Всего 13% автоматизации экономики — и она перестаёт быть похожей на саму себя. Это не слоган из научной фантастики, а вывод статьи экономистов из Forethought, Columbia University и University of Virginia, опубликованной в рабочей серии NBER. Авторы построили формальную модель, которая показывает, при каких условиях рекурсивное самоулучшение ИИ (recursive self-improvement, RSI) запускает обратную связь, способную вывести мировую экономику на траекторию взрывного роста. И цифры оказались неожиданно скромными: полная автоматизация программных исследований плюс 5% автоматизации всего остального — и «сингулярность» наступает примерно через шесть лет.

Что такое рекурсивное самоулучшение ИИ

RSI — это сценарий, в котором ИИ-системы участвуют в собственной разработке: пишут код, проектируют чипы, генерируют гипотезы, проводят эксперименты. Каждый раунд улучшения делает систему умнее, а более умная система ускоряет следующий раунд. Классическая положительная обратная связь. Но до сих пор дискуссия о RSI велась преимущественно в терминах безопасности и философии: опасно ли давать ИИ контроль над собственной эволюцией? Новая работа переносит разговор в экономику и спрашивает: а что, если это уже началось, и мы просто не замечаем, потому что не отслеживаем нужные метрики?

Авторы определяют RSI широко: не обязательно полностью автономное самоулучшение. Достаточно, чтобы ИИ автоматизировал значительную долю исследовательской работы в ключевых секторах — программном обеспечении, железе, материаловедении. Именно это они называют «automation shock» — шок автоматизации. И их модель показывает, что такой шок может быть гораздо меньше, чем кажется интуитивно.

Два канала взрывного роста

Модель выделяет два механизма, через которые автоматизация порождает экспоненту. Первый — технологическая обратная связь через сеть инноваций. Когда ИИ автоматизирует разработку софта, это ускоряет разработку железа, потому что софт для симуляции чипов теперь пишется быстрее. Более быстрое железо ускоряет обучение следующего поколения ИИ, которое в свою очередь пишет ещё более эффективный софт. Это не линейная цепочка, а сеть: улучшение в одном узле распространяется по всей системе с множителем.

Второй канал — экономическая обратная связь. Более высокий выпуск продукции означает больше ресурсов, которые можно реинвестировать в дальнейший рост. Это классический механизм накопления капитала, но с одним отличием: в условиях автоматизации маржинальная стоимость исследований падает, а скорость их проведения растёт. Ресурсы, которые раньше тратились на зарплаты инженеров, теперь идут на вычисления, которые масштабируются гораздо быстрее людей. Два канала усиливают друг друга: технологический прогресс создаёт экономический излишек, излишек финансирует новый технологический прогресс, и цикл разгоняется.

Почему железо важнее софта

Самый контринтуитивный результат исследования — доминирование аппаратных исследований. Авторы калибруют модель на эмпирических данных и находят, что отдача от исследований в полупроводниках примерно в пять раз выше, чем в программном обеспечении, и в десять раз выше, чем в суммарной факторной производительности (TFP). Это означает, что автоматизация одной задачи в проектировании чипов эквивалентна автоматизации пяти задач в софте или десяти задач в производстве конечных товаров.

Цифры конкретны и жёстки. Для перехода экономики во «взрывной режим» достаточно 13% автоматизации во всех секторах. Если автоматизировать только софт и железо — достаточно 17%. Если только железо — достаточно 20%. При этом полная автоматизация программных исследований без затрагивания других секторов находится прямо на грани: при консервативной калибровке она едва достигает порога взрывного роста, и небольшой толчок в соседней области — например, частичная автоматизация производства — переводит систему через критическую точку.

Этот результат переворачивает привычную картину. В публичной дискуссии о RSI доминирует софт: ИИ пишет код, ИИ улучшает архитектуры моделей, ИИ генерирует синтетические данные. Но экономическая модель показывает, что узким местом является не способность генерировать алгоритмы, а способность производить вычислительный субстрат. Чипы — это не просто инфраструктура, это главный рычаг, на который нужно нажимать, если цель — ускорение.

Шесть лет до сингулярности

В базовом сценарии модели «шок автоматизации» включает полную автоматизацию программных R&D и всего 5% автоматизации остальной экономики. Результат: сингулярность — точка, в которой рост становится гиперболическим — наступает примерно через шесть лет. Авторы подчёркивают, что это стилизованная симуляция, а не прогноз. Но они также отмечают, что наблюдаемые темпы роста производительности в софте и железе настолько высоки, что переход к новой сбалансированной траектории роста может произойти «чрезвычайно быстро».

Шесть лет — это не абстрактный горизонт. Это означает, что если полная автоматизация программных исследований произойдёт в 2028 году, к 2034 году экономика может находиться в режиме, который современные макроэкономические инструменты не способны описывать. Инфляция, ВВП, занятость — все эти категории предполагают ограниченный рост и конкуренцию за ресурсы. В условиях RSI ресурсы сами себя производят всё быстрее, и привычные ограничения перестают действовать.

Что это значит для политики и бизнеса

Авторы делают прямой политический вывод: отслеживание уровня автоматизации в ИИ-исследованиях может быть не менее важным, чем отслеживание традиционных макроэкономических индикаторов. Они предлагают, чтобы экономисты в ИИ-компаниях измеряли и публиковали эти данные. Это звучит как технократическая мечта, но за ней стоит реальная проблема: центральные банки и финансовые министерства не имеют инструментов для реагирования на взрывной рост, потому что их модели предполагают устойчивое состояние.

Для бизнеса выводы ещё жёстче. Если модель верна, то стратегические решения, принятые сегодня, могут оказаться нерелевантными через три-четыре года. Инвестиции в человеческий капитал с горизонтом окупаемости десять лет теряют смысл, если через шесть лет экономика работает по другим правилам. С другой стороны, инвестиции в вычислительную инфраструктуру и полупроводники приобретают стратегический статус: они становятся не просто активами, а рычагами влияния на скорость перехода.

Связь с другими сигналами недели

Эта работа не существует в вакууме. В той же рассылке Import AI, где она была отмечена, упоминались два связанных тренда. Первый — нейронные компьютеры от Meta и KAIST, концепция Юргена Шмидхубера, в которой вычисление, память и ввод-вывод объединяются в единый обучаемый субстрат. Если такая архитектура станет реальностью, граница между софтом и железом исчезнет, и модель RSI потребует пересмотра — но в сторону ещё более быстрого роста, потому что оптимизация станет end-to-end.

Второй сигнал — Decoupled DiLoCo от Google DeepMind, технология распределённого обучения, которая позволяет объединять вычислительные мощности по всему миру в единый «компьютер». Это не просто инженерное улучшение: это инфраструктура для масштабирования, которая делает возможным обучение моделей на порядки большего размера. Если RSI требует вычислений, а вычисления можно масштабировать географически без потери эффективности — порог в 13% автоматизации становится ещё более достижимым.

Часто задаваемые вопросы

Что такое экономическая сингулярность?

Экономическая сингулярность — это точка, в которой рост производительности становится гиперболическим: каждый следующий год даёт больше прогресса, чем все предыдущие вместе взятые. В модели NBER она наступает, когда автоматизация ИИ-исследований запускает самоусиливающуюся обратную связь между технологическим прогрессом и экономическим ростом.

Почему 13% автоматизации — так мало?

Потому что экономика — это сеть взаимосвязанных секторов. Автоматизация в одном узле распространяется на соседние через цепочки поставок, инвестиции и инновации. Модель учитывает эти сетевые эффекты, и они резко снижают порог, необходимый для фазового перехода.

Можно ли замедлить или остановить этот процесс?

Модель не предписывает политики, но авторы подчёркивают, что раннее обнаружение критически важно. Если уровень автоматизации в ключевых секторах станет публичной метрикой — как инфляция или безработица — у политиков появится время для подготовки. Без такой метрики переход может произойти незаметно, пока старые инструменты регулирования не перестанут работать.

Итог

Работа «When Does Automating AI Research Produce Explosive Growth?» — это не очередной спекулятивный текст о сингулярности. Это формальная экономическая модель с конкретными числами, калиброванными на реальных данных. Её главный вклад — показать, что порог для взрывного роста может быть на порядок ниже, чем предполагалось, и что главный рычаг находится не там, где обычно ищут. Не в алгоритмах, не в данных, не в архитектурах трансформеров — в полупроводниках. Если вы принимаете стратегические решения в ИИ или инвестициях, это исследование стоит прочитать целиком. Оно меняет координаты, по которым строятся прогнозы.