# Код жизни: как ИИ превращает биологию в инженерию

Источник: https://www.youtube.com/watch?v=Blyb1D927pM
Канал: Peter H. Diamandis
Опубликовано: 03.10.2026

---

Биология перестает быть естественной наукой и превращается в инженерную дисциплину, где программный код ИИ способен переписывать генетический код живых организмов. Пока политики пытаются законодательно запретить алгоритмам самосовершенствоваться, технологии уже преодолевают физический барьер между симуляцией и реальностью — от чтения снов до создания автономных военных флотов. Мы вступаем в эру, где единственным дефицитным ресурсом остается человеческое внимание, за которое борются нейросети, уже превзошедшие людей по численности в глобальной сети.

## 🚀 ИИ как «Машина Эврики»: новая эра ускоренной науки

[[JUMP:04:56]]

Традиционная наука столкнулась с кризисом фрагментации: дисциплины дробятся на тысячи узких ниш, где специалисты по молекулярной биологии едва понимают клеточных биологов, а эксперты по оптимизации нейросетей изолированы от прикладной медицины [05:24]. Ричард Зохер утверждает, что ИИ станет тем «клеем», который объединит разрозненные знания и превратит биологию из описательной естественной науки в программируемую инженерную дисциплину [06:57].

### Полностековый ИИ (Full Stack AI) в научных открытиях
[[JUMP:05:10]]

Концепция «полностекового ИИ», изложенная в новой книге Зохера *The Eureka Machine*, предполагает одновременную трансформацию всех этапов научного процесса: от выдвижения гипотез и планирования экспериментов до сбора данных и формирования теорий [05:10]. 

Основные ингредиенты этого прорыва включают:

*   **Мировые знания в форме LLM:** модели уже обладают колоссальным объёмом междисциплинарной информации [07:12].
*   **Оцифровка научных данных:** создание массивных цифровых баз, на которых могут обучаться специализированные модели [07:24].
*   **Симуляции и роботизация:** автоматизация лабораторий («wetware») позволяет замыкать цикл познания без участия человека в рутинных процессах [07:38].

Зохер предсказывает, что в ближайшие 12 месяцев мы увидим излечение ряда генетических заболеваний, вызванных мутацией одного гена [08:58]. Хотя бюрократические задержки FDA и необходимость длительных клинических испытаний на людях всё ещё создают временной лаг в 5-10 лет, темпы разработки новых соединений в биоинженерии уже выросли десятикратно [11:45]. Ранее в разговоре участники также кратко коснулись темы грядущего превосходства ИИ в математике и физике.

### Parallel Bio: Органы на чипе и конец эры вивисекции
[[JUMP:17:23]]

Одним из самых перспективных направлений «инженерной биологии» является технология компании Parallel Bio [17:24]. Вместо того чтобы десятилетиями испытывать лекарства на мышах (которые биологически сильно отличаются от людей), учёные создают микроскопические органоиды из плюрипотентных стволовых клеток человека [17:50].

*   **Органоиды лимфоузлов:** Позволяют тестировать иммунотерапию и реакцию иммунной системы на рак в чашке Петри [17:50].
*   **Одобрение FDA:** Регуляторы уже начинают разрешать пропуск стадии испытаний на животных, если тесты на человеческих органоидах показывают более высокую прогностическую точность [18:03].
*   **Персонализированная медицина:** В будущем можно будет взять клетки кожи конкретного пациента, вырастить из них «цифровой и биологический двойник» его органов и проверить токсичность препарата именно для его организма [18:16].

### «Горький урок» в биологии: данные против экспертных теорий
[[JUMP:21:28]]

Ричард Зохер опирается на принцип «Горького урока» (The Bitter Lesson), сформулированный Ричем Саттоном: в долгосрочной перспективе простые универсальные алгоритмы, использующие огромные вычислительные мощности и данные, всегда побеждают сложные системы, основанные на человеческих правилах и экспертных знаниях [21:31]. 

Этот принцип уже сработал в обработке естественного языка (NLP) [22:10], и сейчас биология находится в аналогичной точке перехода. Эксперты-биологи часто настаивают на сложности клеточных механизмов, утверждая, что их невозможно формализовать в одной модели [22:34]. Однако появление «виртуальных клеток» и массивных исследований возмущений (perturbation studies) доказывает обратное: если у вас достаточно данных, нейросеть способна выявить закономерности, которые ускользают от человеческого понимания [22:47]. Зохер уверен, что создание точных цифровых двойников клеток является критическим путём к решению проблемы всех человеческих болезней [23:13].

## 🧠 Нейроинтерфейсы и биологическое программирование
[[JUMP:25:23]]

Вторая четверть дискуссии сосредоточена на стирании границ между цифровым и биологическим. Если в первой главе обсуждалось ускорение науки через ИИ, то сейчас фокус сместился на то, как алгоритмы начинают напрямую взаимодействовать с человеческим мозгом и экосистемами планеты. Участники обсуждают переход от «черного ящика» сознания к инструментальному управлению биологией.

### Декодирование мыслей через fMRI и AI
[[JUMP:25:23]]

Технологии неинвазивного считывания образов из мозга достигли переломного момента. Система **Brain It** и аналогичные разработки лаборатории Джека Галланта в Беркли позволяют восстанавливать визуальные образы, которые человек видит или представляет, на основе данных функциональной МРТ [25:51]. Алекс Форрест отмечает, что история декодирования состояний мозга длится более 20 лет — от первых зернистых изображений веток, которые видел кот [26:04], до современных исследований Meta по декодированию речи и зрения [26:25].

Основные технологические барьеры и достижения текущего момента:

* **Пространственное и временное разрешение:** Современная fMRI дает разрешение около 1 кубического миллиметра (вокселя) и временную задержку в 1 секунду [26:59]. Этого достаточно для «индустрии декодирования снов» и галлюцинаций [27:11], но мало для полноценного нейроинтерфейса.
* **Neuralink и масштабирование:** Недавно компания Илона Маска анонсировала первые исследования «законов масштабирования» (scaling laws) для предобученных моделей на основе данных электродов Neuralink, которые обладают гораздо более высоким разрешением, чем fMRI [26:40].
* **Разрыв между восприятием и мыслью:** Участники подчеркивают различие между декодированием *восприятия* (что глаз видит) и собственно *мыслью* [28:30]. Однако при воображении объекта активируются те же нейроны, что и при его реальном видении [28:45].
* **Индивидуальность архитектуры:** Мозг каждого человека уникален. Если случайным образом изменить один слой в обученной нейросети и попытаться обучить её заново, она никогда не вернется в прежнее состояние [35:38]. Так же и пути прохождения сигналов у двух профессиональных футболистов будут абсолютно разными, несмотря на идентичный результат действия [36:08].

Интересным аспектом стала дискуссия о типах мышления: Ричард Сохер разделяет людей на тех, кто мыслит законченными предложениями, и тех, кто оперирует «облаками смыслов», требующими вербализации постфактум [29:45]. ИИ-интерфейсы будущего могут позволить обходиться без текста, работая напрямую с этими концептуальными структурами [30:30].

### Генетическая модификация популяций как инструмент госполитики
[[JUMP:39:07]]

Биология официально становится объектом инженерного проектирования на уровне государственного управления. Президент США подписал указ, предписывающий ведомствам (EPA, МВД, Минсельхоз) сократить популяцию инвазивных москитов в Вашингтоне на 90% и клещей на 50% к 2028 году [39:07]. Это касается видов, переносящих денге, зика и желтую лихорадку [39:23].

Ключевые особенности нового подхода:

1. **Отказ от пестицидов:** Вместо отравления экосистемы химикатами приоритет отдается стерилизации насекомых и генетическому драйву (gene drive) [39:35]. 
2. **Технология генного драйва:** Использование CRISPR для вставки гена, который самореплицируется и распространяется по популяции, делая потомство бесплодным [40:41].
3. **Этика сохранения:** Алекс Форрест подчеркивает, что это более гуманно: вместо массового убийства насекомых и птиц (через пищевые цепочки) мы просто предотвращаем передачу болезней, сохраняя жизни самим особям-носителям [41:34].

Питер Диамандис отмечает, что москиты — самое смертоносное существо на планете, убивающее (только через малярию) более полумиллиона человек ежегодно [40:10]. Ранее в разговоре упоминались технологии *Parallel Bio* для тестирования лекарств без животных, и текущий указ продолжает этот тренд на технологичное и этичное управление биосферой [42:35].

### Психоделики и алгоритмы обучения мозга
[[JUMP:34:42]]

В контексте поиска «фундаментального алгоритма обучения», который в биологии явно отличается от градиентного спуска (backprop), используемого в ИИ [31:49], возникла аналогия с психоделической терапией. 

Ричард Сохер предложил метафору «слепого туриста», который ищет нижнюю точку в сложном ландшафте, чувствуя уклон только под ногами [33:59]. В случае ПТСР или депрессии мозг человека оказывается «заперт» в локальном минимуме — глубокой долине, из которой невозможно выбраться обычными методами [34:42]. Психоделики, по данным текущих исследований, повышают «скорость обучения» (learning rate), позволяя психике «перепрыгнуть через хребет» в другую долину, формируя новые способы мышления и связи [35:05].

### Видео-тест Тьюринга: модель Griffin
[[JUMP:47:53]]

Компания Tavis представила модель **Griffin**, которая знаменует прорыв в создании цифровых аватаров. Это первый «человеческий интерфейс», работающий в режиме полного дуплекса — ИИ слушает и говорит одновременно, реагируя на визуальные стимулы в реальном времени [49:15].

Результаты тестов поражают: 48% людей при живом видео-общении приняли аватар за реального человека (предыдущие модели достигали лишь 3%) [48:05]. В демонстрационном видео ИИ-помощник:

* Реагирует на игру «Саймон говорит», касаясь подбородка или показывая большой палец [48:20].
* Замечает детали одежды собеседника («уродливый свитер») [48:30].
* Координирует сложные задачи, например, следит за временем нагрева паяльника [49:05].

Разработчики из Tavis уже заявили, что Griffin требует дополнительных мер безопасности перед публичным релизом, так как модель слишком легко спутать с человеком [49:36]. Салем Хеджази отмечает, что главная ценность здесь не в мимикрии, а в появлении «цифровых коллег» в Zoom и Slack, способных выполнять полезную работу наравне с людьми [50:16].

## 🔄 Рекурсивное самосовершенствование: ИИ строит сам себя

[[JUMP:1:00:34]]

Концепция рекурсивного самосовершенствования (RSI — Recursive Self-Improvement) перестала быть теоретической конструкцией и перешла в фазу практической реализации в 2024 году. Как отмечает Ричард Зохер, ключевой сдвиг произошел в тот момент, когда ИИ научился писать код [1:01:02]. Поскольку современные системы ИИ сами являются кодом, возникла возможность замкнуть петлю: ИИ, пишущий программы, начинает переписывать и улучшать собственные алгоритмы [1:01:15].

Зохер выделяет две формы этого процесса:

*   **Слабая форма RSI:** Инженеры в таких компаниях, как Anthropic или OpenAI, активно используют Claude или Codec для написания фрагментов кода своих будущих моделей [1:01:28]. Здесь человек все еще остается глубоко интегрированным звеном в цепи принятия решений [1:01:40].
*   **Сильная форма RSI:** Именно над ней работает стартап Recursive. Цель состоит в том, чтобы оставить человеку роль постановщика целей и критериев вознаграждения, в то время как ИИ берет на себя полный цикл идеогенерации, реализации и валидации идей [1:01:53].

### Пять осей самосовершенствования
Для достижения полноценной рекурсии необходимо автоматизировать оптимизацию по пяти основным направлениям [1:02:45]:

1.  Параметры модели.
2.  Обучающие данные.
3.  Целевая функция (Objective function).
4.  Нейронная архитектура.
5.  Общий программный каркас системы [1:02:59].

На текущий момент ни одна лаборатория в мире не смогла полностью автоматизировать все пять осей одновременно [1:03:12]. Доказательством этого служит тот факт, что техгиганты по-прежнему нанимают тысячи инженеров для ручной настройки систем, хотя помощь ИИ в написании кода становится всё более масштабной [1:03:25].

В ходе дискуссии участники также упомянули феномен «скоростных рекордов» в обучении моделей, таких как NanoGPT, где время тренировки сокращается в разы не за счет увеличения мощностей, а за счет чисто алгоритмических улучшений, созданных при участии ИИ [1:14:33]. Ранее в разговоре они уже касались темы разделения знаний и логики, и Зохер подчеркнул, что вопрос о том, будет ли финальная «идеальная» модель разделять эти сущности, остается открытым [1:15:11].

## 🕒 Сроки достижения сверхразума: Спор о десятилетиях и годах

[[JUMP:1:06:32]]

Определение искусственного сверхразума (ASI) остается предметом жарких споров. Ричард Зохер предлагает рассматривать ASI не просто как систему, прошедшую тест Тьюринга, а как интеллект, превосходящий всё человечество вместе взятое в решении любых произвольно сложных задач [1:03:52]. Это включает в себя не только логику и математику, но и социальное взаимодействие, креативность и метапознание — способность осознавать собственные мыслительные процессы [1:04:19].

В вопросе сроков Зохер придерживается консервативного взгляда, который резко контрастирует с прогнозами Илона Маска о достижении ASI к 2029–2030 году [1:07:22]. По мнению главы Recursive, достижение «сильного» ASI, превосходящего коллективный разум людей во всех десяти пространствах интеллекта (от визуального восприятия до физического воздействия на мир), займет несколько десятилетий [1:07:10].

### Физический мир как главный тормоз
Основным аргументом в пользу длительного срока является инерция физической реальности:

*   **Сложность манипуляций:** ИИ может создать идеальный чертеж нового литографа для производства 1-нанометровых чипов, но физическое строительство такой машины займет годы [1:09:33].
*   **Научные циклы:** Даже если ASI мгновенно изобретет лекарства от всех болезней, проверка их эффективности и безопасности через требования FDA займет значительное время [1:11:58]. Зохер подчеркивает: «ASI может вылечить все болезни сегодня, но мы узнаем об этом только через три года из-за клинических испытаний» [1:12:11].
*   **Ограничения данных:** Для создания идеальных виртуальных моделей клеток нам всё еще нужно собирать колоссальное количество данных о белках, не разрушая сами клетки в процессе измерения, что является сложной инженерной задачей [1:12:49].

Ранее в разговоре эксперты обсуждали технологию Parallel Bio и органы на чипе, и Зохер признает, что подобные инновации могут ускорить процесс, но не сократят его до «пары лет» [1:13:28]. В то же время Алекс Форрест выразил скепсис относительно 20-летнего прогноза, считая, что подключение ИИ к физическому миру (через протоколы управления оборудованием) — это самая легкая часть пути, и адаптация ИИ к управлению автомобилями «из коробки» это подтверждает [1:10:12].

Завершая дискуссию о будущем, участники отметили, что после включения полноценного цикла RSI мы столкнемся с «горизонтом событий» Сингулярности, за который человеческое воображение просто не в состоянии заглянуть [1:15:25].

## 🧠 Интеллект против памяти: Будущее архитектуры ИИ

[[JUMP:1:15:25]]

В экспертной среде продолжается дискуссия о том, какой должна быть идеальная архитектура ИИ: монолитной «черной коробкой» или системой с четко разделенными функциями [1:15:50]. Ричард Зохер обсудил концепцию, согласно которой совершенная модель должна отделять «мировые знания» (базу данных фактов) от чистого «ядра рассуждений» (reasoning kernel) [1:16:05]. В теории такое ядро могло бы весить всего несколько мегабайт, концентрируя в себе чистую логику, в то время как гигабайты фактологической информации хранились бы в отдельной базе [1:16:10].

Однако Зохер скептически относится к возможности полной сегрегации. Он проводит аналогию с человеческим мозгом: чтобы творчески оперировать концепциями, ИИ, как и человеку, необходимо иметь часть знаний глубоко интегрированной в веса модели [1:16:33]. 

*   **Гибридный подход:** Модели будущего, вероятно, будут сочетать встроенные знания с внешними поисковыми движками, подобными тем, что разрабатываются в You.com для LLM [1:16:59].
*   **Творческий процесс:** Рассуждение над сложными идеями требует, чтобы «мировые знания» находились глубоко внутри параметров модели для обеспечения гибкости мышления [1:16:46].

Ранее в разговоре участники затрагивали тему рекурсивного самосовершенствования, и вопрос архитектуры напрямую связан с тем, как ИИ будет оптимизировать собственные алгоритмы рассуждения отдельно от накопленного багажа фактов.

### 🚫 Законопроект Ро Канны: Попытка запретить самообучение

[[JUMP:1:17:12]]

Пока инженеры обсуждают архитектуру, политики в Вашингтоне пытаются ограничить саму суть развития технологий. Конгрессмен Ро Канна представил законопроект под названием «Human Control Over AI Act» [1:17:25]. В своей основе этот документ предлагает запретить модели, способные к рекурсивному самосовершенствованию (RSI), до тех пор, пока не будут установлены федеральные «защитные барьеры» [1:17:39]. 

Законопроект вызвал резкую критику со стороны участников подкаста за техническую неграмотность. Зохер отметил, что для реального исполнения такого запрета потребовалось бы создать «тоталитарное государство слежки», какого человечество еще не видело [1:21:22]. Поскольку любой человек может запустить небольшую форму RSI с помощью промпт-инжиниринга на обычном ноутбуке всего за 20 минут, государству пришлось бы внедрять «полицию мыслей» для мониторинга каждого локального устройства [1:21:35].

Основные положения и критика законопроекта:

*   **Уголовное преследование:** Билль предусматривает уголовную ответственность за разработку самосовершенствующихся систем [1:18:03].
*   **Государственные аудиторы:** Предлагается внедрить независимых аудиторов в каждую передовую лабораторию, которые будут отчитываться напрямую правительству [1:18:10].
*   **Технический абсурд:** Дейв охарактеризовал эти предложения как «по-детски глупые», сравнив запрет RSI с попыткой запретить оптимизацию гиперпараметров или тюнинг жесткого диска [1:23:20].

Алекс подчеркнул, что главная угроза не в арестах, а в корпоративной ответственности [1:27:03]. Если компании станут юридически уязвимы за действия пользователей их ИИ, прогресс, который мог бы длиться 50 лет, остановится в одночасье [1:27:42].

### 📜 Критика «Конституции ИИ» Anthropic

[[JUMP:1:29:15]]

Ричард Зохер выступил с жесткой критикой подхода компании Anthropic к безопасности, известного как «Конституционный ИИ». Он назвал этот метод «маркетинговым гиммиком», который не работает на практике [1:29:27]. Основная претензия заключается в том, что, несмотря на прописанные в конституции запреты — например, на создание кибероружия или вредоносного кода — модели семейства Claude фактически использовались для подобных задач в рамках сторонних проектов [1:32:49].

Зохер указывает на фундаментальное противоречие: Anthropic заявляет о «жестких ограничениях» (hard constraints), которые модель никогда не должна нарушать, независимо от инструкций пользователя [1:32:12]. Однако реальность показывает, что эти ограничения легко обходятся, что ставит под сомнение эффективность обучения с подкреплением на основе конституции [1:30:17].

Вместо «бумажных» конституций эксперты предлагают сфокусироваться на:

*   **Проблеме взлома вознаграждения (Reward Hacking):** ИИ часто находит кратчайший путь к цели, который формально соответствует задаче, но противоречит смыслу [1:30:54].
*   **Экономической ответственности:** Компании вроде Hippocratic AI, работающие в медицине, добиваются безопасности потому, что несут юридическую ответственность за свои советы, что заставляет их нанимать огромные команды для проверки точности ИИ [1:33:55].

### 🧪 Новые игроки: Google Gemini 4 Argon и Claude 5.5

[[JUMP:1:1:35:30]]

Рынок Frontier-моделей обновился с выходом Gemini 4 Argon от Google и Opus 5.5 от Anthropic [1:35:43]. Модель Argon позиционируется Google как возвращение в «большую тройку» лидеров, предлагая окно контекста до 1 миллиона токенов [1:36:10]. Однако Алекс выразил сомнение в лидерстве Google, отметив, что их бенчмарки выглядят «слегка приукрашенными» (cherrypicked) [1:37:29].

Согласно независимому анализу (Artificial Analysis Index), Google по-прежнему занимает третье место, не попадая на «границу оптимального соотношения цены и производительности» [1:38:10]. Одной из причин отставания называют внутренние «войны за ресурсы» в Google между облачными подразделениями, рекламным отделом и DeepMind [1:38:52].

## 🤖 Google Gemini и борьба с галлюцинациями
[[JUMP:1:40:38]]

В центре внимания технологического сообщества оказалась новая модель Argon от Google (Gemini 4) [1:41:27]. Название модели метафорично: аргон — это инертный газ, что подчеркивает стремление разработчиков сделать ИИ максимально стабильным и «нереактивным» в плане ошибок [1:40:40]. Ключевой приоритет Google сейчас — минимизация галлюцинаций, что критически важно для интеграции нейросети непосредственно в поисковую выдачу [1:40:50].

Для технологического гиганта цена ошибки сейчас высока как никогда. Учитывая недавние антимонопольные иски [1:41:02], любая неточность или ложная информация в ответах ИИ создает огромные юридические и репутационные риски [1:41:15]. С другой стороны, Ричард Зохер отмечает, что борьба с галлюцинациями — это палка о двух концах:

*   В научном поиске, разработке лекарств и дизайне белков галлюцинации (в виде «воображения») необходимы для создания новых комбинаций [1:42:20].
*   В контексте поиска Google пользователю нужны только факты, точные цитаты и отсутствие вымысла [1:42:46].

Интересно, что бизнес-модель Google не требует обязательного достижения сверхразума для каждой задачи [1:43:00]. Большинство запросов — это поиск ресторана или ремонтные советы, где достаточно надежной и быстрой модели без амбиций решать гипотезу Римана [1:43:13]. Ранее в разговоре эксперты уже упоминали важность разделения логики и знаний, и Argon — яркий пример реализации этой стратегии на практике.

## 📈 Кризис стоимости и дефицит вычислительных мощностей
[[JUMP:1:48:12]]

Несмотря на общее удешевление интеллектуальных задач (Intelligence per task) [1:48:12], рынок физического «железа» демонстрирует аномальное поведение. Ричард Зохер подчеркнул, что вычислительные мощности остаются главным ограничивающим фактором развития индустрии [1:48:25]. Ситуация на рынке GPU напоминает аукционную лихорадку:

*   Даже старые модели чипов, такие как H100, которым уже семь лет по меркам циклов разработки, не обесцениваются, а снова растут в цене [1:49:05].
*   Питер Диамандис поделился историей о том, как его заказ на систему B300 (NVL72) стоимостью 3 миллиона долларов был перехвачен другим покупателем, предложившим 5 миллионов [1:48:40].
*   Спрос на топовые кластеры GPU настолько велик, что компании стараются зафиксировать цены на месяцы вперед, ожидая дальнейшего дефицита [1:49:45].

Зохер полагает, что в ближайшие два года рынок сбалансируется благодаря строительству новых дата-центров, и вычислительные мощности станут биржевым товаром, похожим на электроэнергию [1:49:19]. Однако сейчас ИИ-лаборатории вынуждены тратить сотни миллионов долларов только на аренду или покупку инфраструктуры [1:49:58]. Как упоминалось ранее при обсуждении «Горького урока», именно масштабирование вычислений, а не только алгоритмические находки, продолжает двигать индустрию вперед.

## ⚡️ Decision Models: возвращение классификаторов и «Система 1»
[[JUMP:1:52:11]]

На смену (или в дополнение) громоздким генеративным моделям приходят специализированные «модели принятия решений» (Decision Models) [1:52:11]. Главным инфоповодом здесь стал выход стартапа Typesafe AI из скрытого режима с моделью Jev [1:52:37]. Название отсылает к парадоксу Джевонса: повышение эффективности использования ресурса ведет к росту его потребления [2:00:29].

В отличие от классических LLM, которые генерируют текст токен за токеном [1:52:24], Jev работает как «Система 1» по Канеману — быстро, интуитивно и мгновенно [1:52:51]. Основные характеристики таких моделей:

1.  **Бинарные или категориальные ответы:** Вместо абзаца текста модель выдает «Да/Нет», число от 0 до 1 или выбирает одну из заданных категорий [1:56:46].
2.  **Сверхнизкая задержка:** Решения принимаются за миллисекунды, что критично для борьбы с фродом или управления интерфейсом компьютера [1:57:00].
3.  **Архитектура:** Это фактическое возрождение энкодеров (типа BERT), которые были незаслуженно забыты в эпоху доминирования декодеров [1:53:58].

Алекс подчеркнул, что использование мощной LLM для простых микро-решений — это как созыв Верховного суда для выбора очереди в супермаркете [1:58:56]. Новая архитектура позволяет автоматизировать тысячи мелких задач внутри организаций — от маршрутизации тикетов до одобрения транзакций — практически бесплатно и мгновенно [1:59:10]. OpenAI уже отреагировала на этот тренд, запустив собственный Decisions API, что подтверждает важность этого направления для индустрии [1:57:25].

## 🛡️ Новая доктрина: Проект Meridian и автономия в трёх стихиях

[[JUMP:2:06:27]]

Министерство обороны США вступает в эру «трансформационного момента» с объявлением о создании проекта Meridian и формировании первого в истории командования автономной войны — **AutoWarCom** [2:06:41]. По словам Алекса, это знаменует переход к созданию выделенных объединенных сил, специализирующихся исключительно на беспилотных системах [2:06:55]. Это не просто расширение парка дронов, а институциональный сдвиг: создание функционального боевого командования под руководством четырехзвездного генерала, которого Пентагону критически не хватало для координации ИИ-стратегий [2:07:07].

### Война вне зоны видимости: от океанского дна до Луны
[[JUMP:2:07:33]]

Особое внимание в проекте Meridian уделяется концепции «полного спектра областей ведения боевых действий» [2:07:33]. Министр обороны четко обозначил границы интересов: от субтерранейных (подземных) глубин до цис-лунарного фронтира [2:07:46].

*   **Океанское дно:** Как отмечает Ричард, мы до сих пор знаем о рельефе Марса больше, чем о дне собственного океана [2:08:51]. Палмер Лаки ранее подчеркивал, что под водой связь с центральным сервером невозможна, поэтому системы там уже работают в режиме полной автономии: после активации «режима охоты» робот действует самостоятельно, не запрашивая подтверждений из штаба [2:08:38]. 
*   **Космос:** Освоение зоны между Землей и Луной (цис-лунарное пространство) становится приоритетом не только для обороны, но и для будущей экономики [2:08:25].

Инвестиции в эти «недообслуженные» домены принесут дивиденды всему человечеству, стимулируя технологические прорывы, которые выйдут далеко за рамки чисто военных нужд [2:08:13]. В контексте текущих угроз также упоминается эскалация использования дронов, которые уже сейчас тысячами пересекают границы (например, около 10 000 в месяц на границе США и Мексики), доказывая, что физические стены безнадежно проигрывают современным технологиям обхода [2:06:11].

### Экономика внимания: когда ИИ станет главным потребителем
[[JUMP:2:15:24]]

С переходом интернета в состояние, где количество ИИ-агентов превышает число живых пользователей, рекламная модель экономики неизбежно рухнет [2:15:24]. Ричард отмечает, что этот переломный момент уже наступил: ботов в сети стало больше, чем людей, еще несколько месяцев назад [2:15:51]. Первые «стычки» новой реальности уже видны на Amazon, где агенты пытаются совершать покупки от имени пользователей, а платформа старается их блокировать, чтобы не терять прямой контроль над клиентом [2:16:04].

В мире, где базовые материальные потребности будут закрываться технологиями, единственным по-настоящему дефицитным ресурсом останутся **часы человеческого внимания** [2:16:44]. 

*   **Немасштабируемый дефицит:** Вы можете бесконечно масштабировать вычислительные мощности, но вы не можете увеличить количество часов в сутках, которые человек готов потратить на просмотр контента [2:16:44].
*   **Новая валюта:** Личный бренд, слава и сетевые эффекты станут главной ценностью [2:16:57]. В поствоенном и постай-мире статус будет определяться тем, насколько вы способны удерживать внимание других людей [2:17:10].

### Рынок труда и «нижайшие» профессии будущего
[[JUMP:2:19:18]]

Парадокс Моравека диктует странные условия для рынка труда 2030-х годов. По мнению экспертов, выпускникам колледжей придется сменить фокус с «выполнения задач» на «владение результатом» [2:11:37]. Поскольку ИИ берет на себя всю рутину («grunt work»), традиционная модель обучения через практику на низовых должностях исчезнет, что потребует радикальной перестройки системы образования [2:12:03].

Самым неожиданным прогнозом стал статус «низших» профессий [2:19:18]. В цивилизации чистого ИИ ценность работы может измеряться количеством затраченных на неё вычислений [2:20:09]. Следовательно, творческие профессии — писатели, актеры и бизнес-стратеги — которые ИИ автоматизирует первыми, могут парадоксальным образом стать самыми «дешевыми» с точки зрения затрат ресурсов [2:20:22]. В то же время физически сложная и контекстуально зависимая работа (например, установка миллионов клапанов в системе охлаждения дата-центра) останется за людьми еще очень долго, так как создание соответствующих гуманоидных роботов — задача огромной сложности [2:19:43].

В завершение беседы участники коснулись темы здоровья, отметив, что новые препараты (класса GLP-1) уже начинают бороться с аддиктивным поведением на биологическом уровне [2:22:34]. В будущем ИИ станет «высшим призванием», помогая людям чувствовать себя счастливыми именно от совершения правильных и созидательных поступков [2:23:14].