Модель Safe Superintelligence Ильи Суцкевера может быть выпущена уже в августе, говорит Гэвин Бейкер

Введение

Компания Safe Superintelligence Inc. более двух лет хранила молчание о том, над чем работает.

Эта тишина может скоро закончиться.

Гэвин Бейкер, управляющий партнёр и главный инвестиционный директор Atreides Management, в недавнем разговоре с инвестором и ведущим подкаста Патриком О'Шонесси заявил, что SSI сообщила о планах выпустить модель в августе.

Это заявление сразу привлекло внимание, поскольку SSI никогда ранее публично не объявляла конкретных дат выпуска моделей.

SSI была основана в 2024 году бывшим главным учёным OpenAI Ильёй Суцкевером, Дэниелом Гроссом и Дэниелом Леви и построена вокруг необычно сфокусированной миссии. На её официальном сайте компания до сих пор описывает себя как лабораторию, которая «мчится по прямой», имея одну цель и один продукт: безопасный сверхинтеллект.

Именно поэтому любое обсуждение первой модели приобретает особую значимость.

Однако с самого начала необходимо прояснить ключевое различие:

По состоянию на 7 августа 2026 года SSI сама не публиковала никаких официальных заявлений на своём веб-сайте, подтверждающих выпуск модели в августе.

Августовский срок исходит из заявления Бейкера, а не из официального уведомления SSI.

Если информация Бейкера точна, это будет первый случай, когда внешний мир сможет увидеть технические результаты одной из самых загадочных и вызывающих интерес передовых ИИ-лабораторий.

Первая публичная модель SSI может выйти в августе

Это ключевое заявление было сделано почти вскользь в ходе более широкой дискуссии об ИИ-инфраструктуре, спросе на полупроводники, непрерывном обучении и эффективности обучения на выборках.

Бейкер считает, что если модели смогут эффективно обучаться после развёртывания, а не полагаться в основном на масштабное предварительное обучение, экономический ландшафт передового ИИ может кардинально измениться.

Развивая эту мысль, он сообщил, что SSI заявила о намерении «выпустить» модель в августе.

Это заявление оставляет множество вопросов без ответа.

Оно не сообщает нам:

• как называется модель
• будет ли она доступна для публичного скачивания
• будет ли доступ к ней через API
• является ли она исследовательской предварительной версией или коммерческим продуктом
• является ли она языковой моделью в традиционном смысле
• использует ли она архитектуру Transformer
• поддерживает ли она непрерывное обучение
• является ли она тем самым «безопасным сверхинтеллектом», к которому стремится SSI
• остаётся ли августовский срок

без изменений

Исходная статья интерпретирует это заявление как первый выпуск модели от SSI.

Это разумная интерпретация, однако конкретная форма выпуска остаётся неизвестной.

SSI всегда описывала себя иначе, чем обычные ИИ-продуктовые компании

Официальное заявление о миссии SSI необычно прямолинейно.

Компания заявляет, что была создана для достижения безопасного сверхинтеллекта без влияния следующих факторов:

• продуктовых циклов
• краткосрочного коммерческого давления
• управленческих издержек
• множества конкурирующих продуктовых линеек

Её публичная дорожная карта — это не ряд чат-ботов, инструментов для программирования, поисковых продуктов или корпоративных сервисов.

Её заявленная дорожная карта — это сам безопасный сверхинтеллект.

Именно поэтому августовское заявление вызывает столько спекуляций.

Если SSI выпустит традиционную передовую модель до достижения сверхинтеллекта, это может указывать на то, что продуктовая стратегия компании изменилась.

Если же модель — это лишь демонстрация исследовательских разработок SSI, то такой выпуск может быть направлен на демонстрацию прогресса, а не на запуск широкой коммерческой платформы.

На данный момент обе интерпретации остаются лишь предположениями.

Непрерывное обучение — более важная история, стоящая за заявлением Бейкера

Фраза о выпуске модели прозвучала в ходе обсуждения Бейкером непрерывного обучения и эффективности обучения на выборках.

Эти два исследовательских направления могут иметь для экономики ИИ большее значение, чем любой результат бенчмарков.

Что такое непрерывное обучение?

Типичные фундаментальные модели обучаются большими этапами.

Упрощённый процесс выглядит так:

1. Собирается очень большой обучающий корпус.
2. Модель предварительно обучается на этом корпусе.
3. Модель дообучается или проходит пост-обучение.
4. Модель разворачивается.
5. Периодически создаются новые версии модели путём дополнительного обучения.

Развёрнутая модель может использовать информацию из своего контекстного окна или внешней памяти, но её базовые веса обычно не обновляются непрерывно от каждого взаимодействия.

Непрерывное обучение ставит перед собой гораздо более амбициозную цель.

Система непрерывного обучения со временем постоянно приобретает полезные способности или знания, не требуя перестройки с нуля и не испытывая катастрофического забывания уже имеющихся знаний.

Для этого необходимо решить несколько сложных задач:

• обучение на непрерывном потоке нового опыта
• отличие полезной обратной связи от шума
• предотвращение катастрофического забывания
• защита модели от повреждения вредоносными взаимодействиями
• сохранение выравнивания при изменении модели
• оценка систем, поведение которых эволюционирует со временем
• контроль того, какой опыт допускается для обновления модели

Таким образом, модель, способная непрерывно обучаться в реальном мире, будет гораздо большим, чем просто чат-бот с долговременной памятью.

Что такое эффективность обучения на выборках?

Эффективность выборок — это способность обучаться на меньшем количестве примеров.

Человеку обычно достаточно увидеть демонстрацию один или два раза, чтобы понять новое правило.

Современным передовым моделям часто требуются колоссальные объёмы обучающих данных и вычислительных мощностей для достижения широкого улучшения способностей.

Модель с более высокой эффективностью выборок может извлекать больше обучающей ценности из каждого элемента:

• пользовательских взаимодействий
• результатов работы с инструментами
• наблюдений за окружающей средой
• симуляций
• экспериментов
• исправлений
• демонстраций

Если

непрерывное обучение и эффективность выборок будут расти совместно, роль предварительного обучения может измениться.

Вместо того чтобы создавать почти все способности до развёртывания, лаборатории, возможно, смогут обучить мощную фундаментальную модель, а затем позволить ей совершенствоваться через опыт.

Гипотеза Бейкера: потребности в обучении могут стать меньшей частью ИИ-вычислений

Бейкер связывает это направление исследований со спросом на полупроводники.

Его основная идея такова:

Масштабное разовое предварительное обучение
↓
Развёртывание модели
↓
Модель эффективно учится на опыте реального мира
↓
Снижение потребности в повторных гигантских переобучениях

В таком сценарии традиционное передовое предварительное обучение может стать меньшей частью общих ИИ-вычислений.

Более важную роль могут играть инференс и непрерывное обучение.

com/cms-assets/image/2026/08/978abe63-4b06-4c22-b491-72bdbd9f94ed-39b95ad5-109d-47b5-b0a1-c1c78a939098.png)

Бейкер описывает это как потенциальный разрыв в потребностях обучения.

Это инвестиционный тезис, а не установленный технический вывод.

Чтобы этот сценарий стал реальностью, необходимо выполнение нескольких условий:

1. Постоянное обучение должно надежно работать на передовом масштабе.
2. Модели должны извлекать полезную информацию из относительно небольшого числа взаимодействий.
3. Новое обучение не должно разрушать существующие способности.
4. Безопасность и выравнивание должны оставаться стабильными по мере изменения систем.
5. Онлайн-обучение должно быть экономически выгоднее периодического переобучения.
6. Итоговая система все равно должна выигрывать от масштабного развертывания.

Даже в этом случае общие вычислительные потребности не обязательно снизятся.

Модель, которая становится значительно полезнее после развертывания, может порождать больше потребностей в инференсе, активности агентов, симуляциях, генерации данных и нагрузках на обучение с подкреплением.

Структура вычислительных мощностей может измениться, но общий рынок не обязательно сократится.

Количество токенов обучения следует рассматривать как иллюстративные данные, а не буквальный ориентир

В исходной статье повторяется поразительное числовое сравнение из обсуждения Бейкера: ранние примеры моделей — примерно десятки миллиардов токенов, тогда как современные масштабы обучения достигают сотен триллионов.

Это сравнение не следует воспринимать как проверенные исторические данные об обучении Llama.

Официальная документация Meta указывает:

• LLaMA 7B обучалась на примерно 1 триллионе токенов.
• LLaMA 33B и 65B обучались на примерно 1,4 триллиона токенов.

Сам Бейкер также называл меньшие цифры как сведения, полученные из разговоров, а не как официальные данные из карточек моделей.

Аналогично, передовые лаборатории не раскрывают полное количество токенов обучения для каждой текущей проприетарной модели.

Даже без опоры на точное сравнение «20 миллиардов против 300 триллионов» основная мысль остается верной:

Разработка передовых моделей все сильнее зависит от огромных наборов данных и значительных вычислительных мощностей, поэтому прорыв, позволяющий развернутым системам эффективно учиться на меньшем объеме нового опыта, может существенно изменить экономическую структуру ИИ-инфраструктуры.

Что это значит для NVIDIA

NVIDIA выигрывает от множества различных видов ИИ-нагрузок:

• Предобучение
• Постобучение
• Обучение с подкреплением
• Генерация синтетических данных
• Инференс
• Исполнение агентов
• Рассуждение на длинном контексте
• Симуляции
• Эмбеддинги и поиск
• Видео- и мультимодальная генерация

Сокращение одной категории не означает автоматического снижения общего спроса на ускорители.

Именно поэтому Бейкер описывает постоянное обучение как сценарий, который стоит подвергнуть стресс-тестированию, а не как уверенный прогноз.

Распродажа в ИИ-секторе — контекст обсуждения

Бейкер записал этот разговор в период значительного ослабления акций, связанных с искусственным интеллектом.

В своем посте в социальных сетях, где он продвигал это интервью, он отметил, что на момент записи «ИИ-сектор» упал примерно на 35–40% от июньских максимумов.

Источник в BAAI сравнил скорость этой коррекции со сжатием медвежьего рынка 2022 года в более короткий промежуток времени.

Целью Бейкера в разговоре был поиск доказательств того, ухудшилась ли базовая инвестиционная логика ИИ.

Он обсуждал следующие показатели:

• Ценообразование на GPU
• Спрос на инференс
• Прогресс открытых моделей
• Спрос на полупроводники
• Капитальные расходы
• Непрерывный технологический прогресс

Его аргумент не в том, что рынок не может упасть дальше.

А в том, что настоящий технологический разрыв — например, эффективное постоянное обучение — может иметь большее значение для долгосрочной логики вычислений, чем краткосрочные колебания цен на акции.

Гэвин Бейкер десятилетиями следит за NVIDIA и полупроводниковой отраслью

Источник потратил значительное время на объяснение того, почему комментарии Бейкера об SSI привлекли внимание.

Бейкер не является сотрудником или официальным представителем SSI.

Он публичный рыночный инвестор.

В настоящее время он занимает должность управляющего партнера и главного инвестиционного директора Atreides Management, компании, которую он основал в 2019 году.

Ранее он работал в Fidelity Investments с 1999 по 2017 год.

Его должности там включали:

• Аналитик по полупроводникам
• Портфельный менеджер
• Портфельный менеджер Fidelity OTC
• Венчурный капиталист

Его многолетний опыт в полупроводниковой отрасли особенно актуален для этого обсуждения, поскольку Бейкер следил за NVIDIA в течение нескольких вычислительных эпох.

Эти эпохи включают:

• Компьютерную графику для ПК
• Игровые GPU
• CUDA
• Криптовалюты
• Обучение глубоких сетей
• ИИ-инференс
• Датацентровые системы
• ИИ-фабрики

На конференции NVIDIA GTC 2026 года Джен-Сун Хуан публично представил Бейкера как первого крупного институционального инвестора NVIDIA.

Это утверждение можно независимо проверить по записям собственных выступлений NVIDIA на GTC.

Почему важны связи

Источник также подчеркнул обширную сеть контактов Бейкера среди технологических компаний, основателей, инвесторов и в полупроводниковой экосистеме.

Такие связи могут объяснить, почему участники рынка серьезно отнеслись к случайному комментарию об SSI.

Но это все равно не означает, что это заявление приравнивается к корпоративному объявлению.

Правильная иерархия доказательств такова:

По состоянию на 7 августа доказательства остаются на уровне «заслуживающего доверия вторичного источника».

SSI привлекла миллиарды долларов, но не выпустила публичную модель

Загадочность SSI — одна из причин, почему внешние ожидания настолько высоки.

Компания была основана в июне 2024 года:

• Ильёй Суцкевером
• Дэниелом Гроссом
• Дэниелом Леви

Суцкевер ранее соучредил OpenAI и был там главным научным сотрудником.

SSI первоначально привлекла около 1 миллиарда долларов.

По сообщениям, раунд в конце 2025 года принес еще 2 миллиарда долларов, при этом оценка компании составила около 32 миллиардов долларов.

В июле 2026 года NVIDIA и SSI объявили о новом стратегическом партнерстве.

Reuters затем со ссылкой на источники сообщила, что инвестиции NVIDIA составили около 5 миллиардов долларов, хотя обе компании назвали инвестиции значительными, не раскрывая конкретные финансовые суммы в официальных объявлениях.

Такая комбинация необычна для отрасли:

• Многомиллиардное финансирование
• Очень высокая частная оценка
• Небольшая исследовательская команда
• Отсутствие публичной линейки моделей
• Мало опубликованных исследований
• Отсутствие обычной дорожной карты продуктов

В результате воспринимаемая ценность компании во многом зависит от доверия к ее исследовательской команде и вероятности того, что ее подход может существенно отличаться от основного пути передовых моделей.

NVIDIA теперь видит строго конфиденциальные исследования SSI

Объявление NVIDIA–SSI от 27 июля дало один из самых сильных публичных сигналов о том, что SSI считает, что перешла в новую фазу.

NVIDIA заявила, что вступила в это партнерство после получения редкого доступа к строго конфиденциальным исследованиям SSI.

Компании объявили:

• NVIDIA сделала крупные инвестиции в SSI.
• SSI получит доступ к платформе NVIDIA Vera Rubin.
• Сотрудничество позволит примерно на порядок увеличить вычислительные мощности SSI.
• SSI и NVIDIA будут сотрудничать над будущими вычислительными платформами.

Суцкевер заявил, что у SSI есть исследования, «заслуживающие масштабирования».

В заявлении по-прежнему не раскрываются:

• Архитектура модели
• Методы обучения
• Технологии безопасности
• Бенчмарки
• Дата запуска
• Название модели

Но он действительно подтверждает, что SSI перешла от чисто исследовательской деятельности к масштабированию направления, которое она считает перспективным.

Vera Rubin обеспечивает SSI более крупную вычислительную базу

Платформа Vera Rubin от NVIDIA — это архитектура искусственного интеллекта следующего поколения компании.

NVIDIA заявляет, что Rubin улучшает:

• производительность обучения
• пропускную способность рассуждений агентов
• энергоэффективность
• стоимость токенов
• крупномасштабные сети

Что касается конкретно SSI, в официальном объявлении о партнёрстве говорится, что сочетание инвестиций и доступа к Vera Rubin увеличит вычислительные мощности компании на порядок величины.

Именно отсюда происходит широко распространённое утверждение о «10-кратных вычислениях».

Формулировка имеет значение.

NVIDIA не заявляла, что SSI получит ровно в 10 раз больше GPU.

Она заявила, что партнёрство

увеличит общую вычислительную мощность SSI на порядок величины.

Может ли партнёрство с NVIDIA поддержать августовский релиз?

Сроки, естественно, порождают спекуляции.

Хронология выглядит следующим образом:

Партнёрство с NVIDIA может поддержать предстоящий выпуск модели или будущие этапы расширения.

В настоящее время нет публичных доказательств того, что аппаратное соглашение было подписано специально для поддержки августовского релиза.

Более обоснованный вывод таков:

Это партнёрство предоставило SSI значительно увеличенную инфраструктуру в то же время, когда влиятельный инвестор заявил, что компания может выпустить модель, однако связь между этими событиями официально не объяснена.

Наблюдение «Claude как Уолтер Кронкайт с Уолл-стрит»

Затем источник переключается с SSI на более широкое наблюдение Baker о ИИ и финансовых рынках.

Он сравнил Claude с Уолтером Кронкайтом — влиятельным американским тележурналистом, ассоциировавшимся с высоким уровнем общественного доверия в эпоху телевещания.

Взгляд Baker заключается не в том, что Claude действительно определяет рыночную истину.

Он описывает возможную потерю разнообразия в финансовом анализе.

До генеративного ИИ

Сложный отчёт о доходах, документ по полупроводниковой политике или регуляторное объявление могли независимо интерпретировать:

• тысячи аналитиков
• портфельные менеджеры
• трейдеры
• отраслевые эксперты
• журналисты
• экономисты

Эти люди приходили бы к разным мнениям.

Разные предположения порождали бы разные рыночные взгляды.

После генеративного ИИ

Теперь многие участники рынка могут отправлять один и тот же документ одному и тому же небольшому набору передовых моделей.

Они задают схожие вопросы:

Что это означает?
Это бычий или медвежий сигнал?
Какие компании выигрывают?
Каковы эффекты второго порядка?
Что изменилось по сравнению с ожиданиями?

Если многие люди в значительной степени полагаются на одну и ту же модель, они могут получить схожие аналитические рамки и схожие выводы.

Это может сформировать консенсус, опосредованный моделями.

Почему гомогенизированный анализ важен

Финансовые рынки зависят от разногласий.

Покупатели и продавцы имеют разные:

• временные горизонты
• информацию
• модели
• предположения
• толерантность к риску
• способы интерпретации

Если значительная часть анализа стандартизируется через одну и ту же систему ИИ, может произойти следующее:

• ускорение реакции
• преждевременное формирование консенсуса
• аналогичные сделки в одно и то же время
• более резкие колебания цен
• более раннее появление контртрендовых возможностей
• широкое распространение ошибок одной модели

Baker описывает это как упадок аналитического разнообразия.

Это интересная гипотеза, а не эмпирическое правило современных рынков.

ИИ также может увеличивать разнообразие

Существует другая возможность.

Инструменты ИИ могут

позволить аналитику тестировать больше сценариев, изучать больше документов, переводить больше источников и быстрее подвергать сомнению консенсус.

Пользователи также могут сравнивать выходные данные моделей или инструментов:

• Claude
• ChatGPT
• Gemini
• модели с открытыми весами
• специализированные финансовые модели
• настраиваемые внутренние исследовательские агенты

Увеличит или уменьшит ИИ рыночное разнообразие, зависит от того, как люди его используют.

Риск заключается в передаче суждений одной и той же модели без независимой проверки.

Что может раскрыть модель SSI

Если SSI действительно выпустит модель в августе, наиболее интересные вопросы, вероятно, будут не стандартными вопросами из бенчмарков.

Люди, естественно, будут сравнивать по следующим параметрам:

• способность к рассуждению
• навыки программирования
• математические способности
• агентные задачи
• производительность на длинном контексте
• мультимодальное понимание

Но заявленная миссия SSI делает несколько более глубоких вопросов более важными.

1. Способна ли она к непрерывному обучению?

Комментарии Baker появились в рамках дискуссии о непрерывном обучении.

Это не доказывает, что модель SSI продемонстрирует способность к непрерывному обучению.

Если это так, исследователи захотят узнать:

• Что меняется после развёртывания?
• Будут ли веса обновляться онлайн?
• Является ли обучение поэтапным или непрерывным?
• Как контролируется забывание?
• Как фильтруется вредоносная обратная связь?
• Как оцениваются обновления?

1. Является ли она более эффективной по выборке?

Если SSI нашла способ извлекать больше из меньшего количества примеров, это может повлиять на экономику обучения.

Убедительные доказательства потребуют прозрачных оценок, а не анекдотов.

1. Что технически означает «безопасность»?

SSI заявляет, что безопасность и возможности должны развиваться вместе.

Релиз создаст возможность продемонстрировать, что это означает на практике.

Возможные области включают:

• выравнивание
• интерпретируемость
• робастность
• масштабируемый надзор
• устойчивость к атакам
• контролируемое самоулучшение
• безопасное использование инструментов

SSI ещё не раскрыла публично, какие из этих механизмов определяют её подход.

1. Это продукт или исследовательская веха?

Публичный API будет указывать на продуктовое направление.

Статья, демонстрация, бенчмарк или ограниченный исследовательский релиз будут означать нечто иное.

Пока SSI сама не выскажется, формулировка «выпуск модели» слишком расплывчата, чтобы ответить на этот вопрос.

Почему этот слух важен даже до релиза

SSI — одна из немногих передовых лабораторий, чьё основание было явно мотивировано избеганием обычной продуктовой конкуренции до готовности её основной исследовательской цели.

Это делает релиз не просто проверкой качества модели.

Он проверит несколько убеждений, сформировавшихся вокруг компании с 2024 года:

• небольшая элитная команда может конкурировать с более крупными лабораториями
• исследовательско-ориентированная организация может избегать быстрых продуктовых циклов
• безопасность и возможности могут развиваться совместно
• другое исследовательское направление может оправдать миллиардное финансирование
• прогресс на переднем крае может не требовать лишь более быстрого следования той же траектории масштабирования

Партнёрство с NVIDIA повысило ожидания, поскольку NVIDIA заявила, что увидела исследовательские результаты SSI до вложения значительного капитала и вычислительных мощностей следующего поколения.

Комментарии Baker добавили возможные сроки.

Ни то, ни другое не говорит нам, что именно представляет собой модель.

Что подтверждено, что сообщено, а что остаётся неизвестным

Подтверждено

• SSI основана Ilya

Sutskever, Daniel Gross и Daniel Levy в 2024 году.

• SSI публично заявила, что её единственная цель и продукт — безопасный сверхразум.
• NVIDIA и SSI объявили о долгосрочном стратегическом партнёрстве 27 июля 2026 года.
• NVIDIA заявила, что партнёрство увеличит вычислительные мощности SSI примерно на порядок величины.
• NVIDIA заявила, что до установления партнёрства получила редкий доступ к строго конфиденциальным исследованиям SSI.
• Gavin Baker — управляющий партнёр и главный инвестиционный директор Atreides Management.
• Jensen Huang описал Baker как первого крупного институционального инвестора NVIDIA на GTC 2026.

Сообщено Gavin Baker

• SSI заявила о планах выпустить модель в августе.

Не подтверждено публично SSI

• точная дата релиза
• название модели
• архитектура
• количество параметров
• количество токенов обучения
• результаты бенчмарков
• модель доступа
• ценообразование
• лицензирование
• способность к непрерывному обучению
• заявления об эффективности выборки
• является ли сам релиз частью системы сверхразума

Часто задаваемые вопросы

Выпустит ли Safe Superintelligence Inc. модель в августе 2026 года?

Гэвин Бейкер в недавнем интервью заявил, что SSI, по его словам, выпустит модель в августе. По состоянию на 7 августа 2026 года SSI не публиковала официальных заявлений на своём сайте, подтверждающих эту дату.

Станет ли это первой публичной моделью SSI?

Если модель будет выпущена, это станет первым публичным появлением модели или продуктовой системы уровня SSI. С момента основания компания работала преимущественно в закрытом режиме и не выпускала стандартных серий моделей.

Подтверждено ли, что августовская модель SSI является сверхинтеллектом?

Нет. Официальная миссия SSI — создание безопасного сверхинтеллекта, однако нет публичной информации, подтверждающей, что предполагаемая августовская модель достигла этого уровня. Возможности модели, её архитектура, результаты тестов и формат выпуска остаются неизвестными.

Что такое непрерывное обучение в ИИ?

Непрерывное обучение — это способность системы постоянно учиться на новом опыте с течением времени, без необходимости повторного полного переобучения с нуля и без забывания ранее приобретённых навыков. Надёжное непрерывное обучение остаётся активной областью исследований, особенно для крупных развёрнутых моделей.

Почему непрерывное обучение может повлиять на спрос на GPU?

Если модели после развёртывания смогут эффективно обучаться, часть вычислений может сместиться с масштабных периодических этапов предобучения на инференс, онлайн-обучение, симуляцию и пост-обучение. Это изменит структуру спроса на ускорители, но не обязательно сократит общий объём вычислительных потребностей ИИ.

Инвестировала ли NVIDIA в Safe Superintelligence Inc.?

Да. NVIDIA и SSI официально объявили о значительных инвестициях и долгосрочном партнёрстве в июле 2026 года. Reuters сообщило, что сумма инвестиций составляет около 5 миллиардов долларов США, однако компании не раскрыли финансовые детали в официальных заявлениях.

Что даёт SSI сотрудничество с NVIDIA по платформе Vera Rubin?

NVIDIA заявила, что SSI получит доступ к её следующему поколению платформы Vera Rubin, и что это партнёрство увеличит вычислительные мощности SSI примерно на порядок. Компании также будут совместно разрабатывать будущие вычислительные платформы.

Кто такой Гэвин Бейкер?

Гэвин Бейкер — управляющий партнёр и главный инвестиционный директор Atreides Management.

Ранее он проработал почти двадцать лет в Fidelity Investments. На конференции NVIDIA GTC 2026 Дженсен Хуанг назвал его первым крупным институциональным инвестором NVIDIA.

Связанные инструменты

• Safe Superintelligence Inc.: Официальный сайт SSI, основной источник информации о миссии компании, её описании и будущих публичных заявлениях.
• NVIDIA Vera Rubin: Вычислительная платформа следующего поколения от NVIDIA, которая обеспечит расширенную вычислительную инфраструктуру SSI.
• Atreides Management: Инвестиционная компания Гэвина Бейкера, в официальном профиле которой подробно описан его опыт в инвестициях в полупроводниковую и технологическую отрасли.
• NVIDIA On-Demand: Официальный архив ключевых выступлений GTC, технических сессий и стенограмм NVIDIA.
• Meta Llama: Официальный сайт серии моделей Meta, который можно использовать для ознакомления с публичной информацией об обучении и архитектуре при сравнении исторических заявлений о масштабах моделей.

Связанные ссылки

• Официальный сайт Safe Superintelligence: Официальные заявления SSI — у компании одна цель и один продукт: безопасный сверхинтеллект.
• Стратегическое партнёрство NVIDIA и SSI: Официальное объявление NVIDIA от 27 июля 2026 года, охватывающее инвестиции в SSI, доступ к Vera Rubin и расширение вычислений.
• Пресс-релиз NVIDIA для инвесторов о партнёрстве с SSI: Версия того же официального объявления о партнёрстве для инвесторов.
• Гэвин Бейкер — Atreides Management: Официальный профиль Бейкера, охватывающий его должность в Atreides и предыдущую карьеру в Fidelity.
• Стенограмма выступления на NVIDIA GTC 2026: Официальная стенограмма выступления, в которой Хуанг назвал Бейкера первым крупным институциональным инвестором NVIDIA.
• OfficeChai: Гэвин Бейкер заявил, что SSI может выпустить модель в августе: Вторичный репортаж, сохранивший часть обсуждения Бейкером непрерывного обучения.
• Meta: запуск LLaMA: Официальная запись Meta о том, что первоначальная модель LLaMA обучалась на примерно 1–1,4 триллиона токенов, что помогает понять контекст обсуждения количества токенов.

Резюме

Гэвин Бейкер впервые дал заслуживающее доверия публичное указание на сроки выпуска Safe Superintelligence, заявив, что SSI планирует выпустить модель в августе 2026 года. По состоянию на 7 августа сама SSI публично не подтвердила этот график, поэтому данную дату следует рассматривать как заявление СМИ, а не как официальное объявление о выпуске.

Это замечание важно отчасти из-за контекста. Бейкер говорил о непрерывном обучении и обучении с эффективным использованием данных — направлениях исследований, которые могут сместить вычисления в ИИ с масштабных

Сегодня область моделей всё больше доминируется всё более масштабным предобучением и движется в сторону систем, способных к непрерывному обучению после развёртывания.

SSI также только что заключила крупное стратегическое партнёрство с NVIDIA. Это официальное соглашение даёт компании доступ к системам Vera Rubin, что, как ожидается, увеличит её вычислительные мощности примерно на порядок, при этом NVIDIA заявила, что решила заключить это партнёрство после получения особого доступа к частным исследованиям SSI.

Ключевой факт сегодня заключается не в том, что SSI определённо выпустила сверхинтеллект, а в том, что исключительно хорошо информированный инвестор заявил, что её первая модель, возможно, наконец приближается к выпуску — и что компания теперь располагает значительно возросшими вычислительными ресурсами, достаточными для масштабирования того, что она создавала.