Прошлое, которое определяет настоящее

Спрогнозировать будущее невозможно без анализа прошлого. Для начала полезно посмотреть, какие предсказания предшественников сбылись и с какой точностью. С одной стороны, это поможет выделить основные закономерности развития технологии и нерешенные до сих пор проблемы. С другой — покажет, какие методы прогнозирования работают, а какие нет.

Давайте разберемся, какие основные этапы уже прошел искусственный интеллект: 

1996 год — первый шахматный матч между человеком и машиной. По разные стороны доски встретились действующий чемпион мира и суперкомпьютер от компании IBM Deep Blue. Тогда машине не удалось победить человека, но этот опыт позволил разработчикам определить ее слабые стороны и продолжить исследования.

1997 год — победа машины над человеком в шахматном матче. Год спустя матч повторился ― но на этот раз соперником выступил обновленный Deep Blue, и в итоге компьютер выиграл. Надо отметить, что, несмотря на громкое название, Deep Blue на тот момент умел играть только в шахматы. Это была специализированная система, в которую загрузили огромное количество игровых комбинаций, не доступных для запоминания человеку.

2000-е — волна предсказаний о развитии ИИ. Один из самых известных в то время футурологов Рэймонд Курцвейл рассчитал, что к середине 2010-х годов мощность машин будет равна мощности головного мозга человека. А к 2025-му появятся технологии, имитирующие работу мозга, в который «загружены» все известные человечеству данные. Но эти предсказания подтвердились лишь отчасти. Порог мощности преодолеть удалось, но мозг моделировать ученые так и не научились. Более того — нет даже близких к этой концепции технологий.

2013 год — начало эпохи современного ИИ. Толчком к развитию тех нейронных сетей, которыми мы пользуемся сейчас, стала публикация «Efficient Estimation of Word Representations in Vector Space» (Эффективная оценка представлений слов в векторном пространстве). Ее авторы предложили простую математическую модель создания связей между словами и обучения нейросетей на их основе. При этом для эффективной работы ИИ требовались устройства небольшой мощности.

2016 год — победа нейросети AlphaGo в матче по игре в го с действующим чемпионом мира. Как и Deep Blue, AlphaGo была заточена только под одну задачу. Но это была уже сложная нейросеть, которая, разыграв несколько партий с тренерами-разработчиками, начала играть сама с собой. Она смогла «создавать» новые комбинации, а не просчитывать действия на основе уже загруженных в нее вариантов.

2017 год — победа нейросети в матче с действующим чемпионом мира по игре в Dota. А здесь интересен уже не сам факт победы, а скорость развития ИИ. Впервые бот сыграл в компьютерную игру в мае. Но уже в августе он смог обойти сильнейшего игрока планеты.

2018 год — выход статьи «Attention is all you need» (Внимание — все, что вам нужно). Авторы этой работы представили новую модель для ИИ — Transformer. Эта работа открыла возможность обучения существенно более сложных, глубоких нейронных сетей, которые могут точного захватывать и описывать семантику не только отдельных слов, как в простой модели 2013 года, но и больших кусков текста.

2020 год — появление технологии GPT (Generative Pretrained Transformer). Эта языковая модель еще больше укрепила принцип увеличения эффективности нейросетей за счет повышения мощности компьютера. Также она позволила создать первую в мире нейросеть Copilot, которая с высокой степенью точности подсказывала программисту, как писать код. Интересно, что всем известный ChatGPT появился уже позже.

2023 год — появление видеокарт NVIDIA H100. Мощность десяти таких видеокарт примерно равна мощности мозга. Задача с разработкой суперкомпьютера, равного по мощности человеческому мозгу, который при этом можно уместить на столе, была решена. Однако нейросети так и не обрели способность мыслить.

За последние двадцать лет в области ИИ, несомненно, произошли значительные изменения. Но сбылись далеко не все предсказания футурологов. Причем, как показывает прошлое, зачастую решение проблемы, которая кажется ключом к загадке создания нейросети, подобной головному мозгу, действительно не приводит к достижению этой цели. Необходимо комплексное развитие технологий. Это еще раз доказывает, что каждый новый этап развития открывает перед учеными вопросы, о которых до этого они даже не подозревали. И на сегодня таких вопросов накопилось немало.

Проблемы современного ИИ

Отсутствие сознания. ИИ «знает» больше любого человека на планете. Но эффективность использования этих данных значительно ниже, чем у нас. Пока архитектура нейросетей не будет напоминать модель головного мозга, развить у нее способность мыслить невозможно. Чтобы построить такую архитектуру, даже не нужно досконально знать, как работает мозг, достаточно схемы. Но у современных ученых нет даже концепции, как может выглядеть подобная модель нейросети.

Для справки. Одна из простых теорий сознания — это Attention schema theory of consciousness (Теория о сознании как схемы внимания). Она предполагает, что реакция организма на поступающую из внешней или внутренней среды информацию зависит от нескольких вещей:

рецепторов — «приемников» информации, воспринимающих и преобразующих данные из внешней или внутренней среды организма и передающих их через нервную систему в головной мозг;

модели мира — свода знаний о мире, на основе которых принимается решение о действиях;

модели тела — тоже свода знаний, но уже о себе;

внимания — фильтра поступающих данных, определяющего, на какую информацию стоит реагировать, а на какую не нужно тратить ресурсы. Внимание — этой такой же орган, которым надо уметь управлять, как руками и ногами. Это приводит к появлению внутренней модели внимания, что и есть сознание в рамках этой модели.

Главную сложность разработчики систем искусственного интеллекта испытывают с  имитацией механизма внимания. Современные роботы в большинстве случаев постоянно обрабатывают всю поступающую информацию. В то же время ученые активно изучают принципы работы и управления вниманием в головном мозге, но рабочей схемы «механизма» внимания до сих пор предложено не было.

Ресурсоемкость. Чаще всего ИИ сейчас «прокачивают» за счет увеличения мощности компьютера. В какой-то момент он начнет превосходить по этому параметру человеческий мозг. Однако это крайне ресурсоемкие системы ― создавать, эксплуатировать и обучать их очень дорого. Вся мощность таких систем уходит на обработку и «удержание» огромного массива данных. Снизить нагрузку на систему можно также за счет добавления функции внимания. Тогда нейросети, как и люди, могли бы анализировать лишь информацию, необходимую для выполнения конкретной задачи.

Универсальность. Нейросети «знают» всё и обо всём. Но чтобы решить отдельный вопрос, им приходится «добираться» до нужного знания через весь массив данных. Как следствие, это снижает их эффективность и увеличивает стоимость. Решение проблемы — подготовка специализированных нейросетей. Но существующие модели обучения не позволяют натренировать способный «говорить» с человеком ИИ только на данных из определенной области. Такие данные не обеспечивают достаточного объема, разнообразия и контекста, необходимых для полноценного понимания и генерации естественного языка. Для создания гибкого и адаптивного ИИ требуется обучение на больших объемах разнообразных данных, что позволяет моделям обобщать знания и адаптироваться к различным сценариям общения.

В целом любые технологии переживают похожий жизненный цикл: инновация, повышенное ожидание, разочарование, массовое использование. Сейчас ИИ в точке повышенного ожидания. В ближайшее время можно ждать либо качественного прорыва и перехода на новый уровень развития нейросетей. Либо ученые признают своеобразный «потолок» развития ИИ и интерес к нейросетям сойдет на нет.

Что ждать от ИИ в будущем

Прошлое и настоящее нейросетей позволяет выдвинуть некоторые предположения относительно дальнейшего развития технологии. Эти тенденции будут прослеживаться при любом сценарии следующего этапа «жизни» ИИ. Ведь даже в случае спада интереса к нейросетям они перейдут в массовое использование в большей или меньшей степени распространенности. 

Внедрение в работу человека. Вопреки ожиданиям, знакомые профессии не исчезнут. Однако людей для выполнения того же объема задач будет требоваться меньше. ИИ позволит увеличить продуктивность работы. И это касается не только копирайтеров и дизайнеров, но и ученых и самих программистов. Правда, последних в меньшей степени и намного позже. Сейчас эффективность работы тех, кто пользуется нейросетями, незначительно выше. В будущем этот разрыв станет более заметным, и, чтобы оставаться конкурентоспособным, придется учиться работать с нейросетями. Точно так же, как это было, например, с компьютерами в прошлом.

Усложнение ИИ. Современные нейросети строятся по простым математическим моделям, которые далеки от концепции устройства головного мозга. Однако уже сейчас для увеличения эффективности ИИ начинают использовать не только повышение мощности компьютеров, но и расширение моделей. Модели становятся более многослойными и отдаленно начинают напоминать мозг.

Развитие технологий может замедлиться из-за эволюционных и экономических причин. Пока труд человека будет дешевле покупки робота, массовое внедрение ИИ не начнется. Кроме того, если человечество увидит угрозу в нейросетях или большинство посчитает их использование нарушением социокультурных норм, они также перестанут развиваться.

Восстания машин не случится. Если этого не захочет человек. Сам по себе ИИ не сможет обрести сознание и тем более свободу воли. Для этого разработчики должны создать архитектуру программы, которая будет предполагать эти «опции». Поэтому обретение сознания и свободы действий у нейросетей будет не неконтролируемой случайностью, а осознанным шагом человека.

Роман Елизаров больше двадцати лет в профессии. 25 лет проводит студенческие соревнования по спортивному программированию. 20 лет преподает в ИТМО, 7 лет руководил отделом разработки языка Kotlin в международной компании JetBrains. Сейчас возглавляет отдел разработок в Яндексе. В июне Роман выступил одним из спикеров школы PI ИТМО, которая проводится для молодых исследователей ― будущих лидеров научных команд. В этом году участники школы узнали, как определить вектор развития профессии на десять лет вперед, совершенствовать знания и навыки, опираясь на тенденции в мире науки и бизнеса, и попробовали спрогнозировать, как изменятся технологии в ближайшие десятилетия.