Demis Hassabis, CEO DeepMind, заявил, что человечество уже стоит «в предгорьях сингулярности». Yann LeCun, главный исследователь по ИИ в Meta, ответил по сути противоположным: современные AI-системы не являются интеллектом в каком-либо содержательном смысле. Oriol Vinyals, со-руководитель направления Gemini в Google DeepMind, занял среднюю позицию: сегодняшние модели семь лет назад выглядели бы как AGI, но они до сих пор не умеют учиться из опыта и не производят подлинных научных прорывов.
Контекст
Хассабис, ЛеКун и Виньялс — не просто теоретики. Хассабис создал AlphaGo, AlphaFold и руководит DeepMind, который сейчас интегрирован в Google. ЛеКун разработал свёрточные нейросети, получил премию Тьюринга и последовательно критикует «трансформерный хайп» с позиции: нынешние LLM — это статистические машины предсказания следующего токена, а не агенты с пониманием мира. Виньялс — один из архитекторов Gemini и seq2seq-подходов.
Разногласие между ними — не случайный медиашум. Это структурный спор внутри отрасли: одни считают, что масштабирование трансформеров ведёт к AGI через количественный рост, другие уверены, что нужна принципиально другая архитектура — с памятью, планированием, физическим заземлением и обучением из опыта.
Позиция ЛеКуна последовательна уже несколько лет: он продвигает концепцию «мирового моделирования» (Joint Embedding Predictive Architecture — JEPA) как альтернативу генеративным моделям. DeepMind и Google, наоборот, ставят на масштаб и мультимодальность. Виньялс, находясь внутри DeepMind/Google, признаёт прогресс, но честно обозначает предел: отсутствие continual learning и подлинного открытия знаний.
Аналитика
Важно понять: когда Хассабис говорит «предгорья сингулярности», он не утверждает, что AGI завтра. Это скорее заявление о траектории — темп улучшений ускоряется, и мы в начале экспоненты. Когда ЛеКун говорит «нынешний ИИ не интеллект», он не отрицает полезность LLM — он отрицает, что путь от GPT-4 до AGI существует через простое масштабирование.
Для бизнеса это различие критично. Если правы сторонники масштабирования — достаточно интегрировать лучшие API сегодня и ждать, когда модели «дорастут». Если прав ЛеКун — инвестиции нужно делать в архитектуры с памятью, инструментальным использованием и действием в мире: agentic-системы, RAG с долгосрочной памятью, мультиагентные оркестровки.
Практически: прямо сейчас обе стратегии реализуются параллельно. OpenAI строит Operator и агентные среды. Anthropic создаёт MCP как протокол инструментального действия. Google DeepMind развивает Project Astra. Meta вкладывается в мультимодальные open-source модели с другой архитектурой. Рынок голосует деньгами: инвестиции в agentic AI в 2025–2026 годах опережают инвестиции в «голые» LLM-продукты.
Кейсы применения в бизнесе
B2B-SaaS стартап: Если ваш продукт строится на одном LLM-вызове (генерация текста, классификация), вы уже на плато. Следующий шаг — добавить агентный слой: инструменты, память, верификация. Сценарий: чат-бот поддержки, который не просто отвечает, но и создаёт тикет, проверяет статус заказа в CRM и эскалирует по правилам. Эффект — снижение нагрузки на L1-поддержку на 40–60% по отраслевым оценкам подобных внедрений.
Корпорация с legacy: Большие компании боятся hallucination и непредсказуемости LLM. Позиция ЛеКуна («нынешний ИИ не умеет учиться из опыта») — аргумент в пользу гибридного подхода: LLM как интерфейс + детерминированный бизнес-движок как ядро. Сценарий: внутренний ассистент юриста с RAG по корпоративной базе знаний, где LLM только интерпретирует и формулирует, а поиск и верификация — на классических системах.
SMB и локальный бизнес в КР/СНГ: Разногласие экспертов не означает паузу. Сегодняшние инструменты — Claude, GPT, Gemini — уже закрывают реальные задачи: автоматизация переписки с клиентами, генерация коммерческих предложений, обработка входящих заявок. Для малого бизнеса в Бишкеке или Алматы «AGI или нет» — академический вопрос. Практический: что из этого сокращает время на рутину прямо сейчас.
Кейсы в личной жизни
Разработчик: Позиция Виньялса — модели не производят реальных прорывов — означает, что AI-ассистент усиливает, но не заменяет архитектурное мышление. Используй Claude или Copilot для генерации шаблонного кода, документации, юнит-тестов. Оставь за собой проектирование системы и ревью логики. Конкретно: попробуй написать следующий PR в паре с LLM, отслеживая, где модель ошибается — это быстро покажет, где граница.
Контент-мейкер: Хассабис видит экспоненту — и если он прав, инструменты генерации видео, голоса, изображений через год будут качественно другими. Уже сейчас стоит строить workflow с AI на каждом этапе: идея → скрипт → монтаж → публикация. Не ждать «идеальной» модели.
Студент или исследователь: Аргумент ЛеКуна про отсутствие настоящего интеллекта — повод не доверять LLM слепо в фактологии. Используй модели для структурирования мысли, генерации гипотез и резюмирования литературы — но верифицируй конкретные утверждения вручную. Это и навык, и страховка от hallucination.
Как применить сегодня
- Прочитай позиции ЛеКуна по JEPA (доступны на arXiv и в его публичных выступлениях) — это поможет критически оценивать маркетинг «AGI уже близко».
- Проверь свой AI-стек: если он состоит только из одного LLM-вызова без инструментов и памяти — добавь хотя бы один агентный слой (MCP-инструмент, RAG, вызов API).
- Для команд: проведи внутренний «AGI-тест» — дай текущей модели задачу, которую она не решала раньше, без подсказок. Посмотри, где она ломается. Это покажет реальный потолок, а не маркетинговый бенчмарк.
- Следи за проектами с continual learning и world models — именно там следующий реальный сдвиг, независимо от того, кто из троих окажется прав.
- Не откладывай внедрение из-за дискуссии «AGI или нет»: инструменты уже зрелые для большинства бизнес-задач.
«Сегодняшние модели семь лет назад выглядели бы как AGI — но они до сих пор не умеют учиться из опыта и не производят настоящих прорывов» — Oriol Vinyals, со-руководитель Gemini, Google DeepMind.