Где проходит граница возможностей искусственного интеллекта

История взлетов и падений

Что вы думаете относительно социальных последствий массового внедрения ИИ? Насколько оправданы опасения его противников, что ИИ лишит их работы, профессии? Иван Оселедец: Если ИИ сможет автоматизировать рутинные процессы в этом нет ничего плохого. Люди смогут сфокусироваться на более интересных и творческих вещах. Но пока не все так просто. Возьмем, программирование и написание кода. Уже было несколько случаев, когда нейросеть за 3 минуты писала код. Очень правдоподобно писала, но с такими хитрыми ошибками, что человек потом 3 часа искал этот несчастный баг. Если же учесть, что программистов сейчас не хватает во всем мире, рынок труда перегрет, то в том, что самый простой код будет писать ИИ нет ничего плохого. Как далеко мы сейчас находимся от того, что называют «общим искусственным интеллектом»? Он в принципе возможен? Иван Оселедец: На эту тему очень много спекуляций, но если бы год назад я сказал «вряд ли» или «надо подождать», то с появлением ChatGPT многое изменилось. Почему бы те вещи, которые он сейчас делает, не рассматривать как проявление общего искусственного интеллекта, который отвечает на многие вопросы лучше среднестатистического человека, решает разнообразные задачи, выполняет роль помощника. Что тут не соответствует понятию «общего искусственного интеллекта». Кейсы с использованием современного ИИ — это очень многозадачные истории и даже в некоторых случаях достаточно креативные. В этом смысле мы подошли очень близко к общему ИИ. Он неожиданно для многих появился в форме чат-бота, который обрастает различными модальностями, то есть, уже работает не только с текстом, но и с изображениями и видео. Можно считать, что мы уже живем в эпоху более или менее «общего ИИ». Человечество в каком-то смысле пересекло эту условную черту. Конечно, можно спорить относительно определения общего ИИ, но факт остается фактом, поведение современных больших языковых моделей принципиально отличается от того, что мы видели раньше и их действительно можно назвать прототипами общего ИИ. Каково на ваш взгляд сейчас место России в мировой ИИ-индустрии в науке о данных? Иван Оселедец: В области Data Science (науки о данных), думаю, мы входим в Топ 15-20 стран. Это достаточно легко измерить количеством публикаций на конференциях. Хотелось бы, конечно, больше так как в этом нет ничего сложного. Data Science наука достаточно своеобразная и нетипичная для нашей академической традиции, так как она не подразумевает каких-то глубоких фундаментальных исследований, а представляет собой набор быстрых и успешных рецептов, которые люди придумывают и используют. Если говорить с точки зрения развития прикладных технологий у нас все очень неплохо. Я обычно привожу как пример обработку медицинских изображений, где по многим показателям Москва находится в мировых лидерах. Тут опять все сводится к тому, что нужно правильно собрать данные и обучить модели, но тем не менее, такого внедрения этой технологии, как в Москве, нигде в мире практически нет. Сегодня каждая уважающая себя российская IT-компания или банк имеет у себя отдел, занимающийся машинным обучением. В «Сколтехе» есть свои научные группы, они работают, появляются новые, но я думаю, что нужно раза в четыре-пять больше научных групп, работающих в области ML (машинного обучения). В целом же ситуация с искусственным интеллектом в стране неплохая, туда вкладываются деньги, есть проекты, есть поддержка. Обучение больших нейросетевых моделей требует значительных вычислительных ресурсов. Насколько реально создавать суперкомпьютеры в текущих условиях в России? Что для этого нужно? Иван Оселедец: Санкционная история просто повышает стоимость вычислительных ресурсов и их доступность. Но при этом программное обеспечение, которым все пользуются, не очень эффективно. Сейчас вычислительный кластер достигает при стандартной методике обучения не более 50% от своей максимальной производительности. Если же, условно, приблизиться к 100%, можно в 2 раза ускорить обучение на том же самом «железе». Одной из важных задач является разработка новых эффективных вычислительных методов обучения нейросетей, которые позволят снизить время обучения и потребление электроэнергии. Мы ведем над этим активную работу. Ситуация с вычислительными мощностями она в везде не очень хорошая, а не только в России. На рынке графических чипов, необходимых для обучения нейросетей, есть фактический монополист — компания NVIDIA, и все в мире осознают это, как глобальную проблему. NVIDIA ушла так далеко вперед, что сейчас проще купить у них процессор, чем пытаться разрабатывать свой. Даже Google для своего последнего вычислительного кластера просто закупила у нее 26 тысяч графических карт, хотя у них есть свой специальный процессор для обучения нейросетей. Наличие такого монополиста не очень хорошо, но при этом надо понимать, сколько стоит разработка каких-то своих решений. Тут тоже есть варианты, что можно сделать, но это все средне- и долгосрочные перспективы. Пока же есть один путь — закупка графических карт и оптимизация алгоритмов. Нужно думать головой, а не просто механически увеличивать размер модели и объем железа необходимого для ее обучения. Пример с ChatGPT показал простую вещь. Можно не обучать модель на сто миллиардов параметров, а создать и обучить модель в несколько миллиардов параметров. Это сокращение сложности и требуемых для обучения мощностей и электроэнергии в десятки раз. При этом можно получить сравнимое качество модели за счет более оптимальных алгоритмов обучения и грамотно подобранных данных.

Искусственный интеллект уже второй год подряд становится самой обсуждаемой технологией во всем мире. К ней приковано внимание общества, бизнеса и государства. Он одновременно восхищает и пугает людей, а инвестиции в ИИ исчисляются десятками миллиардов долларов. О том, что же такое современный искусственный интеллект, в интервью «Российской газете» рассказал генеральный директор Института искусственного интеллекта AIRI, доктор физико-математических наук, профессор РАН и Сколтеха, Иван Оселедец.

Поначалу, под влиянием первых успехов, исследователи позволяли себе несколько опрометчивые заявления, которые впоследствии неоднократно ставились им в упрек. Так, например, в 1958 году американец Герберт Саймон, позже ставший лауреатом Нобелевской премии по экономике, заявил, что если бы машины допускались к международным соревнованиям, то в ближайшие десять лет они стали бы чемпионами мира по шахматам.

И наконец, в противоположность некоторым утверждениям, машины не несут в себе экзистенциального риска для человечества, поскольку их автономия носит лишь технический характер и в этом смысле не соответствует цепочкам материальной причинности, идущим от информации к принятию решений. Кроме того, машины не самостоятельны в моральном плане, и потому, даже если иногда они сбивают нас с толку и вводят в заблуждение своими действиями, они все же не обладают собственной волей и подчиняются тем целям, которые мы перед ними ставим.

Как вы относитесь к письму организации Future of Life, которое подписали Илон Маск, сооснователь Apple Стив Возняк и другие известные персоны, относительно приостановки разработок в области ИИ ввиду его потенциальной опасности для людей? Иван Оселедец: Я, конечно, не поддерживаю идею что надо что-то остановить, прекратить, тем более что некоторые люди, которые подписывали это письмо, например Илон Маск, потом вкладывали деньги в свою компанию по разработке ИИ. Есть и такие экзальтированные исследователи ИИ, как Элиезер Юдковский, который дошел до того, что фактически призывает бомбить дата-центры, где обучают нейросетевые модели. Все это выглядит очень странно. Действительно, сейчас технологии машинного обучения хорошо работает там, где цена ошибки не высока. Никто не может дать гарантии стопроцентно безошибочной работы ИИ, но мы и для человека не можем дать такой гарантии, а ошибки человека, которые случаются, устраняем путем внесения изменений в регламенты, обучение, в подготовку. Такие же процедуры работают и для искусственного интеллекта. Если, например, мы поставим нейросетевую модель управлять транспортом, и она перестанет корректно работать, надо будет разобраться, почему это произошло и решить проблему так же, как и в случае с обучением человека. Мне кажется, сейчас надо максимально вкладываться в развитие ИИ. Естественно, если в какой-то момент мы упремся в технологический или иной барьер, тогда и надо будет думать, что делать дальше. Однако, многие задачи, которые раньше считались для ИИ сложно решаемыми, современные большие языковые модели (LLM) решают легко. Это замечательно, значит, надо учиться этими моделями пользоваться, надо учиться с ними взаимодействовать. То, что происходит сейчас с ИИ сравнимо с предыдущими технологическими революциями, но я опять же не вижу в этом ничего страшного или критичного. В мире, будем честны, гораздо больше более серьезных проблем — голод, болезни, стихийные бедствия — чем гипотетический захват власти над миром каким-то супермозгом.

Методы машинного обучения позволяют одним автоматам распознавать устную речь и записывать ее подобно секретарям-машинисткам прошлых лет, а другим – точно идентифицировать лица или отпечатки пальцев среди десятков миллионов других и обрабатывать тексты, написанные на естественных языках. Благодаря этим же методам самостоятельно движутся автомобили, компьютеры лучше врачей-дерматологов диагностируют меланомы по фотографиям родинок, сделанных с помощью сотовых телефонов, роботы воюют вместо людей; а конвейеры на заводах все больше автоматизируются.

Применение

С 2010 года мощность компьютеров позволяет сочетать так называемые большие данные (Big Data) с методами глубокого обучения (Deep Learning), которые основываются на использовании искусственных нейронных сетей. Весьма успешное применение во многих областях (распознавание речи и изображений, понимание естественного языка, беспилотный автомобиль и т.д.) позволяет говорить о возрождении ИИ.

Ученые также прибегают к этим методам для определения функций биологических макромолекул, в частности белков и геномов, исходя из последовательности их компонентов – аминокислот для белков и оснований для геномов. В целом, во всех науках наблюдается серьезный эпистемологический разрыв, обусловленный качественным отличием экспериментов in silico – получивших такое название потому, что выполняются на основе больших данных с помощью мощных процессоров с кремниевыми чипами – от экспериментов in vivo (на живой ткани) и особенно in vitro (в стеклянных пробирках и чашках Петри).

Могут ли машины стать умнее, чем люди? Нет, считает Жан-Габриэль Ганасия: это всего лишь миф, навеянный научной фантастикой. В своей статье он напоминает об основных этапах развития этой отрасли науки, о достижениях современной техники и об этических вопросах, все больше требующих к себе внимания.

Однако при ближайшем рассмотрении становится очевидно, что работа для людей не пропадает, а трансформируется, требуя новых навыков. Точно так же независимость человеческой личности и ее свобода не подвергаются неминуемой опасности из-за развития ИИ – при условии, однако, что мы останемся бдительными перед лицом вторжения технологий в частную жизнь.

А есть понимание барьера для развития ИИ если говорить о нейросетях? Иван Оселедец: Серьезного барьера пока не видно. Но, наверное, из тех задач, которые на данный момент считаются сложными, это те, где нужен не вероятностный, а один точный и правильный ответ и где нельзя выдавать правдоподобные версии. Усилия разработчиков фокусируются вот на таком классе задач. Сейчас требуют изучения некоторые методики. Когда модели дают 100 задач, а потом просят ее придумать задачи, похожие на те, которые ее давали. Затем модель дообучается уже на тех задачах, которые она придумала себе сама и ее качество при этом существенно улучшается. То есть, фактически никаких новых данных не дается, а модель сама придумывает себе задачки, сама их решает и все это работает, но не очень понятно как. Это требует на самом деле системного объяснения.

Самообучающиеся интеллектуальные системы широко применяются практически во всех сферах, особенно в промышленности, банковском деле, страховании, здравоохранении и обороне. Многие рутинные процессы теперь можно будет автоматизировать, что преобразит наши профессии и, в конечном итоге, устранит некоторые из них.

Искусственный интеллект (ИИ) – это отрасль науки, официально увидевшая свет в 1956 году на летнем семинаре в Дартмут-колледже (Хановер, США), который организовали четверо американских ученых: Джон Мак-Карти, Марвин Мински, Натаниэль Рочестер и Клод Шеннон. С тех пор термин «искусственный интеллект», придуманный, вероятнее всего, с целью привлечения всеобщего внимания, стал настолько популярен, что сегодня вряд ли можно встретить человека, который никогда его не слышал. С течением времени этот раздел информатики развивался все больше, а интеллектуальные технологии в последние шестьдесят лет сыграли важную роль в изменении облика мира.

Исследования не прекратились, но пошли в новых направлениях. Ученые заинтересовались психологией памяти, механизмами понимания, которые они пытались имитировать на компьютере, и ролью знаний в мыслительном процессе. Это привело к появлению значительно развившихся в середине 1970-х годов методов семантического представления знаний, а также к созданию экспертных систем, названных так потому, что для воспроизведения мыслительных процессов в них использовались знания квалифицированных специалистов. В начале 1980-х годов на экспертные системы возлагались большие надежды в связи с широкими возможностями их применения, например, для медицинской диагностики.