1 сентября 2026 года китайский стартап Manus официально возобновил независимую работу после срыва сделки с Meta на 2 миллиарда долларов. Компания, основанная в Сингапуре, заявила, что её команда продолжит развивать общие ИИ-агенты, способные выполнять сложные многошаговые задачи без постоянного вмешательства человека.
В отличие от предыдущего периода интеграции с Meta, Manus теперь подчёркивает переход к более глубокому внедрению в реальные рабочие процессы, прямому взаимодействию с внешним миром и проактивному выполнению задач. Это не просто возврат к статусу независимого стартапа, а стратегический сдвиг в сторону агентных систем, которые не ограничиваются генерацией текста, а действуют в реальной среде через браузеры, код и инструменты.
Параллельно Recursive Superintelligence, основанная Ричардом Сочером, привлекла 650 миллионов долларов с явной целью создать рекурсивно самосовершенствующиеся системы. Компания стремится автоматизировать весь цикл научных исследований: от выявления слабостей модели до предложения улучшений, их реализации и валидации. Аналогичные раунды прошли у AMI Labs (1,03 миллиарда), World Labs (1 миллиард), Lila Sciences (550 миллионов) и General Intuition (454 миллиона), что указывает на массовый приток капитала в agentic AI.
Технически Manus представляет собой оркестратор, который запускает frontier-модели (часто Claude) внутри изолированной виртуальной машины с реальными инструментами: браузером, файловой системой, интерпретатором кода. Пользователь задаёт высокоуровневую цель, а агент самостоятельно разбивает её на шаги, выполняет, проверяет результат и возвращает артефакт. Обновления 1.5 и 1.6 показали сокращение времени выполнения задач с 15 до менее чем 4 минут и рост удовлетворённости пользователей более чем на 19 % в слепых тестах.
Методология оценки таких агентов остаётся спорной. GAIA-бенчмарк, где Manus якобы опережает GPT-4, измеряет способность к рассуждению и использованию инструментов, но не гарантирует надёжность в долгосрочных сценариях с неопределённостью. Отсутствуют публичные данные о failure modes при взаимодействии с реальным миром — например, при ошибках в веб-навигации или нестабильных API. Это типичная проблема agentic-систем: сильные результаты в контролируемых тестах не всегда переносятся на production.
В сравнении с подходом Recursive Superintelligence Manus делает акцент на практической автономии уже сегодня, тогда как RSI фокусируется на долгосрочной петле самосовершенствования. Recursive планирует «Level 1» автономной системы к середине 2026 года, используя миллионы долларов на compute. Manus же, освободившись от Meta, может быстрее итерировать продукт без корпоративных ограничений, но рискует отстать в фундаментальных исследованиях рекурсии.
DeepMind с AlphaEvolve демонстрирует промежуточный путь: Gemini предлагает решения, они автоматически тестируются, лучшие отбираются и улучшаются. Это работает хорошо в математике и коде, где результат легко измерить, но значительно сложнее в биологии или робототехнике, где эксперименты медленны и многомерны. Manus и аналогичные агенты пытаются закрыть этот разрыв через реальные взаимодействия, однако пока не доказали масштабируемость за пределами узких задач.
Независимость Manus позволяет компании быстрее адаптировать продукт под реальные пользовательские сценарии — от конкурентного анализа до автоматизации рабочих процессов. В то же время приток капитала в RSI и world models сигнализирует о смене парадигмы: от масштабирования языковых моделей к созданию систем, генерирующих собственный опыт и улучшающих себя.
Остаётся неясным, удастся ли агентам вроде Manus или RSI закрыть полный цикл самосовершенствования без существенного человеческого надзора. Независимая верификация на долгосрочных бенчмарках и реальных кейсах станет ключевым тестом для этих амбиций в ближайшие месяцы.
Manus, вернувшись к самостоятельности, получает шанс ускорить практическое внедрение автономных агентов, но успех будет зависеть от способности доказать надёжность в неконтролируемой среде.
