Яир Алон, проработавший около 10 лет в Google Research и DeepMind, ушёл в стартап Poetiq, чтобы создавать самоулучшающийся ИИ. Его новая команда хочет разработать систему, которая оптимизирует другие ИИ-системы — агентов, навыки и программные обвязки — а затем применяет тот же подход к собственной работе. Для разработчиков и руководителей AI-направлений это ещё один сигнал: самые рискованные и интересные эксперименты с автономными системами всё чаще уходят из корпораций в небольшие исследовательские команды.
До перехода Алон участвовал в создании моделей глубокого обучения для режима Portrait Mode в смартфонах Pixel, работал над системами для Search, Ads и YouTube, исследовал эффективное глубокое обучение, а последним его проектом стал VideoPoet — система генерации видео. О его переходе в Poetiq сообщает Y Combinator Blog. Стартап из Сан-Франциско входит в летний набор YC 2026, а Алон присоединился к нему в день основания как founding research scientist.
По словам исследователя, причиной ухода не был кризис внутри Google: он прямо говорит, что чувствовал себя там успешным и продуктивным. Но комфортная траектория стала выглядеть менее привлекательной, чем шанс поработать с бывшими коллегами из DeepMind над задачей без готового шаблона решения. В большой компании он уже знал, как устроены процессы. В Poetiq пришлось принять обратную реальность: процессов почти нет, а последствия каждого инженерного решения заметны сразу.
Должность founding research scientist в раннем стартапе, как выяснилось, мало похожа на аккуратную строчку в оргструктуре. В один день Алон может проверять новую ML-гипотезу, затем чинить проблемы в базе данных, а позже смотреть потенциальный офис вместе с риелтором. Не самый романтичный образ фундаментального ИИ-исследования, зато довольно точный для команды, в которой несколько человек одновременно строят продукт, исследовательскую платформу и операционную основу компании.
Не просто агент, а оптимизатор агентов
Главная ставка Poetiq — рекурсивное самоулучшение. В упрощённом виде команда пытается построить оптимизатор, который берёт AI-систему, оценивает её работу, находит улучшения и запускает новую итерацию. Целями могут быть агентные контуры, наборы инструментов, навыки или другие компоненты AI-приложения. Более амбициозная часть идеи в том, что этот оптимизатор должен улучшать и самого себя, ускоряя темп последующих улучшений.
Важно не путать такую формулировку с обещанием универсального интеллекта по расписанию. Из опубликованного рассказа не следует, что Poetiq уже получила автономную систему, способную бесконечно переписывать себя без участия людей. Пока речь идёт об исследовательском направлении и инфраструктуре для множества проверяемых экспериментов. Это существенная разница: между впечатляющей демонстрацией оптимизации отдельного агента и устойчивым циклом самосовершенствования лежит много работы с оценками, ограничениями, качеством данных и воспроизводимостью результатов.
Первые задачи в Poetiq разделили на два трека. Один посвящён алгоритмическим основам мета-оптимизатора: как именно система должна искать и проверять улучшения. Второй — экспериментальной инфраструктуре, без которой даже хорошая идея быстро превращается в набор красивых графиков на локальной машине. Алон особенно выделяет эту часть работы: в Google подобные платформы создают отдельные команды, а в стартапе их пришлось собирать с нуля. Готовые инструменты не закрывали потребности проекта, поэтому команда построила собственную систему запуска экспериментов, дашборды и детальный анализ поведения оптимизатора.
Для практиков здесь нет неожиданной, но часто недооценённой мысли: конкурентное преимущество в AI сегодня создаёт не только модель. Если компания хочет проводить в десять раз больше экспериментов, ей нужны надёжные очереди задач, трассировка запусков, сравнимые метрики, контроль стоимости вычислений и понятный способ разбирать неудачи. Иначе исследователи будут оптимизировать не агентов, а собственное время в таблицах и логах. По мере роста Poetiq Алон как раз концентрируется на том, какие барьеры помешают системе работать дольше без ручного вмешательства и что сломается при кратном росте числа экспериментов.
Почему большие компании не всегда выигрывают
История Алона укладывается в знакомый для AI-рынка сюжет: корпорации дают доступ к данным, вычислениям и зрелой инженерной среде, но небольшие команды быстрее выбирают рискованные направления и меняют фокус. Впрочем, романтизировать стартап не стоит. Сам Алон советует кандидатам смотреть на раннюю компанию без иллюзий: большинство стартапов не превратятся в Anthropic. Рациональная причина присоединиться — быстро учиться, работать в компактной команде и отвечать за весь жизненный цикл своей части продукта, а не рассчитывать на заранее гарантированный исход.
Poetiq делает ставку и на широкую автономию сотрудников. По описанию Алона, основатели не пытаются управлять каждым шагом, но регулярно проводят глубокие синхронизации, чтобы команда не расходилась в приоритетах. Такой режим знаком многим сильным инженерным группам: свобода без регулярной сверки быстро превращается в параллельные исследования, а постоянный контроль убивает скорость. Для стартапа, который одновременно ищет новую исследовательскую нишу и продуктовую форму, баланс особенно хрупкий.
Показательно и отношение Алона к инструментам разработки. Он работал в VS Code, пробовал Anti Gravity, а сейчас чаще использует Claude Code, но не считает выбор помощника главным фактором. Гораздо важнее ясное представление о результате, архитектуре и критериях успеха. Это полезная поправка к рынку, где названия coding-агентов иногда обсуждают дольше, чем дизайн системы, которую им поручают писать.
Если Poetiq сумеет доказать, что самоулучшающийся ИИ может надёжно улучшать реальные AI-системы, ценность будет не в эффектной формуле про ИИ, который переписывает ИИ. Проверкой станет другое: снижает ли такая платформа стоимость эксперимента, ускоряет ли выпуск агентов и сохраняет ли качество при росте автономности. Именно на этом поле стартапу предстоит конкурировать не с отдельными моделями, а с внутренними исследовательскими платформами крупнейших AI-лабораторий.