Директор по ИИ Сбера — о GigaChat, профессии разработчика и «дешёвом апокалипсисе»

Сергей Марков пришёл в программирование в 1986–1988 годах — отец привёл его на завод «Научприбор» и посадил за компьютер. Уже в старшей школе он с товарищем писал ИИ для игры Реверси, в институте продолжал хобби-проекты по игровым алгоритмам. Сегодня он возглавляет направление развития технологий ИИ в Сбере и отвечает за GigaChat.

Один из главных тезисов Маркова — граница между «настоящим» ИИ и «просто программой» надуманна. Шахматные системы, работающие без машинного обучения, он считает полноценным ИИ: они не хранят заранее прописанные партии, а генерируют цепочки ходов из текущей позиции. В 1997 году Deep Blue победил Гарри Каспарова, анализируя около 200 миллионов позиций в секунду. После этой победы многие стали говорить, что компьютер «просто быстрый» — Марков называет это «эффектом ИИ»: решённая задача перестаёт казаться интеллектуальной. Термин связывают с исследователем Памелой Маккордак.

Про историю GigaChat Марков говорит осторожно. Сбер занимался генеративными трансформерами примерно с 2018 года — параллельно с OpenAI, Google, DeepMind и командами в Китае. Специалисты знали о GPT-2 и GPT-3, но воспринимали их скорее как «продолжатели текста». Ключевым сдвигом стало осознание, что диалог может быть универсальным интерфейсом для любых интеллектуальных задач. Второй фактор — смелость: крупные корпорации боялись репутационных рисков от публичного запуска сырой модели, OpenAI тогда рисковала меньше. В результате Сбер вышел с GigaChat через несколько месяцев после старта ChatGPT. Технически у команды уже была ruGPT-3.5; время ушло на интерфейсы, инструктивный датасет и эксперименты.

При этом GigaChat с первого дня имел особенность, которой не было у раннего ChatGPT: встроенную генерацию изображений. Пользователь писал «нарисуй картинку», языковая модель формировала запрос к Kandinsky — и изображение появлялось в том же диалоге. Это был ранний пример мультимодального интерфейса, когда текстовая и визуальная модели работают как единая система.

На вопрос о перспективах общего ИИ — систем, способных решать неопределённо широкий спектр задач — Марков отвечает сдержанно. Современные модели вроде GigaChat или ChatGPT он считает менее узкими, чем классические шахматные программы, но до AGI, по его словам, «ещё нужно серьёзно доработать». Параллель с живой природой: пчела с несравнимо более простой нервной системой решает задачу оптимального маршрута лучше человека — именно за счёт специализации. Долгое время ИИ-системы работали по той же логике. Генеративные модели сдвигают этот баланс, но не отменяют его полностью.

Отдельная тема в интервью — профессия ИИ-разработчика и риски, которые Марков обозначает как «дешёвый апокалипсис»: сценарий, при котором не сверхмощный ИИ уничтожает человечество, а накопленные технологические дисбалансы и автоматизация без осмысления последствий постепенно подрывают социальные структуры. По его логике, именно развитие ИИ может стать инструментом управления этими рисками — если подходить к нему без маркетингового пафоса и с пониманием того, какие именно интеллектуальные задачи автоматизируются и зачем.