Новый исследовательский центр Flapping Airplanes, основанный братьями Беном и Ашером Спекторами и Эйданом Смитом, привлек $180 млн начального финансирования. Лаборатория сосредоточена на поиске менее требовательных к данным способов обучения искусственного интеллекта, что может изменить экономику и возможности ИИ-моделей.
Основатели объясняют, почему сейчас подходящий момент для запуска новой лаборатории. По их мнению, современные модели обучаются на всем объеме человеческих знаний, тогда как человеку для обучения требуется значительно меньше данных. Команда ставит на три ключевых аспекта: важность проблемы эффективности данных, ее коммерческую ценность и необходимость творческого подхода без оглядки на существующие парадигмы.
Исследователи не считают себя прямыми конкурентами крупных лабораторий, поскольку изучают принципиально иные проблемы. Они отмечают, что человеческий мозг обучается совершенно иначе, чем трансформеры, и это открывает новые возможности. Например, большие языковые модели обладают феноменальной памятью, но медленно осваивают новые навыки, требуя огромных объемов данных.
Название Flapping Airplanes символизирует их подход: они не пытаются скопировать птиц (мозг), а создают «машущий самолет» — эффективную систему, вдохновленную природой, но адаптированную к возможностям кремния. Команда черпает идеи из нейробиологии, но не ограничивается биологическими аналогиями.
Лаборатория намерена сначала сосредоточиться на фундаментальных исследованиях, избегая преждевременных коммерческих контрактов, которые могут отвлечь от поиска прорывных решений. Основатели уверены, что глубокие исследования в долгосрочной перспективе принесут больше ценности.
Финансирование в $180 млн стало для них неожиданностью, но подтвердило интерес инвесторов к радикальным идеям. Исследователи отмечают, что фундаментальные эксперименты часто дешевле инкрементальных улучшений, так как неудачные гипотезы отсекаются на ранних этапах, без затратных масштабирований.
Повышение эффективности данных может привести к нескольким результатам: модели с более глубоким пониманием и улучшенными способностями к рассуждению, быстрая адаптация к новым задачам с несколькими примерами, а также открытие новых областей применения ИИ, таких как робототехника и научные открытия, где данные ограничены. В перспективе это может сделать ИИ более доступным и практичным инструментом.