В чем сила, ИИ?
Сопоставим наши ожидания и реальное состояние разработок в сфере превосходного искусственного разума
Еще вчера казалось, что забег по созданию искусственного интеллекта растянется до конца столетия — по крайней мере, такие прогнозы давали технологические форсайты 2010–2015 годов. В быстрое внедрение ИИ в нашу жизнь никто не верил: в этой гонке уже было несколько ложных финишей — в частности, провалились проекты минобороны США по распознаванию речи и Массачусетского технологического института по созданию лисп-машин для автоматизированного принятия управленческих решений.
* Директор Центра долгосрочного прогнозирования НТР и СЭР Института экономических стратегий РАН.
Но начиная с 2020 года прогноз создания ИИ расположился на горизонте десяти лет. К этому времени случился технологический прорыв сразу в нескольких прикладных сферах — в роботизации на торговых биржах, в точности машинного перевода и в распознавании устной речи. А с 2022 года, с момента триумфальной презентации возможностей в генерации текста и программного кода ChatGPT, время до часа икс, символизирующего победу синтетического разума над человеческим, многократно ускорилось. Объясняется это просто: впервые результат работы ИИ оправдал и даже превзошел ожидания его авторов.
События стали развиваться стремительно. В ноябре 2022 года пользователи получили доступ к облачному чат-боту ChatGPT от OpenAI, который стабильно распознавал запросы и генерировал трудноотличимый от человеческого текст, а в феврале 2023-го, то есть спустя всего два месяца, студент РГГУ защитил в России выпускную квалификационную работу, которую написал с помощью ChatGPT. В 2024 году Индия и Россия поочередно приняли госпрограммы развития искусственного интеллекта, а в 2025-м «выстрелил» Китай, выпустив бесплатное приложение чат-бот DeepSeek-R1, который по целому ряду тестов превосходит ChatGPT и, кроме того, значительно менее требователен к аппаратной части.
Вскоре Дональд Трамп анонсировал крупнейший проект в области ИИ Stargate («Звездные врата») общей стоимостью 500 млрд долларов, который объединит технологических лидеров и крупных инвесторов — OpenAI и Microsoft (разработчики ИИ), Oracle (разработка систем управления базами данных), Nvidia и Arm Holdings (разработчики процессоров), SoftBank (японский венчурный фонд, инвестирующий в ИИ), MGX (государственный инвестор ОАЭ).
Во всех странах государственная поддержка утверждена на ближайшие пять лет (в России она опирается на федеральный проект «Искусственный интеллект» в рамках национального проекта «Экономика данных»). По глубине финансирования можно сделать вывод, что страны-лидеры планируют создать AGI (общий ИИ, не сильный ИИ) не позднее 2030 года.
Чтобы избежать терминологической путаницы, уточним определения.
AI (Artificial Intelligence, искусственный интеллект, слабый, прикладной, узкий) — любой программный либо аппаратный продукт, имитирующий когнитивные функции человека, фактически это конечный автомат — машина, неспособная к самообучению.
AGI (Artificial General Intelligence, общий искусственный интеллект, универсальный) — ИИ, обладающий самосознанием, подобно человеку, способный к самообучению.
ASI (Artificial Superintelligence, супер-ИИ) — это сильный ИИ, интеллектуально превосходящий человека и в пределе саморазвивающийся до UIM (ultra-intelligent machines, ультра-ИИ) — искусственного интеллекта умнее человечества, обладающего способностью к «загоризонтному» прогнозированию будущего.
На сегодня ИИ-технологии уже умеют переводить текст в основных языковых парах, распознавать смысл поискового запроса, генерировать информационные сообщения, создавать программные коды, распознавать и создавать изображения предметов и лиц людей, а также решать математические задачи. Во всех этих упражнениях ИИ уже близок к среднестатистическому человеку, а в чем-то, как минимум в скорости решения перечисленных задач, даже превосходит его. Это означает, что машина почти достигла уровня общего ИИ.
Что он знает
Но этого, конечно, мало, чтобы объявить о состоявшейся ИИ-революции. Мы ждали от искусственного интеллекта не столько генерации текстов и картинок по запросу (качество ИИ-контента, кстати, пока еще на любителя), сколько решения сложных семантических поисковых задач, выявления неявных корреляций, скрытых внушений с отложенной реакцией и, наконец, изобретений, научных открытий и прогностического анализа. Это особые, недоступные большинству людей виды интеллектуальной деятельности. И в современном мире, даже с помощью лучших умов человечества, справиться с этой работой становится все сложнее.
Если ранжировать интеллектуальный труд человека по уровню сложности, то общая картина будет выглядеть следующим образом:
— за всю историю человечество написало примерно 500 млн научных статей. Большинство этих статей является плагиатом или перифразом — по разным подсчетам, до 90–95%, но так или иначе почти каждая статья претендует как минимум на семантическую новизну, а значит, все научные публикации можно отнести к категории гипотез;
— за последние сто лет выдано примерно 20 млн патентов на изобретения и полезные модели (включая дизайнмодели);
— всего в реестрах находится порядка 600 научных открытий и 12,5 тыс. заявок на научные открытия.
Этот «комплект» условно можно назвать совокупным набором знаний человечества, накопленным за всю историю его развития. Поясним, что фундаментальные труды, например «Капитал» Маркса, тут не забыты: они входят в блок 3 как заявки на научные открытия, так как содержат теории, представленные в официальных научных источниках (в случае с «Капиталом» — это теория прибавочной стоимости и формационный подход).
А вот вербальное знание — устная традиция, картины как тексты, звуковая и видеозапись, а также чувственное — например, запахо-вкусовые ощущения, которые не полностью отражены в письменных источниках, не учитываются в обучении искусственного интеллекта.
Так что нельзя сказать, что ИИ видит полную картину мира — ту же, что в совокупности видят все люди на Земле (или даже отдельный среднестатистический человек), и что по объему знаний он уже превзошел человечество. Но с этой точки зрения его пока и не оценивают. В настоящее время для удобства сравнения интеллекта человека и машины используют тест Тьюринга, по которому выявляют степень способности респондента отвечать на разные, в том числе развернутые вопросы из всех областей знаний. И вот тут ИИ делает большие успехи: в 2024 году ChatGPT-4 впервые сдал этот «человеческий» экзамен.
Как это использовать
Чтобы представить роль этого квазиразума в нашем будущем, снова обратимся к статистике. Большая часть гипотез, изобретений, открытий приходится на людей, рожденных в период с 1800 по 2000 год. За это время в мире на свет появилось 20 млрд человек. Тогда получается, что 2,5% населения реализовалось в генерации семантических гипотез, 0,1% — в изобретательской деятельности, и только 0,000005% сделали научные открытия. Одно научное открытие на 200 тыс. человек — это очень хороший, оптимистичный показатель! Но не все так просто.
Научные открытия три века подряд показывали экспоненциальный рост, и при сохранении тренда в ХХI веке их реестр должен был пополниться на 2200 открытий и порядка 50 тыс. заявок на открытия (под открытиями мы здесь подразумеваем впервые обнаруженное явление, свойство или закономерность). Но эта динамика оказалась нестабильной.
Пик пришелся на период 1957–1987 годов, когда совершалось порядка 12 открытий ежегодно. Что же тогда происходило в мире? В 1960-х годах в экономически развитых странах кратно выросло число ученых, увеличилось государственное финансирование науки и, что немаловажно, началась автоматизация рутинных операций — от вычислительных до копирования и редактирования текстов и чертежей. Все это вместе привело к «взрыву» во многих областях науки и техники.
Особенно ярко эти новые возможности были продемонстрированы в космосе: так, за расчеты траекторий полетов советских ракет, летавших за пределы земной атмосферы в середине прошлого века, отвечала ЭВМ «Стрела», а американский «Аполлон» управлялся с помощью Apollo Guidance Computer.
Началось бурное развитие генетики: если предшествующие сто лет гены изучали «вручную» в живых клетках и в пробирках, то теперь для обработки и хранения данных стали использовать компьютеры, а в 1970-е годы стало возможным создавать базы данных с информацией о миллионах последовательностей нуклеотидов в ДНК и РНК или аминокислот в белках.
В 1970–1980-х годах также наметился прорыв в диагностике, связанный с разработками на стыке медицины, физики и информатики: в компьютерной, магнитно-резонансной, позитронно-эмиссионной томографии.
Компьютерный анализ превратился в самостоятельную область науки. Но дальше начался затяжной спад.
К 1991 году ежегодно регистрировалось только одно-два открытия (для примера: 1991-й остался в истории науки годом одного события — открытия японцем Иидзимой углеродных нанотрубок). В 2010-х годах наблюдался катастрофический период в несколько лет, когда не было сделано ни одного научного открытия! А начиная с 2015-го открытия возобновились, но их скорость вернулась к аристотелевским временам — 0,2–0,25 открытия в год, и только в последние годы скорость открытий вернулась к 1990-м годам — примерно два (реже — три) научных открытия в год.
Согласно одной из гипотез, спад был связан с тем, что человечество сделало практически все научные открытия, которые не требуют обработки больших данных, а новый подъем науки в последние годы ассоциирован с появлением технологий ИИ, предоставивших новые возможности для агрегации и анализа больших объемов информации.
В первую очередь прилив сил испытала медицинская наука. Так, в 2020 году нейросеть Массачусетского технологического института нашла новый антибиотик халицин — до этого антибактериальные соединения не открывали на протяжении 30 лет, и многие уже считали, что ничего нового в этой области больше обнаружить невозможно.
Вскоре стартап из Гонконга, который возглавляет выпускник МГУ Александр Жаворонков, зарегистрировал соединение для лечения фиброза INS018_055 — в этом проекте путь от поиска действующей молекулы до начала клинических испытаний благодаря ИИ был сокращен вдвое, до трех лет. Совсем недавно испанские исследователи заявили, что искусственный интеллект, проанализировав 10 тыс. молекул, помог им найти новую формулу агониста рецептора GLP 1, которая, по сути, является растительным аналогом знаменитого «Оземпика». В точке роста — персонифицированная диагностика и генетика, а также клеточное программирование против старения.