"Такими темпами AGI до 2030 точно не видать (нижняя оценка Демисса Хасабиса, CEO Google DeepMind) Вот кстати очень хороший анализ таймлайнов от Дваркеша, какие сейчас есть core-проблемы, которые до сих пор не решены: https://www.youtube.com/watch?v=nyvmYnz6EAg Вкратце, Bottleneck #01: Continuous Learning. Сложно дообучить в ходе чата, In-Context Learning в чате, когда говоришь ""вот как надо"" или ""это говно"" - не такой магический, как хотелось бы Bottleneck #02: Agentic Computer Use Tasks. В интернетах полно текстовых/видео данных, в интернетах почти нет мультимодальных данных для предобучения на agentic задачи (их сбор нужно организовывать с нуля) + это все дело сильно более compute-intensive, как для обучения, так и, тем более, для валидации + больше рисков, поэтому релизы ожидаемо будут удлиняться, а не ускоряться (горизонт ризонинга у моделей будет часы-дни-недели) Но может, RL-дообучение будет настолько sample-efficient, что этот вопрос порешается быстро и мы нагенерим эти данные / насоздаём симуляторов"