Звезда «Мейр из Исттауна» Джулианна Николсон возвращается в новый сезон «Задания»
10.07.2026 03:46:00
В индустрии искусственного интеллекта долгое время действовало почти религиозное правило: если хочешь получить более умную модель, дай ей больше данных, больше вычислений, больше денег и больше серверов. Мир ИИ последних лет вообще часто выглядит как гонка гигантов — кто быстрее построит дата-центр размером с квартал, кто обучит модель на еще большем объеме текста, кто сожжет еще больше электричества в обмен на очередной скачок производительности. Сара Хукер вошла в этот мир не как человек, который захотел просто ускорить гонку, а как исследовательница, задавшая куда менее удобный вопрос: а что, если победители в ИИ побеждают не потому, что их идеи лучше, а потому, что под них удачно сложилось железо?
Именно так родилась одна из самых известных идей, связанных с ее именем, — концепция hardware lottery, «аппаратной лотереи». Хукер предложила смотреть на историю ИИ не как на прямую линию триумфа лучших алгоритмов, а как на историю случайных преимуществ: побеждает не обязательно самая сильная научная идея, а та, которую проще запустить на доступном оборудовании. Эта мысль звучит почти еретически для отрасли, которая привыкла объяснять свои успехи ростом масштаба и неизбежностью прогресса. Но именно она сделала Сару Хукер одной из самых заметных фигур в разговоре о том, каким должен быть искусственный интеллект будущего: более честным к данным, более доступным по вычислительным требованиям и менее зависимым от того, у кого больше денег на видеокарты.
Сара Хукер родилась в Дублине, Ирландия, но ее детство трудно описать как обычную европейскую биографию. Когда ей было четыре года, семья переехала, и дальше ее взросление проходило между несколькими странами Африки. Она жила в Лесото, Южной Африке, Мозамбике, Эсватини и Кении. Этот маршрут важен не как экзотическая деталь, а как объяснение того, почему Хукер в зрелой карьере так много думает о языках, доступности технологий и неравномерности технологического прогресса.
Детство, проведенное между разными странами, языками и социальными контекстами, обычно рано учит человека простой вещи: мир не центрирован вокруг одной нормы. Для исследовательницы ИИ это потом вылилось в очень конкретный профессиональный нерв. Ее позднейшие проекты в Cohere For AI, в том числе работа над многоязычными моделями и инициативами для языков, оставшихся вне англоязычного центра, выглядят не как маркетинговое украшение биографии, а как естественное продолжение личного опыта. Хукер не раз говорила, что язык для нее — вещь глубоко личная, потому что собственная жизнь с ранних лет проходила в многоязычной среде, где английский не был единственным центром мира.
В этой биографии вообще многое строится вокруг темы периферии. Хукер — человек, который пришел в одну из самых дорогих и ресурсоемких отраслей современности, постоянно напоминая ей о тех, кто остается за пределами вычислительного праздника: исследователях без гигантских бюджетов, языках без больших датасетов, странах без доступа к самым дорогим вычислительным мощностям, пользователях, чьи потребности не совпадают с интересами крупнейших лабораторий.
Высшее образование Сара Хукер получила в Carleton College, а затем продолжила академическую траекторию в машинном обучении, защитив докторскую степень в Mila — квебекском институте искусственного интеллекта, одном из самых заметных центров современного deep learning. Mila — это не просто строка в резюме, а место, связанное с именем Йошуа Бенжио и вообще с целой эпохой в развитии нейросетей. Попасть в такую среду означало оказаться в самом сердце новой ИИ-революции — в тот момент, когда глубокое обучение уже переставало быть нишевой дисциплиной и превращалось в главный двигатель технологического оптимизма.
Но именно здесь проявилась одна из ключевых особенностей Хукер как исследовательницы. Она не стала строить карьеру вокруг простого наращивания размеров моделей. Ее рано заинтересовала не только мощь нейросетей, но и цена этой мощи — в буквальном и метафорическом смысле. Что происходит, когда модели нужно запускать не в идеальных лабораторных условиях, а на ограниченном железе? Что теряет нейросеть, если ее сжимают, прунят, квантизируют? Почему высокая итоговая точность на тесте может скрывать серьезные провалы на конкретных типах данных? Эти вопросы и стали тем фундаментом, на котором позже вырастет ее репутация.
В 2017 году Сара Хукер пришла в Google Brain — в тот период одно из главных мест силы для исследователей ИИ. Со стороны такая позиция выглядит как попадание в элиту: Google Brain был пространством, где формировались многие ключевые идеи современного машинного обучения. Но для Хукер это стало не только карьерным повышением, а площадкой, на которой ее исследовательские интересы обрели большой масштаб.
Именно в эти годы она активно работает над темой model compression — сжатия моделей. В публичном пересказе это часто звучит как техническая оптимизация: взять большую нейросеть и сделать ее легче, быстрее, дешевле, чтобы она могла работать на более слабом оборудовании. Но для Хукер компрессия никогда не сводилась только к экономии вычислений. Ее интересовало, что именно модель теряет, когда становится компактнее.
Вместе с коллегами она показывает важную и неприятную вещь: две модели могут выглядеть почти одинаково по общей метрике точности, но вести себя очень по-разному на узких, сложных, редких или плохо представленных примерах. В работе What Do Compressed Deep Neural Networks Forget? Хукер и соавторы фактически разбирают компрессию как источник скрытого искажения: модель вроде бы «в целом» работает хорошо, но начинает хуже справляться с теми случаями, которые и без того находятся на краю распределения — нетипичными изображениями, редкими классами, сложными примерами. Позже этот интерес приводит и к работам о том, как компрессия может усиливать уже существующие алгоритмические перекосы. Иными словами, сделать ИИ легче — не значит сделать его нейтральнее. Иногда наоборот: чем дешевле модель в вычислительном смысле, тем выше риск, что платить за это будут пользователи из и без того уязвимых групп.
Это очень характерный для Хукер поворот мысли. Там, где многие исследователи видят инженерную задачу, она видит еще и политическую, социальную, эпистемологическую. Ей важно не только, можно ли запустить модель на слабом железе, но и что именно будет потеряно в процессе — и для кого эта потеря окажется самой болезненной.
В 2020 году Сара Хукер публикует эссе The Hardware Lottery — текст, который быстро выходит за пределы узкой академической дискуссии и становится одной из самых цитируемых концепций в разговоре о развитии ИИ. В нем она формулирует, по сути, простую, но неудобную мысль: история искусственного интеллекта и компьютерных наук вообще — это не только история лучших идей, но и история совместимости идей с существующим аппаратным стеком.
Если упростить, тезис Хукер звучит так: иногда одна исследовательская линия побеждает не потому, что она объективно лучше, а потому, что под нее удачно сложились железо, софт и инфраструктура. А другая линия — возможно, не менее перспективная — проигрывает просто потому, что ей не повезло с вычислительной средой. Такой взгляд бьет сразу по нескольким мифам технологической индустрии. Он разрушает представление о том, что прогресс в ИИ — это чистая меритократия идей. Он напоминает, что у научного успеха есть материальная база, и эта база распределена крайне неравномерно. И он ставит вопрос о том, сколько потенциально сильных направлений было отброшено просто потому, что их оказалось неудобно запускать на доступном железе.
Для Хукер это не абстрактная философия науки. В мире, где передовые модели требуют миллиардных инвестиций, аппаратная лотерея превращается в вопрос власти. Кто вообще может участвовать в создании ИИ? Кто способен конкурировать, если входной билет в исследования — это парк ускорителей стоимостью в состояние? И не рискует ли вся область слишком быстро сузиться до нескольких корпораций, которые могут позволить себе этот уровень вычислений?
В 2022 году Сара Хукер перешла в Cohere и возглавила Cohere For AI — исследовательскую лабораторию, созданную как некоммерческое подразделение компании. Сам по себе этот переход уже выглядел показательно. После Google Brain она оказалась в структуре, которая с одной стороны связана с индустрией больших языковых моделей, а с другой — декларирует более открытый и исследовательский подход, чем типичный корпоративный ИИ-бизнес.
Cohere For AI при Хукер задумывался не просто как еще один отдел разработки, а как пространство для фундаментальных исследований, открытых коллабораций и подготовки нового поколения исследователей. Это хорошо укладывается в ее профессиональный темперамент. Хукер явно не из тех, кому достаточно просто выдать очередной корпоративный релиз модели. Ее интересует сама экосистема науки: кто в нее входит, как в нее попадают, какие языки и регионы остаются невидимыми, какие исследовательские вопросы считаются достойными внимания.
Под ее руководством Cohere For AI развивал проекты, связанные с многоязычными моделями, в том числе инициативу Aya — большой международный проект, призванный расширить доступность языковых технологий для десятков и сотен языков за пределами англоязычного ядра. Это направление очень точно показывает, чем Хукер отличается от многих публичных лиц ИИ-бума. Ее волнует не только то, насколько впечатляюще модель говорит по-английски, но и то, может ли она быть полезной в мире, где английский — далеко не единственный язык повседневности.
Если собрать основные линии карьеры Сары Хукер в одну картину, станет видно, что все они спорят с одним и тем же соблазном индустрии: с верой в то, что больше всегда значит лучше. Больше параметров, больше дата-центров, больше энергии, больше денег, больше англоязычных данных — и тогда, якобы, все остальные вопросы решатся сами собой.
Хукер принадлежит к другой интеллектуальной традиции внутри ИИ. Она постоянно возвращает разговор к эффективности, к ограничениям, к краевым случаям, к тем пользователям и тем языкам, которые не видны из центра. Ее интерес к компрессии — это не желание просто «ужать» модель. Это попытка понять, можно ли строить сильные системы, не превращая доступ к ИИ в привилегию тех, у кого есть огромный вычислительный бюджет. Ее работа с fairness и bias — не факультативная этика при технической карьере, а прямое следствие того, как она смотрит на модели: любая оптимизация имеет цену, и эта цена почти никогда не распределяется равномерно.
Поэтому Хукер часто оказывается в числе тех, кто усложняет слишком гладкий рассказ о триумфе больших моделей. Она не отрицает прогресс и не выступает против ИИ как такового. Но она постоянно напоминает, что сам выбор направления прогресса — это уже политический и инфраструктурный выбор. Если отрасль будет развиваться только в логике «еще больше вычислений», она неизбежно начнет обслуживать интересы тех, кто может оплатить этот рост, а не тех, кто реально нуждается в доступных и адаптивных системах.
К середине 2020-х Сара Хукер стала одной из самых заметных фигур в разговоре о будущем ИИ. Ее включали в списки влиятельных людей в искусственном интеллекте, а профильные и массовые медиа регулярно обращались к ней как к человеку, который умеет говорить о технологиях без слепого восторга и без пустого алармизма. Это тоже важная черта ее публичного образа. Хукер не похожа на пророка апокалипсиса и не играет роль продавца чудес. Скорее, она выступает как редкий тип исследовательницы, способной одинаково уверенно говорить о системной архитектуре, языковой политике, алгоритмической предвзятости и вычислительной экономике.
В этом смысле ее влияние выходит за рамки отдельных статей или лабораторных проектов. Она участвует в более широком сдвиге внутри ИИ-сообщества — от безоговорочного восхищения масштабом к разговору о качестве, устойчивости, доступности и цене вычислений. И хотя индустрия по-прежнему любит гигантские модели и громкие рекорды, сам факт, что такие фигуры, как Сара Хукер, находятся в центре обсуждения, уже многое говорит о состоянии области. ИИ больше нельзя обсуждать только как вопрос «кто сделает самую большую модель». Приходится говорить и о том, кто сможет этой моделью пользоваться, кто останется исключенным, какие научные направления были оттеснены инфраструктурой, и как вообще перестать путать вычислительную мощь с интеллектуальной зрелостью.
Сара Хукер жива, продолжает работать и явно не закончила свою главную профессиональную главу. Поэтому в ее случае рано говорить о наследии как о чем-то завершенном. Но уже сейчас видно, почему ее биография важна не только для тех, кто следит за машинным обучением.
Во-первых, она показывает, что внутри ИИ есть место не только строителям гигантских моделей, но и людям, которые задают неудобные вопросы о цене этих моделей — научной, социальной и энергетической. Во-вторых, она возвращает в разговор о технологиях тему масштаба человеческого мира. Не только вычислительного, но и языкового, культурного, инфраструктурного. И, наконец, Хукер напоминает о вещи, которую техноиндустрия очень не любит слышать: прогресс не всегда идет туда, где лучше идея. Иногда он идет туда, где удобнее серверная стойка.
Для исследовательницы, выросшей между странами и языками, а затем оказавшейся в самом центре ИИ-бума, это, возможно, и есть главная линия биографии: попытка доказать, что будущее искусственного интеллекта не обязано принадлежать только самым тяжелым моделям и самым богатым лабораториям. Иногда самый важный шаг вперед — не в том, чтобы сделать систему еще больше, а в том, чтобы понять, почему она вообще стала такой большой и кого оставила за бортом по дороге.
Сара Хукер, исследовательница ИИ
| Родился: | 00.00.1991 () |
| Место: | Дублин (IE) |
