«Стало довольно плохо»: Белла Торн вспомнила, как они с Зендаей сбежали с площадки, чтобы помириться
07.08.2026 00:56:23
Осенью 2016 года в Стэнфордском университете группа исследователей представила алгоритм с обманчиво скромным названием — MAML, Model-Agnostic Meta-Learning. Идея звучала почти абсурдно просто: что, если научить нейросеть не конкретному навыку, а способности быстро осваивать любой новый навык всего по нескольким примерам? Автором этой идеи была аспирантка Калифорнийского университета в Беркли по имени Челси Финн. Спустя несколько лет статья соберёт тысячи цитирований и станет одной из опорных работ в области машинного обучения, а сама Финн — одним из самых цитируемых молодых учёных в робототехнике. Но путь к этому начался не с амбициозных заявлений о «искусственном интеллекте», а с обычного детского любопытства к тому, как устроены вещи.
Финн родилась 8 октября 1992 года в семье, где оба родителя работали инженерами. Для многих детей это осталось бы просто фактом биографии, но для будущей исследовательницы это оказалось средой, сформировавшей саму манеру мышления. Она всегда интересовалась решением задач и головоломок, даже в самом раннем возрасте, а родители-инженеры лишь подпитывали это любопытство. В доме, где технические разговоры были нормой, а не исключением, идея того, что можно не просто пользоваться техникой, но и понимать, как заставить её «думать», не казалась чем-то экзотическим — она казалась естественным продолжением игры.
Поступление в Массачусетский технологический институт стало логичным следующим шагом. Финн выбрала специальность на стыке электротехники и информатики — сочетание, которое давало ей одновременно и теоретическую базу, и понимание физического мира, с которым эта теория должна была взаимодействовать. Именно в MIT она впервые столкнулась не только с академическими вызовами, но и с вопросом, который позже станет центральным для всей её карьеры: как убедить машину, что учиться — это тоже можно «уметь».
Показательно, что уже в студенческие годы Финн обратила внимание не только на науку, но и на то, кто эту науку делает. Её вдохновили усилия преподавателей MIT по увеличению представленности женщин среди сотрудников и приглашённых докладчиков — это дало студенткам ролевые модели. Это наблюдение окажется не проходным эпизодом: спустя годы сама Финн станет такой ролевой моделью для следующего поколения.
Получив в 2014 году степень бакалавра, Финн отправилась в Калифорнийский университет в Беркли — один из мировых центров исследований в области робототехники и обучения с подкреплением. Там она попала в орбиту двух учёных, чьё влияние трудно переоценить: Питера Аббеля и Сергея Левина. Это было время, когда глубокое обучение только начинало по-настоящему проникать в робототехнику, и лаборатории Беркли находились в авангарде этого сдвига.
Докторская диссертация Финн, защищённая в 2018 году, называлась «Learning to Learn with Gradients» — «Учиться учиться с помощью градиентов». Само название выдаёт суть подхода, который она развивала: вместо того чтобы тренировать модель на решение одной узкой задачи, можно настроить процесс обучения так, чтобы модель приобретала способность к быстрой адаптации. Практическая ценность этой идеи была огромной — робот, обученный подбирать один тип предметов на одном столе, при столкновении с новым объектом или новой средой обычно оказывается беспомощен. Подход Финн предлагал математический механизм, позволяющий системе адаптироваться за считаные попытки, а не за тысячи часов переобучения.
Работа получила премию ACM за лучшую докторскую диссертацию — одну из самых престижных наград в компьютерных науках для начинающих исследователей. Но важнее наград было другое: методы, разработанные Финн в этот период, легли в основу целого направления — метаобучения (meta-learning), — которое стало одним из активнее всего развивающихся полей в машинном обучении последующего десятилетия.
В 2018 году Финн пришла в Google, где на протяжении нескольких лет работала научным сотрудником в командах Google Brain, а позже Google DeepMind — вплоть до марта 2024 года. Параллельно, уже в 2019 году, она заняла должность на факультете Стэнфордского университета — сначала как доцент кафедр компьютерных наук и электротехники, а также как обладатель именной стипендии Хувер (William George and Ida Mary Hoover Faculty Fellow).
Совмещение индустрии и академии — не редкость в мире искусственного интеллекта, но для Финн это было принципиальной позицией: исследования, оторванные от реальных данных и реальных роботов, рисковали остаться математически изящными, но практически бесполезными. В Стэнфорде она возглавила лабораторию с говорящим названием IRIS — Intelligence through Robotic Interaction at Scale, «интеллект через масштабное роботизированное взаимодействие». Идея лаборатории отражала её главный исследовательский тезис: подлинный интеллект — не то, что закладывается в систему заранее, а то, что рождается из взаимодействия с миром, из проб, ошибок и адаптации.
Её работа не ограничивалась манипуляциями роборук. Одним из неожиданных приложений её метаобучающих алгоритмов стало образование: Финн разработала систему, которая обучалась давать студентам обратную связь по программному коду. Систему протестировали на курсе Code in Place — масштабном онлайн-курсе Стэнфорда, ежегодно собирающем около 12 тысяч студентов по всему миру. Результат оказался неожиданно убедительным: в 97,9% случаев студенты соглашались с обратной связью, которую давал алгоритм. Это был редкий случай, когда абстрактная идея «обучения обучению» превратилась в инструмент, ежедневно помогающий тысячам людей за пределами лаборатории.
К началу 2024 года Финн подошла к развилке, знакомой многим ведущим исследователям в области ИИ: оставаться в академической и корпоративной среде — или рискнуть и построить собственную компанию вокруг идеи, которую сложно было реализовать «изнутри» большой корпорации. В марте 2024 года она вместе с бывшим научным руководителем Сергеем Левином, исследователем Google DeepMind Каролом Хаусманом, Куаном Вуонгом и предпринимателем Лэчи Грумом основала стартап Physical Intelligence.
Компания взялась за задачу, которая долгие годы казалась робототехникам почти недостижимой: создать «фундаментальную модель» для физического мира — по аналогии с тем, как большие языковые модели изменили работу с текстом. Идея заключалась в том, чтобы один и тот же алгоритм мог управлять разными роботами — от манипуляторов до гуманоидных платформ — выполняя широкий спектр задач, от заваривания кофе до складывания незнакомой одежды, без переобучения под каждую конкретную ситуацию.
Ставка оказалась настолько убедительной для инвесторов, что уже в первый год существования компания привлекла сотни миллионов долларов от таких игроков, как Sequoia Capital, Thrive Capital, Lux Capital, OpenAI и лично Джефф Безос, а к концу 2025 года её оценка достигла нескольких миллиардов долларов. Для исследовательницы, начинавшей с университетской лаборатории и алгоритма на несколько страниц математических выкладок, это стало подтверждением того, что фундаментальная наука способна довольно быстро превращаться в технологию с ощутимым практическим весом.
Интересно, что карьера Финн выстроена вокруг внутреннего напряжения, которое она сама не раз проговаривала: между строгостью академического исследования и нетерпеливым желанием увидеть, как идея работает в реальном, физическом мире. По её собственным словам, её привлекало то, что в машинном обучении много интересных приложений, оказывающих реальное позитивное влияние на людей — формулировка, в которой слышится скорее инженер, ищущий практическую пользу, чем теоретик, увлечённый чистой математикой.
Это же противоречие видно и в её карьерных решениях: вместо того чтобы выбрать одну дорогу — либо чистую науку в университете, либо коммерческий продукт в корпорации, — она последовательно держала обе линии открытыми, пока не пришла к третьему варианту: построению собственной компании, где академическая строгость и предпринимательская скорость должны были работать вместе.
К середине 2020-х годов список наград Финн выглядит внушительно даже по меркам её области: стипендия Слоуна, премия NSF CAREER для молодых учёных, упомянутая премия ACM за докторскую диссертацию, президентская премия для начинающих учёных и инженеров (PECASE), а также включение в список MIT Technology Review «35 моложе 35» — традиционный ежегодный список самых многообещающих молодых новаторов планеты. Её работы обсуждались изданиями The New York Times, Wired и Bloomberg — не самый частый уровень внимания массовой прессы к академическим исследователям в узкой технической области.
При этом сама Финн — фигура, которую сложно назвать публичной в привычном смысле. Она нечасто появляется в медиапространстве как «звезда ИИ»; куда чаще её можно встретить на конференциях по робототехнике и машинному обучению, где она выступает с докладами перед специализированной аудиторией, или в подкастах, где разговор идёт не о хайпе вокруг искусственного интеллекта, а о конкретных инженерных ограничениях — почему роботам так сложно обобщать опыт, и что нужно, чтобы это изменить.
Челси Финн — учёный, чья карьера пока далека от завершения, а значит, и разговор о её месте в истории отрасли пока преждевременен. Но уже сейчас видно, что её путь — редкий пример того, как теоретическая работа, начатая с вопроса «может ли алгоритм научиться учиться», превращается в компанию с миллиардной оценкой и роботов, которые варят эспрессо и складывают одежду в реальных условиях. Для отрасли, где обещания часто опережают результаты, это движение от абстрактной идеи к работающей системе остаётся её главным, пока ещё не дописанным до конца, вкладом.
Челси Финн ученая, которая делает роботов умнее. Фото с сайта medium.com
| Родилась: | 08.10.1992 (33) |
