Близько 1800 року англійський інженер Генрі Модслі створив токарний верстат, здатний нарізати точну різьбу, і це виявилося однією з найважливіших подій в історії...
До Модслі різьбу нарізали вручну, по одній деталі за раз, тому жодні дві не були абсолютно однаковими. Гайка з однієї майстерні не підходила до болта з іншої, тому кожна машина у світі була унікальною: її мав збирати майстер, і полагодити її міг лише він.
Ви не могли виготовити тисячу однакових виробів, бо деталі просто не збігалися. Це було вузьким місцем для всього промислового світу, і воно сиділо в людській руці, що тримала напилок.
Верстат Модслі щоразу нарізав однакову різьбу. А це означало, що тепер одна машина могла виготовляти точні деталі для іншої, і ці деталі ідеально підходили одна до одної. Вже через покоління верстати, створені на основі його винаходу, випускали компоненти для всього іншого, а Промислова революція знайшла передачу, про яку навіть не підозрювала.
Мабуть, зараз ви сидите й думаєте: Рауль, якого біса ти пишеш про різьбу з 1800-х? Потерпіть трохи, бо якщо поглянути на ширшу картину, ця сама форма повторюється знову і знову.
Протягом більшої частини людської історії інструменти вдосконалювалися зі швидкістю людей, які їх створювали, тобто повільно... кращий плуг раз на кілька століть. Потім інструменти почали робити інші інструменти, і кожен наступний цикл ставав швидшим за попередній.
Парові машини крутили токарні та розточувальні верстати, які вирізали деталі для локомотивів, тож пара будувала залізниці, якими перевозили ще більше парових машин.
Верстати створювали конвеєри, на яких збирали автомобілі. Сьогодні комп'ютери проєктують чипи для потужніших комп'ютерів, бо жодна людина не здатна вручну розмістити мільярди транзисторів. Щоразу, коли інструменти брали на себе більше роботи зі створення наступних інструментів, усе прискорювалося, адже найповільніша частина циклу — людська — ставала меншою.
А що станеться, коли інструментом у цьому циклі стане сам інтелект?
Це вже відбувається
У листопаді 2023 року я писав, що OpenAI, ймовірно, вже розібралася, як використовувати ШІ для генерації ідей, дизайну, написання коду та випуску продуктів... що ШІ будує ШІ.
Станом на травень 2026 року Anthropic заявляє, що понад 80% коду, який потрапляє до їхньої кодової бази, написаний Claude — порівняно з кількома відсотками до запуску Claude Code у лютому 2025 року. Компанія, яка створює одну з передових моделей, переважно доручає цій моделі писати програмне забезпечення, на якому працюватиме наступна версія.
OpenAI опублікувала власні дані у вересні: їхній дослідницький підрозділ тепер витрачає 3,1 агента-робочого дня на кожен день людської праці, а кількість експериментів на одного дослідника досягла історичного максимуму в серпні.
У травні минулого року DeepMind представила AlphaEvolve — агента на базі Gemini, який сам пише й тестує власні алгоритми. Серед його знахідок — покращення планування, яке постійно повертає 0,7% потужностей усього глобального обчислювального флоту Google, а також прискорення ядра всередині самого навчання Gemini, що скоротило час тренування на 1%. Невеликі відсотки, аж поки не усвідомите, що вони означають: ШІ робить наступний ШІ дешевшим у створенні та використанні.
Це той самий верстат Модслі, що вирізає деталі для наступної машини.
Зовсім інше вузьке місце
Кожен попередній цикл звільняв нас від фізичної праці. Верстат взяв на себе роботу напилком, конвеєр — підіймання важкого, і саме тому кожен наступний цикл був швидшим за попередній. Але думання нікуди не зникало. Хтось усе одно мав сісти й спроєктувати наступний верстат. Хтось мав придумати, для чого потрібен чип. Машини стали геніальними у виробництві речей, але ідеї для наступного покоління все одно народжувалися в людській голові, зі швидкістю людської голови... яка, будемо відверті, не надто висока і не стає вищою.
Це була стеля протягом усієї історії, і ніхто про неї не замислювався, бо що з нею взагалі можна зробити? Не можна ж побудувати інструмент, який думає.
Хіба що тепер можна. Уперше на аутсорс віддають сам інтелект, тому прогрес обмежує вже не швидкість людського мислення, а дві суто фізичні речі: скільки енергії ви можете перетворити на обчислення і скільки інтелекту витиснути з кожної одиниці цієї енергії. І те, й інше рухається експоненційними кривими.
Це виходить за межі екрана
Поки що це історія про програмне забезпечення, але вона там не залишиться.
Девід Меттін, який разом зі мною веде The Exponentialist , називає наступний етап «автономною наукою». І ні, це не про Tesla, хоча ідея та сама...
Він має на увазі, що наука завжди була циклом, яким керувала людина. У вас є здогадка, ви плануєте експеримент, проводите його, здебільшого він провалюється, ви аналізуєте причини, і з'являється краща здогадка. Знову й знову, по одній людині за раз, місяці на одне коло. Кожен препарат, кожен матеріал, кожен закон фізики, який ми коли-небудь осягнули, з'явився з цього циклу, з такою швидкістю.
Автономна наука — це те, що ви отримуєте, коли передаєте цей цикл машині. Мова не про те, що ШІ допомагає вченим... мова про те, що ШІ сам робить відкриття: нові матеріали, нові молекули, речі, про які людство ще торік не мало гадки. Вони виходять із машини, яка сама придумала ідею, провела тест, прочитала результат і згенерувала наступну ідею — без жодної людини в ланцюзі. Розуміння того, як влаштований світ, передається на аутсорс... і це відбувається зараз, а не в якомусь науково-фантастичному майбутньому.
У 2023 році модель GNoME від DeepMind передбачила 2,2 мільйона нових кристалічних структур, близько 380 000 з яких виявилися стабільними. Це більше нових матеріалів, ніж людство відкрило за всю історію матеріалознавства, і знайшла їх модель ще до того, як хтось зайшов у лабораторію.
А в грудні 2025 року DeepMind та уряд Великої Британії оголосили про автоматизовану лабораторію матеріалів, яка відкриється цього року. Там роботи щодня синтезуватимуть і тестуватимуть сотні кандидатів, а ШІ обиратиме наступну партію. Цикл, який раніше забирав у дослідницької групи місяці на одне коло, тепер проходитиме щодня, а люди будуть там, щоб аналізувати результати, а не проводити експерименти.
Те саме відбувається з роботами, і механізм просто вражає. У 2025 році DeepMind випустила Genie 3 — найпростіше уявити її як відеогру, яка пише сама себе. Введіть речення, скажімо, «захаращена спальня», і вона згенерує її симуляцію на екрані з фізикою справжньої кімнати, щоб усе, що рухається всередині, отримувало ті самі відгуки, що й у реальності.
Потім ви можете помістити туди мозок робота й наказати йому прибрати кімнату. Він помиляється, тож пробує знову, і знову, мільйони разів, у мільйонах симульованих кімнат, зі швидкістю комп'ютера, не зламавши жодної реальної речі й не зайнявши жодного фізичного простору. Далі ви завантажуєте те, чого він навчився, у справжнього робота, і той заходить у реальну спальню, вже знаючи, що робити. DeepMind робить це прямо зараз зі своїми роботами-агентами, і ніхто не пише їм навчальний план. Агент сам ставить собі завдання й сам їх перевіряє.
Якщо такі речі вас захоплюють, саме про це ми з Девідом пишемо щотижня у The Exponentialist. Проєкт починався всередині Real Vision, а тепер став окремим виданням на Substack, і там є безкоштовний рівень, якщо хочете стежити за публікаціями.
А потім він починає живити сам себе
Отже, машини пишуть власний код, вдосконалюють свої моделі й починають займатися наукою замість нас. Добре, скажете ви, але є підступ, про який чули всі... усе це працює на електриці, і її потрібно багато. Дата-центри вже перевантажують електромережі, чипи вже стали одним із найдефіцитніших ресурсів на планеті, і, мабуть, колись усьому цьому просто не вистачить струму.
Але якщо машина здатна розв'язувати проблеми, які людям не під силу, першими проблемами, на які її спрямують, будуть її власні. Лабораторії матеріалів, про які я щойно говорив, шукають не випадкові відкриття. Вони шукають хімію батарей, що зберігає більше, сонячні панелі, що конвертують ефективніше, чипи, де транзистори упаковані щільніше... тобто саме те, що робить енергію та обчислення дешевшими.
І кожна з цих знахідок одразу повертається в машину, яка її зробила.
Кращі панелі та батареї здешевлюють енергію, дешевша енергія здешевлює обчислення, дешевші обчислення тренують кращі моделі, а кращі моделі знаходять наступний матеріал. Вузьке місце, якого всі бояться, — це перше, що цей цикл створений подолати.
За цим стоїть закон Райта: щоразу, коли сукупний обсяг виробництва чогось подвоюється, його вартість падає на фіксований відсоток. Сонячна енергетика слідує йому десятиліттями. Нове тут те, що проєктує вже не людина, тому подвоєння відбуваються швидше, а вартість падає стрімкіше — причому одночасно для чипів, батарей і панелей.
Кожен оберт колеса робить наступний швидшим, і він не залежить від жодного зовнішнього фактора. Попереднім версіям цього циклу потрібні були десятиліття на одне коло. Цей робить оберт за місяці, а те, що його крутить, тепер саме є тим, що вдосконалюється.
Дешевше означає більше, а не менше
Гаразд, очевидне заперечення на цьому етапі — економічне. Якщо інтелект дешевшає так стрімко, нам, мабуть, знадобиться менше того, що його виробляє... менше чипів, менше дата-центрів, менше енергії.
Відбувається протилежне, і причину цього зрозуміли ще в епоху вугілля. Джевонс помітив: коли ресурс стає ефективнішим, загальне споживання зростає, бо дешевизна відкриває сфери застосування, які раніше були неможливими. Зробіть парову машину ефективнішою — і країна спалюватиме більше вугілля, а не менше.
З інтелектом відбувається те саме. За підрахунками a16z наприкінці 2024 року, вартість одиниці інтелекту падала приблизно вдесятеро на рік за еквівалентної потужності, а споживання злетіло до небес. Станом на жовтень 2025 року Google обробляла близько 1,3 квадрильйона токенів на місяць — більш ніж удвадцятеро більше, ніж роком раніше, а до травня цього року цифра сягнула 3,2 квадрильйона. Кожне падіння вартості «думання» відкриває задачу, про яку раніше було надто дорого думати, і цей попит не має стелі, бо нерозв'язаних проблем — безліч.
Ось чому капітальні витрати не можуть зупинитися.
«Це хайп. Усе впирається в плато»
Я чую це щокілька місяців, зазвичай одразу після релізу, який виявився трохи менш вражаючим за попередній. Захоплення триває тиждень, потім усе повертається до норми, а в нормі люди вирішують, що розвиток уповільнився.
Моя ментальна модель — розвиток дитини. Дивлячись, як малюк намагається ходити й падає, можна зробити висновок, що його ноги не працюють, а для ходьби він занадто дурний; або дочекатися перших слів і вирішити, що його рот не пристосований для мовлення. Аж поки він просто не починає це робити. Ці моделі — немовлята: в одних сферах вони мають суперсили, в інших — катастрофічно відстають від людських дітей... але немовлята вчаться швидко. Оцінювати, де вони будуть через три роки, за тим, чого не вміють цього кварталу, — помилка, і так щоразу. За три роки ми пройшли шлях від поганого чат-бота до системи, яка перевершує більшість людей у кожному предметі, якого ми навчаємо. Не варто недооцінювати криву розвитку (як каже мем, don't midcurve it) лише через власні упередження.
Що це означає для вас
Страх, що стоїть за всім цим, дуже особистий, тож дозвольте мені говорити особисто.
Я не технічний спеціаліст. У січні я завантажив PDF-файл у cowork і через шість хвилин отримав робочий сайт, а потім попросив дашборд із показниками залученості Real Vision на всіх платформах — і мав його за п'ятнадцять хвилин. Тоді я написав, що відчуваю себе наче кіборг.
Сьогодні одна людина з набором агентів може створити те, на що раніше потрібна була ціла компанія. У моїй книзі The Everything Code (виходить 3 листопада, передзамовлення вже відкрито) я розповідаю історію інженера-програміста, який понад десять років будував компанію традиційним шляхом, відійшов від справ, а потім за одну зиму створив персональний ШІ-проєкт, який зібрав шестизначну кількість зірок на GitHub і приніс йому роботу в OpenAI. Це був той самий мозок із тією самою працездатністю; змінилося лише те, на що він спирався.
«Чи замінить це мене?» — питає ваше его, і це хибне питання. Шар роботи під вами стискається, подобається вам це чи ні, так само як Модслі стиснув роботу кожного майстра, який нарізав різьбу вручну. Правильніше запитати: що ви робитимете з машиною, здатною взяти цей шар на себе? Суперсили отримають ті, хто підніметься на рівень вище — до судження про те, що взагалі варто будувати.
Володійте машинами, які будують машини
Цей цикл підказує, де накопичується цінність. Коли інтелект створює інтелект, прибуток дістається тому, хто володіє циклом: обчислювальними потужностями, на яких він працює, енергією, що живить ці потужності, та інфраструктурою, на якій осідають агенти, щойно починають взаємодіяти між собою на машинній швидкості. Це те, що неможливо обійти, і вперше в історії кожен із цих елементів — це щось, чим звичайна людина може володіти хоча б частково.
Так Експоненційна епоха переходить від теорії до реальної практики, і вона прямісінько влучає у вікно, про яке я писав у своїй концепції «Економічної сингулярності» — десь між 2030 і 2032 роками. Це момент, коли машинна економіка починає рухатися швидше, ніж людські інструменти, створені для її вимірювання: ВВП, прибутки, зарплати. Старі цифри перестають описувати те, що відбувається. Роки між сьогодні й тією точкою — це і є гра.
Повний виклад цих думок — у The Everything Code. Книга пояснює, чому фінансова система настільки зламалася, як ми десятиліттями застрягали в борговому циклі, і чому прихід Експоненційної епохи саме зараз — це друга половина тієї самої історії.
Усе, про що йдеться в цій статті, стає неминучим, щойно ви бачите механізм. І найдивніше те, що це водночас вихід: саме машини нарешті дозволять світу вирости з боргів. Після десятиліть застою це привід для оптимізму, і в книзі я обґрунтовую це повністю.
The Everything Code виходить 3 листопада, і зробіть мені послугу: якщо плануєте купити книгу, буду дуже вдячний, якщо оформите передзамовлення вже зараз. Це справді допомагає з рейтингами, і для мене це багато значить. Дякую.
А якщо хочете зануритися в це глибше, продовжуйте спілкуватися зі мною! Я створив ШІ, навчений на 30 роках моїх роздумів, на raoulpal.ai, і він безкоштовний. Продовжимо дискусію там.
