Recursive Superintelligence (RSI) подписала сделку с AWS на $410 млн, направив почти все средства на вычислительные мощности. Это не облачный контракт в привычном смысле - это ставка на автоматизацию разработки через self-improving системы. CEO Ричард Сочер формулирует стратегию прямо: «не количество сотрудников, а количество агентов». Первые продуктовые релизы обещают к октябрю 2026.
Сумма в $410 млн - лишь разогрев. В RSI эту сделку называют одной из самых маленьких в будущем. Пока традиционные лаборатории тратят бюджеты на персонал, RSI закупает compute и строит систему, где агенты сами улучшают свои алгоритмы. Разберём, как этот подход меняет экономику AI-исследований, почему AWS становится со-разработчиком инфраструктуры и что ждать от первых продуктов.
Сделка на $410 млн: почему Recursive Superintelligence выбрала compute вместо команды
Сделка структурирована вокруг одной цели: максимизировать объём вычислительных ресурсов в распоряжении RSI. $410 млн идут напрямую в инфраструктуру AWS - инстансы, кластеры, кастомные решения. Штат компании остаётся минимальным. Для сравнения: OpenAI в 2025 году потратила около $7 млрд, из которых значительная доля ушла на зарплаты более 3000 сотрудников. RSI переворачивает пропорцию.
Ричард Сочер, CEO Recursive, объясняет логику: «Мы измеряем прогресс не количеством сотрудников, а количеством агентов». Эти агенты - не люди, а программные сущности, способные самостоятельно искать архитектуры, оптимизировать гиперпараметры и переписывать собственный код. Compute для них - топливо. Чем больше топлива, тем быстрее итерации.
Стратегический контекст: RSI рассматривает эту сделку как минимально жизнеспособный входной билет. Внутренние оценки компании предполагают, что следующие раунды потребуют кратно больших сумм - порядка $1-2 млрд. Ставка на compute вместо персонала позволяет линейно масштабировать исследования: удвоили бюджет - удвоили вычислительную мощность. С командой из людей такой фокус невозможен - найм, онбординг и коммуникация создают нелинейные издержки.
Self-improving системы: как работает автоматизация разработки AGI
Self-improving система - это архитектура, в которой агенты модифицируют собственные алгоритмы без вмешательства человека. Классический цикл разработки ML-модели выглядит так: инженер формулирует гипотезу, пишет код, запускает эксперимент, анализирует результаты, повторяет. В RSI этот цикл замыкают агенты. Они генерируют гипотезы, выполняют поиск архитектур, проводят абляционные тесты и фиксируют улучшения.
Технически это требует нескольких компонентов: мета-оптимизатора, который управляет поиском в пространстве архитектур; системы оценки, которая быстро валидирует гипотезы; и инфраструктуры, способной параллельно обсчитывать сотни экспериментов. AWS предоставляет именно такую инфраструктуру - кластеры с низкой латентностью и высокой пропускной способностью.
Риски подхода: стабильность self-improving систем остаётся открытым вопросом. Без человеческого надзора агенты могут вырождаться в неоптимальные состояния или эксплуатировать уязвимости в функции оценки. Интерпретируемость результатов также страдает - когда агент находит работающую архитектуру, понять, почему она работает, может быть сложнее, чем при ручном дизайне. RSI не раскрывает деталей своих механизмов контроля, но сам факт ставки на автоматизацию предполагает, что эти проблемы решаемы.
Агенты вместо сотрудников: экономика и масштабирование
Сравним прямые затраты. Годовая стоимость топ-ML-инженера в Кремниевой долине - $500-800 тыс. с учётом бонусов и опционов. Команда из 100 человек обходится в $50-80 млн в год. За $410 млн можно содержать такую команду 5-7 лет. RSI вместо этого получает compute-мощности, которые позволяют запускать тысячи параллельных экспериментов ежемесячно.
Масштабируемость - ключевой фактор. Удвоение команды со 100 до 200 человек не удваивает производительность: растут коммуникационные издержки, время на согласования, сложность менеджмента. Удвоение compute-бюджета при грамотной архитектуре self-improving даёт близкое к линейному ускорение итераций. Это принципиально меняет юнит-экономику AI-продукта: стоимость одного успешного эксперимента падает с ростом инвестиций, а не растёт.
Практический пример из смежной области: Databricks доказал, что открытая модель Z.ai GLM 5.2 не уступает проприетарным в кодинге при затратах в 4 раза ниже. Это подтверждает общий тренд: эффективность архитектуры и инфраструктуры начинает перевешивать размер команды.
AWS как co-developer: что стоит за инфраструктурным партнёрством
Сделка выходит за рамки «клиент-провайдер». AWS и RSI совместно разрабатывают инфраструктуру - это означает кастомные конфигурации кластеров, оптимизацию сетевого стека под нагрузки self-improving и, вероятно, эксклюзивный ранний доступ к новым инстансам. Для AWS это полигон: нагрузки RSI экстремальны по требованиям к пропускной способности памяти и межсерверным соединениям. Решения, обкатанные на RSI, могут стать продуктом для других клиентов.
Почему AWS, а не Google Cloud или Azure? Google Cloud предлагает TPU - специализированные ускорители с высокой производительностью на матричных операциях. Однако гибкость экосистемы AWS и возможность совместной разработки кастомных решений перевесили. Azure, в свою очередь, глубоко интегрирован с OpenAI, что создаёт потенциальный конфликт интересов для независимой лаборатории. RSI выбрала платформу, где может влиять на дорожную карту железа.
Выгода AWS: self-improving нагрузки требуют новых подходов к оркестрации контейнеров, планированию заданий и отказоустойчивости. Решения, созданные под RSI, потенциально применимы для любого клиента, работающего с большими ML-пайплайнами. Это стратегическая инвестиция в продуктовую линейку, а не просто продажа compute-часов.
Дорожная карта: что ждать от Recursive Superintelligence к октябрю 2026
RSI обещает первые продуктовые релизы к октябрю 2026. Ожидаемый формат - API для доступа к self-improving моделям. Вероятно, это будут эндпоинты для конкретных задач: генерация кода, математические рассуждения, поиск архитектур. Менее вероятен on-premise вариант на старте - инфраструктурная зависимость от AWS слишком глубока.
Сравним с текущими предложениями. OpenAI продаёт доступ к готовым моделям через API, Anthropic фокусируется на безопасном взаимодействии, Google предоставляет Vertex AI с широким спектром моделей. RSI может дифференцироваться через модели, которые продолжают улучшаться после деплоя - self-improving на продакшене. Это потенциально снижает частоту переобучений и позволяет клиентам получать растущее качество без дополнительных затрат.
Важная оговорка: планы могут измениться. Октябрь 2026 - амбициозный срок для лаборатории, которая только что получила compute-ресурсы. Задержки на 3-6 месяцев были бы нормой для индустрии. Информация предварительная, основана на заявлениях компании.
Сравнительный анализ: Recursive vs. OpenAI, Anthropic, Google
Сравним ключевых игроков по доступным данным. Цифры по OpenAI, Anthropic и Google - оценки на основе публичных отчётов и аналитики индустрии за 2025-2026 годы.
| Параметр | Recursive Superintelligence | OpenAI | Anthropic | Google DeepMind |
|---|---|---|---|---|
| Годовой бюджет на compute | $410 млн (сделка с AWS) | ~$4-5 млрд (оценка) | ~$1.5-2 млрд (оценка) | ~$3-4 млрд (оценка) |
| Штат | Минимальный (точные цифры не раскрыты) | ~3000+ | ~1500+ | ~2000+ (в AI-подразделениях) |
| Подход к разработке | Self-improving агенты, compute-центричный | Человеко-центричный R&D, крупные команды | Человеко-центричный, фокус на safety | Смешанный, сильный research-департамент |
| Публичные бенчмарки | Отсутствуют (pre-release) | GPT-5 на лидирующих позициях | Claude Opus в топ-3 | Gemini Ultra конкурирует с GPT-5 |
| Скорость итераций | Потенциально высокая (автоматизация) | Средняя (человеческий цикл) | Средняя (safety-ревью замедляет) | Высокая (ресурсы и инфраструктура) |
Анализ: подход RSI выигрывает в масштабируемости и потенциальной скорости итераций. Проигрывает в отсутствии публичных результатов и незрелости self-improving систем. OpenAI и Anthropic имеют проверенные пайплайны и работающие продукты, но их человеко-центричная разработка дорожает с каждым годом. Google DeepMind обладает ресурсами обоих типов, но корпоративная структура замедляет фокус.
Compute vs. персонал: что выгоднее для масштабирования AGI?
Детальный разбор затрат. Обучение одной большой модели уровня GPT-5 стоит $500 млн - $1 млрд в compute-ресурсах. Зарплатный фонд OpenAI за тот же период - около $1.5 млрд. Соотношение близко к 1:1.5 в пользу персонала. RSI меняет это соотношение на 1:0.1 или даже 1:0.05 - почти всё идёт в compute.
С ростом масштаба разрыв увеличивается. Следующее поколение моделей потребует $5-10 млрд на обучение. Зарплатный фонд при этом не может расти линейно - вы упрётесь в доступный пул специалистов раньше, чем в бюджет. Compute-центричный подход масштабируется до физических пределов энергопотребления и производства чипов.
Прогноз: compute-центричный подход станет доминирующим для лабораторий, нацеленных на AGI. Человеческий труд сместится в область определения целей, дизайна функций оценки и контроля безопасности. Рутинные эксперименты и поиск архитектур будут автоматизированы. DeepSeek уже демонстрирует схожую философию: AGI как главная цель, а не погоня за прибылью, что позволяет концентрировать ресурсы на исследованиях.
Последствия для рынка: как $410M на compute изменят правила игры
Сделка RSI-AWS - сигнал для венчурного рынка. Инвесторы начинают переоценивать AI-стартапы не по размеру команды, а по объёму compute-контрактов. Стартап с 20 сотрудниками и контрактом на $500 млн может быть перспективнее, чем компания с 500 сотрудниками и $100 млн на compute.
Давление на традиционные лаборатории растёт. OpenAI и Anthropic вынуждены повышать эффективность: каждый доллар, потраченный на зарплату, должен приносить измеримый результат. Уже видны признаки сдвига - Microsoft активно инвестирует в инфраструктуру для AI, а не только в команды, оценивая DeepSeek в $50 млрд и интегрируя Copilot с Fabric.
Новые возможности для стартапов: доступ к крупным compute-ресурсам через облачных провайдеров снижает порог входа. Команда из 10 человек с self-improving пайплайном может конкурировать с лабораториями, имеющими сотни сотрудников. Риск - монополизация compute-ресурсов: три облачных гиганта контролируют основную долю мощностей, и их стратегические альянсы с AI-лабораториями могут создать закрытые экосистемы.
Практический вывод: при планировании AI-стратегии учитывайте не только доступность моделей, но и стоимость compute для их дообучения или файнтюнинга. Консолидация рынка в июне 2026 - блокировка моделей Anthropic правительством США, покупка Cursor за $60 млрд - показывает, что контроль над инфраструктурой становится критическим преимуществом.
Выводы: стоит ли делать ставку на compute-центричную разработку AGI
Recursive Superintelligence показала, что compute-центричный подход экономически оправдан на масштабах от $400 млн. Плюсы: линейная масштабируемость, скорость итераций, потенциально более низкая стоимость владения продуктом. Минусы: зависимость от поставщика compute, незрелость self-improving систем, отсутствие публичных доказательств работоспособности.
Рекомендации. Рассмотрите аналогичную стратегию, если ваша задача требует тысяч параллельных экспериментов и у вас есть доступ к крупным compute-ресурсам. Отслеживайте метрики: стоимость одного успешного эксперимента, скорость конвергенции self-improving цикла, стабильность результатов на протяжении 10+ итераций без человеческого вмешательства.
Открытые вопросы. Насколько стабильны self-improving системы на длинных горизонтах? Как измерять прогресс, если агенты находят неинтерпретируемые решения? Ответы появятся не раньше первых публичных релизов RSI. До октября 2026 остаётся меньше года - этот срок определит, станет ли модель «агенты вместо сотрудников» новым стандартом индустрии или останется смелым экспериментом.