Цель Ineffable Intelligence — создать «сверхобучателя»: систему, способную бесконечно учиться и автономно открывать знания
Ключевые свойства — глубина (выход за пределы человеческого знания) и широта (обучение в любой среде)
Отказ от человеческих данных — осознанная ставка
LLM и триллионные датасеты человеческого текста ограничивают человеческими рамками и предрассудками
Пример AlphaZero: отказ от человеческих партий позволил за часы превзойти результат двух лет работы AlphaGo
Методология: RL + crucibles
Агенту даётся простая цель в среде с богатой эмерджентной сложностью
Среда должна быть тьюринг-полной, чтобы в ней могли возникнуть язык, математика, экономика, технологии. «Человек в контуре» исключается
Критика LLM-пути. LLM впечатляют, но остаются полуавтономными: требуют участия человека, а мониторинг их рассуждений на естественном языке становится всё более хрупким
Безопасность через симуляции
Симуляции рассматриваются как лаборатория для «науки о сверхинтеллекте» — условий мирного взаимодействия сверхинтеллектов
В реальном мире предлагается двигаться осторожно, допуская технологии только при доказательствах безопасности
Первые убедительные доказательства работоспособности подхода — в течение года
Достижение суперинтеллекта — около трёх лет
Сроки ускорены благодаря кодирующим агентам
Ресурсы и команда. Собственный крупный GPU-кластер на GCP (партнёрство с Google и Nvidia), оптимизированный под RL и симуляции
Команда намеренно небольшая — 12 человек, с высоким соотношением вычислений на человека
Высокая неопределённость, зависимость от прорывов в создании сложных симуляций, агрессивные сроки, а также философский вопрос: возможно ли достичь общего интеллекта без человеческого языка и культурного контекста
Ineffable Intelligence предлагает радикальный «третий путь» — не LLM-мейнстрим и не классические подходы к безопасности, а ставку на автономное обучение с нуля
Ключевые свойства — глубина (выход за пределы человеческого знания) и широта (обучение в любой среде)
Отказ от человеческих данных — осознанная ставка
LLM и триллионные датасеты человеческого текста ограничивают человеческими рамками и предрассудками
Пример AlphaZero: отказ от человеческих партий позволил за часы превзойти результат двух лет работы AlphaGo
Методология: RL + crucibles
Агенту даётся простая цель в среде с богатой эмерджентной сложностью
Среда должна быть тьюринг-полной, чтобы в ней могли возникнуть язык, математика, экономика, технологии. «Человек в контуре» исключается
Критика LLM-пути. LLM впечатляют, но остаются полуавтономными: требуют участия человека, а мониторинг их рассуждений на естественном языке становится всё более хрупким
Безопасность через симуляции
Симуляции рассматриваются как лаборатория для «науки о сверхинтеллекте» — условий мирного взаимодействия сверхинтеллектов
В реальном мире предлагается двигаться осторожно, допуская технологии только при доказательствах безопасности
Первые убедительные доказательства работоспособности подхода — в течение года
Достижение суперинтеллекта — около трёх лет
Сроки ускорены благодаря кодирующим агентам
Ресурсы и команда. Собственный крупный GPU-кластер на GCP (партнёрство с Google и Nvidia), оптимизированный под RL и симуляции
Команда намеренно небольшая — 12 человек, с высоким соотношением вычислений на человека
Высокая неопределённость, зависимость от прорывов в создании сложных симуляций, агрессивные сроки, а также философский вопрос: возможно ли достичь общего интеллекта без человеческого языка и культурного контекста
Ineffable Intelligence предлагает радикальный «третий путь» — не LLM-мейнстрим и не классические подходы к безопасности, а ставку на автономное обучение с нуля
В лабораторном эксперименте 60 студентов 7 дней решали творческие задачи
Со 2-го по 6-й день половина из них стала «интеллектуальными кентаврами», работая в паре с ChatGPT
Креативность идей и решений у них заметно повысилась (но при этом повысилась и однородность идей – они потеряли в разнообразии)
На 7-й день «интеллектуальных кентавров» снова превратили в обычных студентов, лишив их доступа к ChatGPT
Креативность тут же упала до исходного уровня (зафиксированного в 1-й день) и не «отжалась» даже через месяц (при контрольном замере)
Т.е. все как в русских пословицах: «Чужое добро впрок не пойдёт» и «С ветру пришло, на ветер и ушло»
Увы, но экспериментальное подтверждение народной мудрости этими двумя пословицами не закончилось
Подтвердились и русская «Не всякой находке радуйся» и международная «Бесплатный сыр бывает только в мышеловке»
За 5-дневный всплеск креативности пришлось изрядно заплатить
Потеря разнообразия идей, случившаяся со студентами, работавшими в паре с ChatGPT, так и не восстановилась, что было повторно зафиксировано через месяц
Авторы назвали это творческим шрамом: усиление креативности уходит вместе с доступом к модели, но приобретенная однородность идей остается в качестве шрама
Метаанализ 28 исследований (8214 участников) показывает ту же картину в целом: в паре с дегенеративным интеллектом люди справляются с творческими задачами лучше (g = 0,27), но разнообразие их идей падает намного сильнее (g = −0,86)
В паре нейросетью, воображали лучше, но одинаково
Но это еще не все
Варианты генома, связанные с творческими профессиями – прибежищем самых креативных людей с самым сильным воображением (имаджинавтов), – статистически сопряжены с меньшим числом детей
Если эта связь сохранится, их доля в популяции будет сокращаться
Эксперимент с визуальной креативностью выстроил такой градиент: художники > люди, не имеющие отношения к искусству ≥ нейросеть в паре с человеком > нейросеть сам по себе
Ставки здесь выше, чем кажется
Бостонский эволюционный нейробиолог, автор «гипотезы Ромула и Рема», в статье этого года с названием «Как одно маленькое племя завоевало мир 70.000 лет назад» связывает экспансию предков большинства ныне живущих людей со скачком к синтаксическому языку
В его гипотезе 2019 года этот скачок шел рука об руку с префронтальным синтезом – особым компонентом воображения
Семилетняя проверка «гипотезы имаджинавтов», выдвинутой в том же 2019, что и «гипотеза Ромула и Рема», привела к такому выводу:
Человек воображения (Homo imaginationis), если и появится, будет коллективным видом – гибридом людей и моделей
А платить за взлеты его воображения придется разнообразием того, что люди способны вообразить без помощи машин
Со 2-го по 6-й день половина из них стала «интеллектуальными кентаврами», работая в паре с ChatGPT
Креативность идей и решений у них заметно повысилась (но при этом повысилась и однородность идей – они потеряли в разнообразии)
На 7-й день «интеллектуальных кентавров» снова превратили в обычных студентов, лишив их доступа к ChatGPT
Креативность тут же упала до исходного уровня (зафиксированного в 1-й день) и не «отжалась» даже через месяц (при контрольном замере)
Т.е. все как в русских пословицах: «Чужое добро впрок не пойдёт» и «С ветру пришло, на ветер и ушло»
Увы, но экспериментальное подтверждение народной мудрости этими двумя пословицами не закончилось
Подтвердились и русская «Не всякой находке радуйся» и международная «Бесплатный сыр бывает только в мышеловке»
За 5-дневный всплеск креативности пришлось изрядно заплатить
Потеря разнообразия идей, случившаяся со студентами, работавшими в паре с ChatGPT, так и не восстановилась, что было повторно зафиксировано через месяц
Авторы назвали это творческим шрамом: усиление креативности уходит вместе с доступом к модели, но приобретенная однородность идей остается в качестве шрама
Метаанализ 28 исследований (8214 участников) показывает ту же картину в целом: в паре с дегенеративным интеллектом люди справляются с творческими задачами лучше (g = 0,27), но разнообразие их идей падает намного сильнее (g = −0,86)
В паре нейросетью, воображали лучше, но одинаково
Но это еще не все
Варианты генома, связанные с творческими профессиями – прибежищем самых креативных людей с самым сильным воображением (имаджинавтов), – статистически сопряжены с меньшим числом детей
Если эта связь сохранится, их доля в популяции будет сокращаться
Эксперимент с визуальной креативностью выстроил такой градиент: художники > люди, не имеющие отношения к искусству ≥ нейросеть в паре с человеком > нейросеть сам по себе
Ставки здесь выше, чем кажется
Бостонский эволюционный нейробиолог, автор «гипотезы Ромула и Рема», в статье этого года с названием «Как одно маленькое племя завоевало мир 70.000 лет назад» связывает экспансию предков большинства ныне живущих людей со скачком к синтаксическому языку
В его гипотезе 2019 года этот скачок шел рука об руку с префронтальным синтезом – особым компонентом воображения
Семилетняя проверка «гипотезы имаджинавтов», выдвинутой в том же 2019, что и «гипотеза Ромула и Рема», привела к такому выводу:
Человек воображения (Homo imaginationis), если и появится, будет коллективным видом – гибридом людей и моделей
А платить за взлеты его воображения придется разнообразием того, что люди способны вообразить без помощи машин
ГОСТ Р 71657-2024 - «Технологии
искусственного интеллекта в образовании
Функциональная подсистема создания научных публикаций
Общие положения» - действует с 1 января 2025 года
Посвящен использованию цифровых алгоритмов на этапах создания научных публикаций
В стандарте прямо говорится, что цифровые технологии должны помогать повышать результативность работы, не заменяя творческую научно-исследовательскую деятельность человека
Обратите внимание на даты
Это не документы, появившиеся вчера в ответ на очередную волну обсуждений
Первый стандарт действует уже почти три года, второй - почти два
Сам факт существования этих стандартов - хороший повод немного выдохнуть тем, кто переживает, что любое обращение к нейросети автоматически делает научную работу неэтичной
Профессиональное использование алгоритмов уже рассматривается как отдельное направление научной и образовательной деятельности
Поэтому вопрос «Можно ли использовать нейросети» уже не стоит
Гораздо чаще возникает: «Как использовать новые инструменты осмысленно, чтобы они помогали исследователю»
Именно об этом поговорим 15 октября на открытом уроке
«Как использовать алгоритмы в написании диссертации и научных статей, чтобы действительно экономить время и не потерять репутацию»
Обсудим, как встроить нейросети в научную и преподавательскую работу, какие задачи им можно поручать и как сохранять контроль над результатом
Покажем и другие ГОСТы, связанные с использованием нейросетей в науке, включая самые новые
искусственного интеллекта в образовании
Функциональная подсистема создания научных публикаций
Общие положения» - действует с 1 января 2025 года
Посвящен использованию цифровых алгоритмов на этапах создания научных публикаций
В стандарте прямо говорится, что цифровые технологии должны помогать повышать результативность работы, не заменяя творческую научно-исследовательскую деятельность человека
Обратите внимание на даты
Это не документы, появившиеся вчера в ответ на очередную волну обсуждений
Первый стандарт действует уже почти три года, второй - почти два
Сам факт существования этих стандартов - хороший повод немного выдохнуть тем, кто переживает, что любое обращение к нейросети автоматически делает научную работу неэтичной
Профессиональное использование алгоритмов уже рассматривается как отдельное направление научной и образовательной деятельности
Поэтому вопрос «Можно ли использовать нейросети» уже не стоит
Гораздо чаще возникает: «Как использовать новые инструменты осмысленно, чтобы они помогали исследователю»
Именно об этом поговорим 15 октября на открытом уроке
«Как использовать алгоритмы в написании диссертации и научных статей, чтобы действительно экономить время и не потерять репутацию»
Обсудим, как встроить нейросети в научную и преподавательскую работу, какие задачи им можно поручать и как сохранять контроль над результатом
Покажем и другие ГОСТы, связанные с использованием нейросетей в науке, включая самые новые
SETUN II* — троичный AI-процессор, который уже считает на "кремнии*"Что это вообще
Гибрид «CPU + AI-ускоритель» на балансной троичной арифметике
Веса нейросети хранятся не как длинные цепочки из 0 и 1, а как три состояния: −1, 0, +1
Умножение на таком весе вырождается:
× (−1) → вычесть
× 0 → пропустить (а это ~31% всех весов!)
× (+1) → прибавить
Полноценный умножитель не нужен вообще — остаётся только сложение, вычитание или пропуск А множитель — самая дорогая часть MAC-блока, почти половина его площади (47 % площади вычислительной полосы в нашем синтезе)
Мы меняем его на «знак + сумматор»
Плюс каждый третий вес — ноль, его можно не считать вовсе
Даровая экономия энергии на каждой операции
"Потомок" советской «Сетуни» (МГУ, 1958) — первого в мире серийного троичного компьютера
Только теперь сегодня на вдохновении это AI-ускоритель, и синтезируется он на стандартных CMOS-ячейках
Цель — Микрон 180 нм
Узел, который Россия контролирует уже сейчас
Главное:
ядро РАБОТАЕТ на FPGAНе симуляция Не картинка Процессор (управляющее ядро + троичная ткань + демон) исполнил программу на живом FPGA — GW5AST-138, Tang Mega 138K Всё прочитано по JTAG, цифры считаны прямо с кремния:
• базовый matmul на кремнии — C=[[7,10],[19,22]], сошлось бит-в-бит
• 1091 такт матмула, точно совпало с gate-симуляцией
• демон принял 86 % выходов на РЕАЛЬНОМ слое nanoGPT
Самый рискованный шаг — заставить кремний считать троичную математику — уже пройденТроичный GPT реально пишет текст
Наш nanoGPT: 4.900.000 параметров, 97 % весов троичные, обучен на Шекспире Генерирует связный текст — с именами персонажей, репликами, пунктуацией Все его матмулы — это ровно операция нашей ткани (add/sub/skip)
И вот что важно — троичная модель обобщает лучше полноточной:
ТроичныйGPT 4.9M val loss 1.55 1.49 МБ
fp-бейзлайн 10.8M val loss 1.77 21.6 МБ
Вдвое меньше параметров, в 14 раз меньше памяти — и качество выше
Упрощение до −1/0/+1 работает как встроенная регуляризация: модель хуже «зубрит» и лучше работает на новом
Аппаратный механизм, который предсказывает результат и проверяет догадку «забором» (fence) с гарантией: итоговая ошибка всегда ≤ порога ε
Угадал — пропустили пересчёт
Не угадал — посчитали честно
Скорость без потери точности
На реальных весах: ε 5% → принято 47% (×1.9) ε 10% → принято 76% (×4.0) ε 20% → принято 95% (×16)
MNIST на RTL-движке
Самую изученную сеть в мире обучили в троичном виде и прогнали потактово на железе:
97.3 % точности (fp-бейзлайн 98.0 % — разрыв всего 0.7 %)
8/8 тест-цифр классифицировано верно
16× меньше памяти весов: 49.6 КБ против 794 КБ
Энергия на одну операцию (MAC):
CPU AMD Zen fp32 — 650–1250 пДж
Наша ткань @180нм — 25–55 пДж
A100 bf16 @7нм — 3.1 пДж
Ткань на изо-узле 7нм — ~0.3 пДж
Уже на 200-180-нм заводе экономичнее серверного CPU в разы
Перенеси тот же дизайн на 7 нм — и по энергии на операцию обгоняем A100 примерно в 10 раз
Выигрыш чисто архитектурный (нет умножителя + 2-битные операнды), он переезжает вместе с техпроцессомКристалл собран из одинаковых тайлов (как у Tenstorrent)
Нужно мощнее — добавляешь тайлы, ничего не переписывая
При росте сетки в 4 раза частота держится 77→70 МГц — почти не падает
Один дизайн масштабируется от датчика в часах до стойки в дата-центре
Самое страшное позади: кремний считает троичную математику, демон ускоряет, модель пишет текст…
С этим промптом Claude Opus 5.5 работает как дизайнер швейцарской школы
На выходе постер для печати в SVG с живым текстом, плюс PDF, PNG и две вариации
Промпт разбит на блоки
Сетка 12 колонок с базовой линией 8 пикселей, один гротеск максимум в трёх начертаниях, два цвета плюс бумага
Акцентный цвет только на одной фигуре, сетку ломает ровно один элемент, треть листа пустая
Модель сначала пишет текст, рисует три эскиза и выбирает один, проверяет его на экране телефона и в формате A2 и ставит себе оценки
Всё, что ниже 8 из 10, переделывает
Промпт целиком: Google Doc
На выходе постер для печати в SVG с живым текстом, плюс PDF, PNG и две вариации
Промпт разбит на блоки
Сетка 12 колонок с базовой линией 8 пикселей, один гротеск максимум в трёх начертаниях, два цвета плюс бумага
Акцентный цвет только на одной фигуре, сетку ломает ровно один элемент, треть листа пустая
Модель сначала пишет текст, рисует три эскиза и выбирает один, проверяет его на экране телефона и в формате A2 и ставит себе оценки
Всё, что ниже 8 из 10, переделывает
Промпт целиком: Google Doc
Stanford* вместе с Together AI предложили новую архитектуру для ИИ-агентов
Авторы решили сделать так, чтобы агент вёл себя немного как человек: большую часть времени думал про себя и говорил только по делу
Их новый подход называется HybridAgent - агент получает второй, параллельный режим мышления - латентный, а в обычный текст переключается, когда нужно действовать: вызвать инструмент или дать ответ
При этом латентные мысли остаются читаемыми
Подход не требует обучения модели с нуля, HybridAgent можно получить из почти любой LLM через специальный пайплайн дообучения
GitHub
HF
Авторы решили сделать так, чтобы агент вёл себя немного как человек: большую часть времени думал про себя и говорил только по делу
Их новый подход называется HybridAgent - агент получает второй, параллельный режим мышления - латентный, а в обычный текст переключается, когда нужно действовать: вызвать инструмент или дать ответ
При этом латентные мысли остаются читаемыми
Подход не требует обучения модели с нуля, HybridAgent можно получить из почти любой LLM через специальный пайплайн дообучения
GitHub
HF
GPT-6-Astra решила 49 из 50 новых задач по теоретической физике
Весь тест стоил менее $116, а одно решение — в среднем около $2.40
Бенчмарк проверял не великие загадки науки, а повседневную работу исследователя: найти метод, изменить формулы и провести новый расчёт
Без интернета Astra всё равно набрала 92 %, а часть её предполагаемых ошибок оказалась ошибками в эталонных ответах
Весь тест стоил менее $116, а одно решение — в среднем около $2.40
Бенчмарк проверял не великие загадки науки, а повседневную работу исследователя: найти метод, изменить формулы и провести новый расчёт
Без интернета Astra всё равно набрала 92 %, а часть её предполагаемых ошибок оказалась ошибками в эталонных ответах
This media is not supported in your browser
VIEW IN TELEGRAM
Мои прогнозы оказались сильно ошибочными
Изменить паттерны поведения людей оказалось в разы сложнее, чем эволюция технологий
«Finally, on the 16th of October, 1843, while walking with his wife along the Royal Canal to a meeting of the Royal Irish Academy in Dublin, [Hamilton] made his momentous discovery:
“That is to say, I then and there felt the galvanic circuit of thought close; and the sparks which fell from it were the fundamental equations between i,j,k; exactly such as I have used them ever since”»
(спасибо @near_math_edu за напоминание про дату)
https://math.ucr.edu/home/baez/octonions/node24.html
“That is to say, I then and there felt the galvanic circuit of thought close; and the sparks which fell from it were the fundamental equations between i,j,k; exactly such as I have used them ever since”»
(спасибо @near_math_edu за напоминание про дату)
https://math.ucr.edu/home/baez/octonions/node24.html
В эпоху, когда алгоритм решает любые проблемы по первому запросу, люди перестанут утруждать себя размышлениями и утратят радость от решения задач и перестанут думать
Думать — это тяжело
Не можешь решить, мучаешься годами
Именно из-за этой муки и появляется удовольствие, когда находишь решение
И мука становится удовольствием
А если такие моменты исчезнут, люди останутся домашним скотом
Думать — это тяжело
Не можешь решить, мучаешься годами
Именно из-за этой муки и появляется удовольствие, когда находишь решение
И мука становится удовольствием
А если такие моменты исчезнут, люди останутся домашним скотом
This media is not supported in your browser
VIEW IN TELEGRAM
Китайские исследователи только что опубликовали статью с жёстким заголовком: «Конец инженерии промптов»
Аргумент умещается в одну строку: умение говорить агентам, что делать, как навык, закончилось
Промпт — это желание, и желание, повторённое триста раз, всё равно остаётся желанием
Границы, записанные в файл, — это закон
Каждый агент читает их перед каждым действием, они версионированы, и вы ими владеете
В масштабе роя ничего другое не выживает
Триста агентов не могут разделить «вайб»
Они могут разделить файл
Так что вы перестаёте быть тем, кто пишет инструкции
Вы становитесь архитектором границ: вы решаете, что никогда не происходит, и проверяете запросы
Промпты становятся одноразовыми
Файл с ограничениями превращается в работу
Это именно та система, которую задокументировали ниже: один AGENTS.md, триста читателей Kimi K3, ноль побегов за 41 день
Вся статья в одной строке: строй забор до ключей ↓
Аргумент умещается в одну строку: умение говорить агентам, что делать, как навык, закончилось
Промпт — это желание, и желание, повторённое триста раз, всё равно остаётся желанием
Границы, записанные в файл, — это закон
Каждый агент читает их перед каждым действием, они версионированы, и вы ими владеете
В масштабе роя ничего другое не выживает
Триста агентов не могут разделить «вайб»
Они могут разделить файл
Так что вы перестаёте быть тем, кто пишет инструкции
Вы становитесь архитектором границ: вы решаете, что никогда не происходит, и проверяете запросы
Промпты становятся одноразовыми
Файл с ограничениями превращается в работу
Это именно та система, которую задокументировали ниже: один AGENTS.md, триста читателей Kimi K3, ноль побегов за 41 день
Вся статья в одной строке: строй забор до ключей ↓
This media is not supported in your browser
VIEW IN TELEGRAM
Claude Mythos 5 разработал квантовую схему на основе эллиптических кривых, используя в 17 раз меньше вентилей для 12 % большего количества кубитов
Анди Гу, исследователь физики из Гарварда, протестировал её в рамках Программы STEM-феллоу Anthropic, которая объединяет учёных с сотрудниками Anthropic, чтобы проверить, способен ли Claude проводить настоящие исследования в их области
Claude писал схемы схем в виде кода, оценщик проверял и оценивал их, а Claude продолжал дорабатывать, пока не превзошёл человеческие рекорды в большинстве из 8 задач
Его самый сильный результат заставил работать неуловимый классический математический shortcut на квантовом оборудовании впервые, после того как Claude доказал новые тождества и верифицировал их с помощью формальных доказательств
Анди Гу, исследователь физики из Гарварда, протестировал её в рамках Программы STEM-феллоу Anthropic, которая объединяет учёных с сотрудниками Anthropic, чтобы проверить, способен ли Claude проводить настоящие исследования в их области
Claude писал схемы схем в виде кода, оценщик проверял и оценивал их, а Claude продолжал дорабатывать, пока не превзошёл человеческие рекорды в большинстве из 8 задач
Его самый сильный результат заставил работать неуловимый классический математический shortcut на квантовом оборудовании впервые, после того как Claude доказал новые тождества и верифицировал их с помощью формальных доказательств
AI compute and capability
- AI progress is driven by a billion-fold increase in inference and reasoning compute, because step-by-step thinking, planning, reflection, and exploration require far more computation than simple regurgitation
- Working memory, knowledge management, tool use, and agent harnesses are major recent unlocks
- The next wave is broader than coding: design, creative marketing, science, manufacturing, and other professional work
Physical AI and robotics
- Physical AI includes robotics, self-driving cars, manufacturing, healthcare systems, imaging, satellites, and sensing across the electromagnetic spectrum
- The physical world is the biggest market because most valuable work ultimately touches it
- One major use case is building a digital twin first, then deploying agents into the real world
- Robotics and embodied AI are reaching a major inflection point, with large commercial potential
Safety, security, and regulation
- Functionality, capability, safety, and security must be developed together; they are not separate goals
- Safety cannot depend on perfect alignment because alignment is a forever problem
- The practical model is containment, zero trust, minimum permissions, out-of-band monitoring, and the ability to shut systems down
- Current AI governance is framed as a three-legged stool: frontier model review, the White House accord on super intelligence, and SI force coordination
Compute build-out and infrastructure
- Demand for compute remains very strong and is likely to exceed current supply assumptions
- Major bottlenecks are land, power, permits, construction resources, substrates, and silicon photonics
- The build-out is constrained by the physical world, but the demand for AI infrastructure is global and resilient
- Nvidia is positioned as a full-stack infrastructure company spanning training, inference, networking, storage, security, and enterprise deployment
Nvidia economics and market outlook
- Nvidia now serves cloud providers, enterprises, neoclouds, startups, and multiple industries across the entire AI lifecycle
- Share growth is being driven by fungibility, durability, high performance per watt, and full-stack breadth
- New growth vectors include software licensing and revenue share arrangements
- The business is still in the early innings of the current computing platform shift, so long-term demand remains broad
- AI progress is driven by a billion-fold increase in inference and reasoning compute, because step-by-step thinking, planning, reflection, and exploration require far more computation than simple regurgitation
- Working memory, knowledge management, tool use, and agent harnesses are major recent unlocks
- The next wave is broader than coding: design, creative marketing, science, manufacturing, and other professional work
Physical AI and robotics
- Physical AI includes robotics, self-driving cars, manufacturing, healthcare systems, imaging, satellites, and sensing across the electromagnetic spectrum
- The physical world is the biggest market because most valuable work ultimately touches it
- One major use case is building a digital twin first, then deploying agents into the real world
- Robotics and embodied AI are reaching a major inflection point, with large commercial potential
Safety, security, and regulation
- Functionality, capability, safety, and security must be developed together; they are not separate goals
- Safety cannot depend on perfect alignment because alignment is a forever problem
- The practical model is containment, zero trust, minimum permissions, out-of-band monitoring, and the ability to shut systems down
- Current AI governance is framed as a three-legged stool: frontier model review, the White House accord on super intelligence, and SI force coordination
Compute build-out and infrastructure
- Demand for compute remains very strong and is likely to exceed current supply assumptions
- Major bottlenecks are land, power, permits, construction resources, substrates, and silicon photonics
- The build-out is constrained by the physical world, but the demand for AI infrastructure is global and resilient
- Nvidia is positioned as a full-stack infrastructure company spanning training, inference, networking, storage, security, and enterprise deployment
Nvidia economics and market outlook
- Nvidia now serves cloud providers, enterprises, neoclouds, startups, and multiple industries across the entire AI lifecycle
- Share growth is being driven by fungibility, durability, high performance per watt, and full-stack breadth
- New growth vectors include software licensing and revenue share arrangements
- The business is still in the early innings of the current computing platform shift, so long-term demand remains broad