⛓️ 2026 — год прорыва world models и continual learning
Demis Hassabis (CEO DeepMind) в недавнем подкасте 20VC обозначил ключевые направления к AGI. И они не про «ещё больше параметров».
Что не хватает текущим моделям:
🔹 Continual learning — обучение без катастрофического забывания. Люди учатся на ходу, модели — нет
🔹 World models — внутренние симуляции физики, причинности, поведения объектов. Не просто next-token prediction
🔹 Долгосрочная иерархическая память — за пределами фиксированного контекста
🔹 System 2 reasoning — многошаговое планирование, а не паттерн-мэтчинг
Расклад DeepMind: 50% ресурсов на blue-sky алгоритмы, 50% на максимальный scale. Hassabis считает AGI реалистичным к 2030–2035.
Что происходит уже сейчас:
— Новые архитектуры дают 4–17× эффективность по сравнению с чистым scale
— Yann LeCun активно продвигает JEPA/V-JEPA как альтернативу языковым моделям
— Inference-time compute (o1-style) — главный краткосрочный драйвер
— Omni-модели (текст + видение + действие + память) начинают поставляться
Прогноз на 2026: прототипы надёжных world models и continual learning. К 2028 — если пробелы в памяти и world models закроются, алгоритмические прорывы могут сложиться в AGI-уровень.
Эра «просто накручивай параметры» заканчивается. Будущее за гибридными системами: scale + память + симуляция + планирование.
🔗 https://www.nextbigfuture.com/2026/04/2026-is-breakthrough-year-for-reliable-ai-world-models-and-continual-learning-prototypes.html
Demis Hassabis (CEO DeepMind) в недавнем подкасте 20VC обозначил ключевые направления к AGI. И они не про «ещё больше параметров».
Что не хватает текущим моделям:
🔹 Continual learning — обучение без катастрофического забывания. Люди учатся на ходу, модели — нет
🔹 World models — внутренние симуляции физики, причинности, поведения объектов. Не просто next-token prediction
🔹 Долгосрочная иерархическая память — за пределами фиксированного контекста
🔹 System 2 reasoning — многошаговое планирование, а не паттерн-мэтчинг
Расклад DeepMind: 50% ресурсов на blue-sky алгоритмы, 50% на максимальный scale. Hassabis считает AGI реалистичным к 2030–2035.
Что происходит уже сейчас:
— Новые архитектуры дают 4–17× эффективность по сравнению с чистым scale
— Yann LeCun активно продвигает JEPA/V-JEPA как альтернативу языковым моделям
— Inference-time compute (o1-style) — главный краткосрочный драйвер
— Omni-модели (текст + видение + действие + память) начинают поставляться
Прогноз на 2026: прототипы надёжных world models и continual learning. К 2028 — если пробелы в памяти и world models закроются, алгоритмические прорывы могут сложиться в AGI-уровень.
Эра «просто накручивай параметры» заканчивается. Будущее за гибридными системами: scale + память + симуляция + планирование.
🔗 https://www.nextbigfuture.com/2026/04/2026-is-breakthrough-year-for-reliable-ai-world-models-and-continual-learning-prototypes.html