Индийский физик Суврат Раджу и его коллеги собрали пятьдесят задач по теоретической физике, ответов на которые не было ни в статьях, ни в архивах. Задачи придумали специально для теста и назвали его TheoPhysEval. GPT-6-Astra набрала около девяноста процентов. А потом модель заявила, что часть ошибок не у неё, а в эталонных ответах, которые подготовили эксперты. Физики перепроверили расчёты и в нескольких случаях действительно нашли у себя тонкие ошибки. После правок счёт Astra вырос до 98%, то есть 49 задач из 50.

Эту историю 17 октября 2026 года со сцены рассказал Джек Кларк, соучредитель Anthropic и автор рассылки Import AI. Рассказал не на конференции по машинному обучению, а на лекции Пер Якобссона в рамках встречи Международного валютного фонда в Бангкоке. В зале сидели экономисты, банкиры и чиновники, которые отвечают за финансовую стабильность своих стран. Кларк пришёл к ним с неудобным тезисом: сингулярность не где-то в будущем, она уже началась, и её пора вписывать в промышленную политику.

Сингулярность ИИ: определение без мистики

Сингулярность в этой формулировке означает не конец света и не появление сверхразума в конкретный вторник. Речь о моменте, когда научно-технический прогресс начинает ускорять сам себя. Более способные системы создают ещё более способные, и скорость изменений перестаёт помещаться в человеческие циклы планирования. Кларк цитирует Вернора Винджа, который в 1993 году описал сингулярность как точку, где «наши модели приходится выбросить, и начинают действовать новые правила». Главное слово здесь не «точка», а «модели». Сингулярность ломает не физику мира, а наши прогнозы о нём.

Есть и личный аргумент, который оказался сильнее любых графиков. Кларк начал речь с перечисления своих релевантных квалификаций: «Я человек. Я существую в одном экземпляре. Мне понадобилось почти сорок лет, чтобы набрать опыт, достаточный для этой лекции». К этим словам он вернулся через десять минут, когда зашла речь об экономике. Что будет значить возможность запустить сотни или тысячи копий себя одновременно, а новые версии выпускать мгновенно, без ожидания сорока лет?

Три цифры, которые он привёз в Бангкок

Первый график: Humanity's Last Exam, набор экзаменационных задач по химии, математике, информатике, классической литературе и экологии. В январе 2025 года лучшие системы набирали 8%. На момент лекции лидер, Claude Opus 5.5, показывает 67,7%. Название теста придумал не Кларк, и он отдельно это оговорил, но цифры от оговорки не меняются.

Второй график: FrontierMath, где задачи собирали и проверяли профессиональные математики. На старте в ноябре 2024 года лучший результат составлял 2%. Сейчас 94%.

Третья цифра касается уже не тестов, а самой Anthropic. Исследователи компании сегодня пишут почти в десять раз больше кода, чем за первые четыре года её существования. Один человек теперь может написать программу для всего, что способен вообразить, а раньше для этого требовалась команда целого отдела.

Из этой же связки выросла неприятная симметрия. Способности к программированию автоматически означают способности к кибервойне: пока одни гонятся за лучшей защитой, другие гонятся за лучшими атаками. Кларк называет это свойством, а не побочным эффектом. Улучшение в общей области знаний тянет за собой и пользу, и угрозу в конкретной прикладной сфере, и разделить их нельзя.

Почему научная креативность оказалась главным тестом

Дальше начинается содержательная часть, ради которой стоило идти к экономистам, а не к инженерам. Кларк перечисляет, где ИИ уже трогает науку. В математике системы предлагали подходы к задачам тысячелетия вроде Навье-Стокса, к гипотезе якобиана и к нескольким открытым проблемам Эрдёша, причём в ряде случаев именно модель выдала ключевую идею решения. В биологии с помощью ИИ проектировали вирусы с нуля, искали кандидатов в лекарства, и часть препаратов, которые сейчас проходят испытания, спроектирована машиной в значительной степени. В робототехнике системы всё чаще самостоятельно управляют лабораторным оборудованием удалённо, что позволяет автоматизировать эксперимент в материаловедении и биологии, включая работу над батареями и топливными элементами.

По отдельности любой из этих пунктов можно списать на узкую специализацию. Важно то, что все они опираются на одну и ту же технологию, а в большинстве случаев на одну и ту же модель. Кларк называет такие системы «единичными сущностями»: Claude, ChatGPT или Gemini выполняют работу на переднем крае сразу нескольких научных дисциплин.

Отсюда его главный логический ход. Настоящая наука на переднем крае требует креативности, а креативность считается последним рубежом способностей ИИ. Если система умеет творчески решать научные задачи, разумно ожидать, что она обобщится и на другие области. Включая исследование ИИ как таковое. А это уже рекурсия: улучшение инструмента ускоряет работу над инструментом.

Один человек, сорок лет, десять миллионов учёных

Экономическая часть речи строится на простом наблюдении. Один из источников роста заключается в новых идеях, а идеи производят люди. Но, как любят повторять экономисты, хорошие идеи находятся всё труднее: стоимость прорывов растёт, и человечеству приходится вкладывать всё больше ресурсов, чтобы держать прежний темп. Исследовательский персонал растёт, отдача на каждого исследователя падает.

Что меняется с ИИ, по версии Кларка, так это оба ограничения сразу. Количество исследователей на планете и время их подготовки перестают быть константами. По оценке ЮНЕСКО, в мире примерно десять миллионов учёных. Уже этого мало: не хватает людей, чтобы присматривать за работой, не хватает лабораторий для анализа материалов, не хватает биологических лабораторий для разработки и проверки лекарств, не хватает крупного научного оборудования на земле и на орбите. А теперь вопрос на будущее: что произойдёт, когда вместо десяти миллионов учёных появится миллиард виртуальных, которыми управляют те же десять миллионов?

Собственное моделирование Anthropic при оптимистичном сценарии даёт ВВП США в 44 триллиона долларов к 2030 году. Кларк сам оговаривает, что звучит это дико, и защищает цифру логикой: если экономика вырастет настолько, доктрина требует, чтобы появились новые отрасли и изобретения, которые такое расширение обеспечат. Именно это и подразумевает ИИ, способный вести самостоятельные научные исследования.

Что строить: не только дата-центры

Здесь в речи появляется редкая для докладов самокритика. Десять лет Кларк ходил по правительствам с одним сообщением: самое полезное, что вы можете сделать для будущего, это построить достаточно электричества и площадей под дата-центры и вложиться в цепочку поставок ИИ. Слушали немногие. Результат налицо: мощности сконцентрированы в США, Китае и всё больше на Ближнем Востоке, а цепочки поставок настолько перегружены, что цены растут.

Следующая фаза, по его словам, выходит в физический мир: ИИ всё активнее управляет роботами и научным оборудованием, иногда тем и другим одновременно. Значит, строить нужно не только серверные корпуса, но и лаборатории, установки, парки приборов. Иначе пропускная способность кончится очень быстро.

Отдельно он предупреждает о бутылочном горлышке ниже по течению. Если открытия станут массовыми, толку от лавины предложенных лекарств немного, когда проверить можно лишь несколько. Ускорять придётся не только генерацию гипотез, но и путь из лаборатории в клинику, на завод и в поле. Иначе ИИ-наука упрётся в регуляторику и физические мощности, а не в интеллект.

Три выбора, которые Кларк оставил аудитории

Первый: куда направлять систему. Из того, что модель умеет делать науку, не следует, что её можно оставить делать науку без присмотра. Для биологических исследований Кларк требует максимально строгого человеческого надзора и прозрачности. Для исследований в области самого ИИ лабораториям вроде Anthropic придётся решать, сколько надзора применять к работе, которую ведёт ИИ. Это даёт больше прогресса и одновременно больше риска потерять контроль. Правила здесь, по его словам, понадобятся отдельные.

Второй: сколько мы обязаны понимать. В математике уже сложилась ситуация, когда достижения ИИ настолько творческие, что люди тратят время на расшифровку: что это значит и как применить. Через несколько лет системы начнут не только делать науку, но и изобретать собственное научное оборудование, спроектированное под то, как работают машины, а не человеческий разум. Обязаны ли мы понимать этот прибор? Должны ли вообще? Вопрос из категории философских, но отвечать на него придётся административно, через бюджеты и регламенты.

Третий выбор Кларк формулирует как разрешение себе вообразить принципиально другой мир. Он вспоминает, что подростком боялся XXI века: рост населения, климат, исчерпание ресурсов виделись ему дорогой к мальтузианскому коллапсу. Потом он наблюдал, как солнечные панели дешевеют быстрее прогнозов, как понимание человеческого тела приносит лекарства от болезней, убивавших его родственников, как появляются вещи, которых он не мог вообразить: расшифровка речи животных, ракеты, садящиеся обратно на Землю.

Что в этой речи стоит оспорить

Кларк сам обозначил проблему своей позиции, и это делает текст честнее большинства отраслевых манифестов. Он назвал себя одновременно рассказчиком происходящего, действующим лицом этого процесса и переводчиком между сообществами. Человек, который предупреждает мир о скорости изменений, одновременно является одним из тех, кто эту скорость производит. Он говорит об этом прямо и признаёт свою долю ответственности, но структурно это не снимает вопрос: прогноз про 44 триллиона долларов сделан компанией, которая продаёт технологию, обеспечивающую этот рост.

Вторая претензия касается тестов. Humanity's Last Exam и FrontierMath растут впечатляюще, но любой закрытый экзамен со временем протекает: задачи попадают в обучающие данные, формулировки утекают, и прирост частично объясняется знакомством с форматом. История с TheoPhysEval как раз ценна тем, что задачи были новыми, а результат подтверждён людьми, которые нашли ошибки у себя. Но это единичный эпизод, а не система измерений.

Третья претензия адресована метафоре. «Сингулярность началась» звучит как заявление о факте, хотя фактически это заявление о темпах. Никто не спорит, что модели стали лучше решать задачи из школьной и вузовской программы. Спор идёт о том, превращается ли это в замкнутый цикл, где ИИ улучшает ИИ, или упирается в стоимость вычислений, дефицит энергии и проверку результатов. Кларк выбирает первый вариант и признаёт, что это вера, подкреплённая графиками.

Часто задаваемые вопросы

Что такое TheoPhysEval и почему он важен?

Это тест из пятидесяти задач по теоретической физике, составленный по вопросам физиков со всего мира на материале, которого не было в открытом доступе. Он важен не рекордом, а побочным эффектом: модель оспорила часть эталонных ответов, и эксперты, перепроверив расчёты, нашли у себя ошибки. Такой сценарий означает, что ИИ уже способен не только отвечать, но и находить изъяны в человеческой работе.

Правда ли, что ИИ уже делает научные открытия?

Частично. Системы предлагали ключевые идеи для задач по математике, проектировали вирусы и кандидатов в лекарства, управляли лабораторным оборудованием. Но почти везде рядом остаётся человек, который ставит задачу и проверяет результат. Речь идёт о сильном ускорении отдельных этапов, а не о полностью автономной науке.

Почему об этом говорят экономистам, а не только инженерам?

Потому что научный прогресс задаёт темп роста экономики. Если количество исследователей и время их обучения перестают быть ограничением, меняются прогнозы по ВВП, структуре занятости и инфраструктуре. Экономистам нужно решать, что строить: электростанции, лаборатории, испытательные центры. Кларк отдельно заметил, что десять лет предупреждений о дата-центрах большинство правительств проигнорировало, и теперь мощности сосредоточены в трёх регионах мира.

Итог

Речь Джека Кларка стоит читать не как пророчество, а как документ о смене жанра. Ещё два года назад сингулярность обсуждали футурологи в подкастах, а теперь её обсуждают на лекции Пер Якобссона перед аудиторией МВФ, и обсуждают в терминах пропускной способности лабораторий, электрических мощностей и сроков клинических испытаний. Само по себе это сдвиг: тема переехала из рубрики «гипотезы» в рубрику «планирование».

Финальный аргумент Кларка держится не на цифрах, а на цитате. Он вспоминает Карла Сагана, который в «Бледной голубой точке» писал, что люди, однажды достигшие других звёзд, будут «очень похожи на нас, но с большей долей наших сильных сторон и меньшей долей слабостей, более уверенные, дальновидные, умелые и благоразумные». Саган отводил человечеству сотни тысяч лет, чтобы стать лучше и мудрее. По версии Кларка, у нас не сотни тысяч лет, а несколько. И единственное, что остаётся, это относиться к технологии серьёзно и научиться сдержанности, которую он называет самым трудным и самым благородным человеческим качеством.

Если хотите проверить собственную интуицию о темпах, возьмите любую задачу из своей профессиональной области, где вы считаете себя экспертом, и дайте её современной модели с длинным размышлением. Потом перепроверьте её ответ так, как перепроверяли себя физики из TheoPhysEval. Результат скажет о состоянии дел больше, чем любой бенчмарк.