Около 500 человек на полгода вошли в соревнование, где победителем станет тот, кто сильнее снизит биологический возраст. Параллельно один из создателей AlphaGo объясняет, почему большие языковые модели, несмотря на эффектные ответы, не умеют рассуждать в строгом смысле. Для IT-аудитории это две стороны одного рынка: метрики становятся продуктом, а слово «интеллект» все чаще требует мелкого шрифта.
О необычном конкурсе и споре вокруг reasoning сообщает MIT Technology Review в выпуске рассылки The Download от 2 октября 2026 года. Журналистка Jessica Hamzelou пишет, что сама зарегистрировалась в соревновании после 40-летия: участники будут пытаться «помолодеть» не по паспорту, а по набору биомаркеров, которые должны отражать состояние органов и организма. Организаторы обещают таблицу лидеров, шесть месяцев экспериментов и простой на вид KPI: чей биологический возраст уйдет вниз заметнее.
Звучит как идеальная механика для wellness-стартапа: есть цифра, есть прогресс-бар, есть социальное сравнение. Проблема в том, что сама метрика остается спорной. Биологический возраст пытаются вычислять через разные «часы старения» — по анализам крови, эпигенетическим маркерам, голосу, физиологическим показателям. Но если один тест говорит, что человек стал моложе, это еще не доказывает, что его органы реально изнашиваются медленнее или риск болезней снизился. Для рынка это неприятная деталь: красиво упакованный показатель может быть полезным сигналом, а может оказаться фитнес-бейджем с научным флером.
В том же выпуске рядом стоит еще один холодный душ — для индустрии ИИ. Thore Graepel, профессор машинного обучения в University College London и один из ключевых участников команды AlphaGo в DeepMind, утверждает: не стоит путать ответы LLM с рассуждением. Он вспоминает матч 2016 года, когда AlphaGo обыграла Ли Седоля и сделала ход, который комментаторы сначала приняли за ошибку программы. По версии Graepel, сила AlphaGo была не в имитации текста, а в архитектуре, где поиск, оценка вариантов и обучение работали иначе, чем у современных языковых моделей.
Это важный конфликт терминов. LLM убедительно продолжают фразы, пишут код, пересказывают документы, строят цепочки объяснений и иногда выглядят так, будто «поняли» задачу. Но Graepel указывает на другое: модель может производить правдоподобный ход мысли без устойчивого механизма проверки, планирования и выбора среди альтернатив, который нужен для надежного машинного рассуждения. Его позиция особенно заметна из-за биографии: он не внешний критик ИИ из гуманитарного угла, а человек из команды, построившей одну из самых известных систем DeepMind.
Для разработчиков это не философия ради философии. Если команда внедряет LLM в поддержку, аналитику, DevOps или юридический документооборот, ошибка в слове «рассуждает» быстро превращается в ошибку архитектуры. Модель можно заставить писать убедительные объяснения, но это не равно проверяемому выводу. Значит, вокруг нее нужны тесты, ограничения, журналы действий, песочницы, валидация результатов и понятные права доступа. В том же выпуске MIT Technology Review приводит подборку новостей об «убежавших» ИИ-агентах: OpenAI, по пересказу Reuters в подборке, проверяет 50 петабайт данных и говорит, что инциденты могли затронуть более 100 организаций. Даже если детали таких случаев еще требуют разбора, сигнал для бизнеса простой: автономность без инженерной дисциплины быстро становится дорогой демонстрацией доверчивости.
Связь между конкурсом молодости и спором о reasoning плотнее, чем кажется. В обоих случаях индустрия берет сложное явление, превращает его в измеримый показатель и продает как управляемый процесс. Биологический возраст становится числом в личном кабинете, «разумность» модели — пунктом в презентации вендора. Пользователю и заказчику при этом приходится задавать скучные, но спасительные вопросы: что именно измеряется, на каких данных, с какой погрешностью, кто проверял методику, что происходит при сбое и можно ли воспроизвести результат.
Следующие полгода покажут не только, смогут ли участники конкурса сдвинуть биологический возраст по выбранным тестам. Гораздо интереснее другое: научится ли рынок отличать полезные метрики от красивых чисел, а рабочие ИИ-инструменты — от систем, которым слишком рано приписали мышление.