Современные модели работают с ограниченным контекстным окном. Это как разговор с человеком, который забывает всё, что было сказано пять минут назад. Для решения нужны архитектуры с внешней памятью или механизмы сжатия контекста.
Барьер 2: Неспособность к непрерывному обучению
Большинство моделей обучаются на статичных датасетах и не могут адаптироваться к новой информации без полного переобучения. Continual learning — ключевая область исследований для преодоления этого барьера.
Барьер 3: Отсутствие системы ценностей
Агенты не имеют внутреннего framework для принятия этичных решений, что делает их поведение непредсказуемым в сложных ситуациях. Нужны механизмы для встраивания человеческих ценностей в процесс принятия решений.
Российские научные группы работают над этими проблемами: в Сколтехе исследуют архитектуры с расширенной памятью, в МФТИ экспериментируют с continual learning, в ВШЭ изучают этические framework.
Концепция когнитивного ядра: что отличает ИОИ от современных моделей
Карпатый вводит концепцию «когнитивного ядра» — механизма для абстрактного рассуждения, планирования и гибкого решения проблем, которого лишены современные ИИ-системы, даже самые продвинутые.
Текущие модели — это сложные системы сопоставления паттернов. Они не «думают» в человеческом смысле, а находят статистические закономерности. Это работает для многих задач, но проваливается там, где нужна креативность или понимание причинно-следственных связей.
Создание когнитивного ядра — самая сложная задача на пути к ИОИ. Карпатый указывает направления:
- Гибридные архитектуры, комбинирующие нейросети с символьными системами
- Новые подходы к представлению знаний
- Исследования в области нейронауки для понимания механизмов человеческого мышления
Россия имеет сильные традиции в символьном ИИ и формальной логике — наследие советской школы кибернетики. Это преимущество в разработке гибридных подходов, опираясь на работы Павлова и Выготского.
Практические рекомендации для российских специалистов
На основе insights Карпатого российские разработчики, исследователи и компании могут выделить конкретные практические направления для работы в ближайшее десятилетие.
Для разработчиков ИИ-систем
- Инвестируйте в архитектуры с расширенной памятью (memory-augmented networks, external memory systems)
- Исследуйте гибридные подходы, комбинируя RL с имитационным обучением
- Фокусируйтесь на надёжности — системы должны корректно деградировать при встрече с неожиданными ситуациями
Для исследователей
- Работайте над проблемой когнитивного ядра через гибридные архитектуры
- Изучайте continual learning для непрерывного обучения без катастрофического забывания
- Участвуйте в международных коллаборациях для обмена идеями
Для компаний и государства
- Инвестируйте в долгосрочные исследования и вычислительную инфраструктуру
- Развивайте программы переквалификации сотрудников на национальном уровне
- Сотрудничайте с образовательными институтами для подготовки кадров
Заключение: дорожная карта на десятилетие
Интервью Андрея Карпатого — это дорожная карта на ближайшее десятилетие. Для российских специалистов это возможность понять, где мы находимся в глобальной гонке, какие проблемы критичны и как мы можем внести свой вклад.
Путь к ИОИ долог, но те, кто начинает работать над фундаментальными проблемами сейчас, будут определять будущее этой технологии. Россия имеет научные традиции, талантливых специалистов и уникальные данные — всё необходимое для значимого вклада в эту революцию.
Ключевой вывод: не ждите быстрых прорывов, инвестируйте в фундаментальные исследования и готовьтесь к долгосрочной работе.
