Автор разбираемой статьи выдвигает тезис, что Google «не проиграл» гонку ИИ, а сознательно вышел из неё, выбрав другую стратегию. По его наблюдениям, OpenAI и Anthropic вышли на петлю самоулучшения (RSIi), делая ставку на грубую силу вычислений и масштабирование — по «горькому уроку» Ричарда Саттона. Те, кто первым построит топовые модели уровня 2025-2026 годов, получат «скорость убегания» (escape velocityi) и оторвутся от конкурентов настолько, что догнать их станет практически невозможно.

Google, по мнению автора, стоит в стороне от этой PR-гонки RSI и делает экзистенциальный выбор «всё или ничего» в пользу иной теории развития ИИ — world models и альтернативных архитектур вместо чистого масштабирования трансформеров.

• RSI (recursive self-improvement) — концепция, где модель А создаёт модель Б, та создаёт модель В и так далее по экспоненте.
• Подход OpenAI и Anthropic опирается на тезис Ричарда Саттона: «грубая сила вычислений и масштабирование решают всё».
• Escape velocity («скорость убегания») — метафора из физики: скорость, необходимая, чтобы вырваться из гравитационного поля планеты и не упасть обратно; в контексте ИИ — недостижимый отрыв лидеров от догоняющих.
• Стратегия Google строится на трёх направлениях: 1) world models и VLA — пример Genie 3i, интерактивная модель мира, генерирующая играбельные среды с интуитивной физикой, для развития робосистем и автопилотов; 2) поиск альтернатив трансформерной архитектуре предсказания следующего токена, которую в Google считают терминальной веткой (упоминаются также диффузионки и парадигма JEPA); 3) упор на AI for science через DeepMind — проекты Co-scientist, AlphaFold3, Evolve, Genome.
• Автор формулирует итог как битву двух теорий: RSI — быстрая, но рискованная экспонента; World Models — долгая, но фундаментальная игра.
• Отдельно поднимается вопрос, что делать разработчикам суверенных и национальных моделей на фоне ускоряющегося отрыва лидеров гонки, включая упоминание успехов китайских команд.