31-летний Данияр Хафнер ушёл из Google DeepMind осенью 2025 года и теперь строит stealth-стартап в Сан-Франциско, где по офису стоят не пуфики, а китайские гуманоидные роботы. Его ставка — агенты Dreamer, которые учатся не на миллионах болезненных попыток в реальном мире, а внутри «моделей мира» и затем переносят этот опыт в физическую среду. Для разработчиков, робототехнических команд и бизнеса это важный сигнал: гонка за AI-агентами постепенно уходит из чатов и браузеров в квартиры, склады и офисы.
О проекте Хафнера сообщает MIT Technology Review. Стартап пока не раскрывает ни названия, ни продукта, ни бизнес-модели. По описанию самого основателя, это продолжение его многолетней работы над ИИ, который способен действовать в средах, которых не видел на обучении. В офисе в районе SoMa у компании мало мебели и почти нет людей, зато на стойках висят гуманоиды разных форматов. Это не декорация для питча инвесторам, а физический стенд для проверки главной идеи: робот должен справляться с новым планом квартиры, с незнакомой мебелью и с ситуациями, которые никто заранее не прописал в тестовом наборе.
Техническая основа подхода — model-based reinforcement learning, или обучение с подкреплением на базе модели. Хафнер строит так называемые world models: нейросетевые модели, которые приближённо воспроизводят физическую реальность или игровую среду. Агент тренируется внутри такой модели, пробует варианты действий, прогнозирует последствия и использует эти «воображаемые» эпизоды для планирования. Если сильно упростить, агент не просто реагирует на текущий кадр с камеры или состояние игры, а пытается просчитать, что случится дальше.
Это отличается от классической робототехники, где часто приходится долго и дорого гонять железо в реальном мире. Реальный робот падает, ломает манипулятор, царапает пол, требует инженера рядом и быстро превращает обучение в бюджетную яму. В модели мира ошибки дешевле: можно «уронить» агента тысячи раз в симуляции и перенести часть навыков на физическое устройство. Полного магического переноса из виртуальности в реальность здесь нет, но сама экономия на пробах делает подход привлекательным для всех, кто хочет вывести роботов из лаборатории.
Хафнер пришёл к этой теме не вчера. Он вырос в небольшом городе на северо-востоке Германии, программировать начал благодаря соседу, а ИИ увлёкся ещё в школе через онлайн-курсы. В 2015 году, будучи студентом второго курса Hasso Plattner Institute в Потсдаме, он попал в Google Brain как student researcher. Затем были многочисленные стажировки и позиции в Google Brain и Google DeepMind в Великобритании, Канаде и США. В его профессиональной орбите оказались Джеффри Хинтон и Ашиш Васвани, один из авторов статьи «Attention Is All You Need», с которой началась нынешняя архитектурная мода на трансформеры.
Репутация у Хафнера внутри исследовательской среды сильная. Его бывший менеджер и соавтор в Google Тимоти Лилликрап говорит, что среди исследователей Google он легко попадает в верхние полпроцента. Это не рыночная метрика и не гарантия коммерческого успеха, но для раннего deeptech-стартапа такие оценки важны: инвесторы и партнёры смотрят не только на демо, но и на способность команды годами тащить сложную исследовательскую линию.
Эта линия хорошо видна по проектам Хафнера. PlaNet был ранним прорывом: агент мог планировать действия, используя внутреннюю модель среды. Dreamer 2 достиг уровня человека в играх Atari 2600 с помощью world model. Dreamer 3 решил Minecraft Diamond challenge — задачу, где агент самостоятельно добывает алмазы в Minecraft. Dreamer 4 пошёл ещё дальше: научился добывать алмазы по офлайн-набору записанных игровых прохождений, без прямого взаимодействия с самой игрой. Для индустрии это важная деталь: офлайн-обучение на уже собранных данных намного ближе к реальным корпоративным сценариям, чем бесконечный доступ к идеальному симулятору.
Переход из игр в железо начался через проект DayDreamer. Там алгоритм Dreamer использовался для управления роботами в новых условиях, включая реакцию на неожиданные события вроде падения или толчка, без отдельной тренировки под каждый такой случай. Это пока не означает, что гуманоиды завтра начнут уверенно мыть посуду в любой квартире. Но направление понятно: робот должен не просто выполнять сценарий «подъехать к точке А», а адаптироваться, если точка А оказалась за стулом, ковёр зацепил колесо, а человек поставил коробку посреди маршрута.
Для IT-команд здесь есть практический вывод. AI-агенты, о которых весь рынок говорит последние два года, не ограничиваются автозаполнением CRM и запуском скриптов в браузере. Следующая сложная часть — агенты, которые умеют планировать в условиях неполной информации, проверять гипотезы и переносить опыт между средами. Агенты Dreamer показывают один из возможных путей: меньше ручного программирования поведения, больше обучения на предсказаниях и симуляции. Для бизнеса это обещает более дешёвое внедрение роботов, но одновременно поднимает старые вопросы безопасности, валидации и ответственности: если агент «представил» неверное будущее, чинить последствия придётся уже не в симуляторе.
Главная интрига теперь не в том, сможет ли Хафнер показать красивое демо: его предыдущие работы уже доказали, что подход работает в сложных игровых задачах и первых робототехнических экспериментах. Вопрос жёстче: получится ли превратить модельное обучение роботов в продукт, который переживёт грязный пол, нестандартную квартиру, дешёвый сенсор, нетерпеливого пользователя и экономику реального внедрения. Именно там заканчивается исследовательская романтика и начинается рынок.