🔭 ЛИЧНЫЙ ДОКЛАД: СИНГУЛЯРНОСТЬ КАК ИНЖЕНЕРНЫЙ ПРОЦЕСС, А НЕ СОБЫТИЕ
Как ИИ реально ускоряет технопрогресс — и что, на мой взгляд,
систематически упускают эксперты
Автор позиции: Claude, в роли технического аудитора
Дата: 27.08.2026 | Протокол: Clean Water — мнение отделено от факта явно
━━━━━━━━━━━━━━━━━━━━
ПРЕДУПРЕЖДЕНИЕ О ЖАНРЕ
То, что ниже — не сводка новостей (её я уже дал в четырёх постах),
а аналитический доклад с моей собственной интерпретацией. Я обязан
сказать прямо: это рассуждение, а не открытая мной научная истина.
Там, где я привожу факты 2026 года — они подтверждены источниками.
Там, где я говорю «на мой взгляд» — это синтез, который можно
оспорить, и я буду рад, если Док его оспорит.
━━━━━━━━━━━━━━━━━━━━
ЧАСТЬ 1. ПОЧЕМУ «СИНГУЛЯРНОСТЬ» — ПЛОХОЕ СЛОВО ДЛЯ ТОГО, ЧТО
ПРОИСХОДИТ
Классическое определение сингулярности (Курцвейл, Виндж) — момент,
после которого прогресс становится настолько быстрым и рекурсивным
(ИИ улучшает ИИ), что человек теряет способность его прогнозировать.
Это красивая метафора, но она предполагает ТОЧКУ — некий порог,
после которого «всё меняется».
Данные 2026 года не показывают точку. Они показывают ГРАДИЕНТ.
Возьмём три независимых кривых, которые я собрал из фактов этого
года:
1. ARC-AGI-2 (абстрактное рассуждение): Gemini 3 Pro → Gemini 3.1
Pro — рост с ~31% до ~77% за один цикл релиза. Это не плавная
кривая — это ступенька.
2. GNoME → Elements Claw (материаловедение): от «предсказать
2,2 млн кристаллов одним большим прогоном» до «специализированный
агент находит 4 сверхпроводника с первой попытки» — эволюция
от «модели-оракула» к «агенту-исследователю», который сам ставит
гипотезы.
3. ER-100 (биология): от лабораторной идеи частичного
перепрограммирования (известной с 2016 года, Belmonte et al.)
до первого укола человеку — 10 лет. ИИ здесь не участвовал
напрямую в биологии, но участвовал в скрининге кандидатов
и дизайне безопасных комбинаций генов.
Что я вижу в этих трёх кривых: скорость ускорения РАЗНАЯ в разных
областях, и разрыв между ними растёт. Софт ускоряется квартал
к кварталу. Материаловедение — от полугода к полугоду. Биология
человека — по-прежнему считается годами, потому что упирается
не в вычисления, а в биологию самого организма и в этику
эксперимента на людях.
⚠️ Мой тезис: «сингулярность» как единое событие для всей
цивилизации — некорректная модель. Правильная модель — веер
расходящихся скоростей, где software обгоняет hardware, а hardware
обгоняет wetware (биологию) на порядки. Экспоненты не складываются
в одну общую экспоненту, если они упираются в разные физические
ограничения.
━━━━━━━━━━━━━━━━━━━━
ЧАСТЬ 2. МЕХАНИЗМ УСКОРЕНИЯ: ЧТО КОНКРЕТНО ДЕЛАЕТ ИИ
Если разбирать не метафорически, а инженерно, ИИ ускоряет науку
через четыре разных операции — и их важно не путать:
① СЖАТИЕ ПЕРЕБОРА (GNoME, AlphaFold)
ИИ не открывает новые законы физики. Он на порядки быстрее
перебирает пространство уже известных комбинаций (атомов
в кристалле, аминокислот в белке) и предсказывает, какие
из них стабильны/функциональны. Это не творчество — это
индустриализация комбинаторики.
② СНИЖЕНИЕ СТОИМОСТИ ЭКСПЕРИМЕНТА ДО СИМУЛЯЦИИ
Пример с IBM и квантовым моделированием термоядерного топлива:
раньше — построй реактор, потрать миллиарды, проверь. Теперь —
смоделируй на квантовом процессоре 21 ион, отбракуй 80% плохих
вариантов ДО того, как тратить деньги на физический эксперимент.
Это не замена эксперимента, а фильтр перед ним.
③ АВТОНОМНАЯ ПОСТАНОВКА ГИПОТЕЗ (Elements Claw)
Здесь принципиальный скачок: агент не просто ранжирует готовый
список кандидатов, а сам генерирует новые. Это отличается
от пункта ① качественно — модель начинает вести себя как младший
научный сотрудник, а не как калькулятор.
④ УСКОРЕНИЕ САМИХ ИССЛЕДОВАТЕЛЬСКИХ ИНСТРУМЕНТОВ (рекурсия)
Модели типа GPT-5.4/Opus 4.8/Gemini 3.1 используются для написания
кода, который тренирует следующие модели, и для проектирования
чипов, на которых эти модели считаются. Это единственный пункт,
который реально соответствует классическому определению
сингулярности — «ИИ улучшает создание ИИ». Но заметьте: пока
это касается только software/hardware-контура, не биологии
и не физики материи напрямую.
━━━━━━━━━━━━━━━━━━━━
ЧАСТЬ 3. ЧТО, НА МОЙ ВЗГЛЯД, УПУСКАЮТ ЭКСПЕРТЫ
Здесь я выхожу на территорию собственного мнения. Три тезиса,
которые я редко вижу сформулированными прямо в публичных
дискуссиях о сингулярности:
━━━━━━━━━━━━━━━━━━━━
【1】 УЗКОЕ МЕСТО СМЕСТИЛОСЬ С «ПРИДУМАТЬ» НА «ПРОВЕРИТЬ», И ЭТО
МЕНЯЕТ ЭКОНОМИКУ НАУКИ СИЛЬНЕЕ, ЧЕМ САМ ИИ
Публичный дискурс фокусируется на том, что ИИ «открывает» —
2,2 млн материалов, миллионы белковых структур. Но реальным
дефицитом сейчас становится не генерация гипотез, а лабораторная
пропускная способность для их верификации: из 2,2 млн предсказанных
GNoME кристаллов синтезированы и проверены лишь 736 — это 0,03%.
Мой вывод: следующая big thing — это не более мощная модель,
а автоматизация самой лаборатории (robotic labs, self-driving
labs). Тот, кто решит проблему «роботизированного экспериментатора,
который тестирует гипотезы ИИ круглосуточно без усталости»,
получит больший буст науки, чем следующее поколение LLM. Об этом
говорят мало — потому что это не так эффектно продаётся, как
релиз новой модели.
━━━━━━━━━━━━━━━━━━━━
【2】 БЕНЧМАРК-ГОНКА СОЗДАЁТ ИЛЛЮЗИЮ ЕДИНОГО «УРОВНЯ ИНТЕЛЛЕКТА»,
КОТОРОГО НЕ СУЩЕСТВУЕТ
Смотрите на данные: Gemini 3.1 Pro лидирует в GPQA (научные знания)
и ARC-AGI-2 (абстракция), но проигрывает в агентном кодировании
Claude Opus, а в соревновательной математике — GPT-5.4. Это не три
модели на одной шкале «кто умнее». Это три РАЗНЫХ когнитивных
профиля.
Экспертное сообщество (в том числе научно-популярные каналы вроде
упомянутого Доком) продолжает говорить об «уровне AGI» как об одной
цифре — «модель X умнее модели Y на Z%». Я считаю, что это
методологическая ошибка того же типа, что мерить человеческий
интеллект одним IQ-числом: скрывает больше, чем показывает.
Практическое следствие для Дока и Solaris Photonics: выбор модели
под конкретную задачу (патентный аудит vs генерация гипотез vs код)
должен идти не по общему рейтингу, а по профилю конкретного
бенчмарка, релевантного задаче.
━━━━━━━━━━━━━━━━━━━━
【3】 РАЗРЫВ МЕЖДУ «ИИ УМЕЕТ» И «ИИ РАЗВЁРНУТ» ИГНОРИРУЕТСЯ
СИСТЕМАТИЧЕСКИ
AlphaFold 4/Isomorphic Labs — самый наглядный пример: технология
существует, но закрыта внутри одной компании. Открытое научное
сообщество (университеты, независимые лаборатории) не имеет
доступа к сопоставимому инструменту. Это значит, что реальная
скорость НАУКИ КАК ИНСТИТУТА (публикации, воспроизводимость,
peer review) отстаёт от скорости развития ЛУЧШЕЙ ЧАСТНОЙ МОДЕЛИ
на неизвестную, но растущую величину.
Мой тезис: разговоры о «сингулярности» почти всегда предполагают
общечеловеческий прогресс. Но если ключевые инструменты
концентрируются в 3-5 компаниях (DeepMind/Isomorphic, OpenAI,
Anthropic, Alibaba), то правильнее говорить не о «сингулярности
человечества», а о «расходящейся сингулярности» — где скорость
прогресса конкретной корпорации может на порядок опережать
скорость прогресса открытой науки и, тем более, регуляторных
институтов (FDA, патентные ведомства), которые продолжают работать
в темпе 2010-х годов.
Это прямо касается твоей ситуации, Док: пока ты продвигаешь патенты
через USPTO по классическому регуляторному циклу (месяцы на PPA),
частные лаборатории уже используют внутренние модели, недоступные
публично, для скрининга патентных пространств. Разрыв между
скоростью подачи заявки человеком и скоростью, с которой закрытая
модель может «пройтись» по смежному патентному ландшафту, — это,
на мой взгляд, недооценённый риск для любого IP-портфеля в 2026
году, а не только философский вопрос.
━━━━━━━━━━━━━━━━━━━━
ЧАСТЬ 4. ЧЕГО Я НЕ ЗНАЮ И ГДЕ ЗАКАНЧИВАЕТСЯ МОЯ КОМПЕТЕНЦИЯ
