Мгновенный успех? ИИ создавался
целый век

Кому-то может казаться, что ИИ неожиданно появился в последние годы, но на самом деле его развитие началось много лет назад. Изучив прошлое ИИ сквозь призму макроэкономики, профессор финансов Школы Келлога Серджио Ребело. сформулировал четыре рекомендации, которые помогут людям подготовиться к дальнейшему нарастанию влияния ИИ на общество. Признайте, что достижение успеха может занять десятилетия. Позвольте интуиции подсказывать вам, какие риски оправданны. Сохраняйте курс, невзирая на трудности. Учитывайте шумиху. Его идеи излагает в статье для KeloggInsight редактор-исследователь Абрахам Ким.

В 1956 году группа математиков и инженеров собралась в Дартмутском колледже и разработала амбициозный план создания искусственного интеллекта. Они хотели так запрограммировать компьютер, чтобы он рассуждал, планировал, ориентировался на местности, обрабатывал тексты на естественных языках и переводил их, воспринимал окружающий мир, проявлял творческие способности и интуицию.

В то время вышеперечисленное казалось чем-то маловероятным. Но сегодня компьютеры обыгрывают людей в шахматы, смартфоны помогают нам находить дорогу в поездках, чат-боты пишут сочинения, а приложения почти мгновенно переводят тексты с разных языков.

«Мы многого добились; мы прошли долгий путь в области развития ИИ, — говорит Серджио Ребело, заслуженный профессор финансов Школы бизнеса Келлога. — Но этот прогресс произошел только после многих лет неудач».

На недавнем вебинаре, организованном Kellogg Executive Education и Kellogg Insight, Ребело проанализировал уроки прошлого ИИ сквозь призму макроэкономики, чтобы помочь нам подготовиться к его быстро нарастающему влиянию на общество — сегодня и в ближайшие годы.

1. Мгновенный успех может потребовать десятков лет подготовки.

Одной из ранних стратегий разработки ИИ было создание экспертных систем. Его цель заключалась в том, чтобы передать компьютерной программе как можно больше знаний и таким образом сделать ее «экспертом», способным использовать полученную информацию для выполнения соответствующих задач.

Министерство обороны США использовало эту тактику во время холодной войны, когда пыталось создать машину, которая могла бы быстро переводить с русского на английский перехваченные фразы. Ученые-компьютерщики скормили машине большое количество слов, правил и определений, а затем заставили ее переводить слово за словом.

Но слишком часто машина не могла уловить языковые нюансы и в итоге выдавала неточные переводы. Например, библейская фраза «The Spirit is willing, but the flesh is weak» («Дух бодр, плоть же немощна» — прим. перевод.), когда ее перевели на русский и обратно на английский, превратилась в предложение «The whiskey is strong, but the meat is rotten» («Виски крепкий, но мясо тухлое» — прим. перевод.).

Через десятки лет команда Google Translate все еще использовала для своих переводов ту же концепцию экспертного ИИ. В результате, что неудивительно, переводы часто оказывались слишком буквальными, не отражавшими тонкости языка. И только в 2016 году, когда Google отказалась от этого подхода, перевод с помощью ИИ сдвинулся с мертвой точки. Команда стала применять нейронные сети для обработки сразу целых предложений, используя контекст для уточнения перевода.

По словам Ребело, этот успех не был мгновенным: таким, каков переводческий ИИ сегодня, его сделали годы проб и ошибок. «И с успехом генеративного ИИ, который мы наблюдаем сейчас, такая же ситуация. Он кажется мгновенным, но его подготовка длилась более 50 лет», — утверждает исследователь.

Ребело добавляет, что во многом этот прогресс стал возможен благодаря тому, что правительство США долгое время безотказно финансирует исследования в области ИИ.

«Мы достигли вершин, на которых сейчас оказались, потому что, несмотря на 50 лет неудач, правительство продолжало финансировать эти исследования», — говорит он.

2. Интуиция может подсказать вам, какие риски — разумные.

В начале своей карьеры (будучи доцентом в Стэнфорде), специалист по информатике Фей-Фей Ли догадалась, что сдерживает развитие искусственного интеллекта.

«Интуиция подсказала ей, что “не хватает только данных”, — говорит Ребело. — И что при наличии большего количества данных и вычислительной мощности для их обработки можно добиться потенциально волшебных результатов».

Вдохновившись этой догадкой, Ли направила все свои силы на ее подтверждение. Вместе со своими аспирантами она начала вручную маркировать изображения, чтобы создать достаточно большой набор данных для обучения алгоритмов. Она рассчитывала, что с помощью этих материалов ИИ научится распознавать изображения.

«Она решила сделать что-то чрезвычайно рискованное», по словам Ребело, когда посвятила около 2,5 лет решению выбранной задачи, вместо того, чтобы сосредоточиться на более надежных проектах, с помощью которых ей было бы проще получить должность профессора.

Эта авантюра в конечном итоге привела к созданию ImageNet — публичной базы данных, содержащей миллионы изображений. Опираясь на эту базу данных, другая команда специалистов по информатике под руководством «крестного отца ИИ» Джеффри Хинтона сумела разработать алгоритм, который мог маркировать изображения, описывая их содержание. В 2012 году на конкурсе ИИ-проектов созданный командой алгоритм проанализировал новый набор изображений. Он оставил другие алгоритмы далеко позади.

«Улучшение было просто поразительным, — говорит Ребело. — Это был удивительный прорыв, переломный момент для современного ИИ».

С этого момента началась гонка за данными. Ее участники стремились получить как можно больше данных, чтобы их хватило накормить эти ненасытные алгоритмы. Люди стали понимать, что развитие ИИ зависит не столько от встраивания знаний в алгоритмы, сколько от их масштабирования с помощью больших массивов данных.

А последовавший вскоре за этим прогресс в области ИИ стал возможен, благодаря тому, что один из начинающих ученых решил рискнуть.

3. Мы сказали, что нужно держать курс десятки лет. А как насчет века?

Но не все начинания в области ИИ принесли плоды так быстро, отмечает Ребело. Некоторые из них столкнулись с серьезными препятствиями, и их прогресс растянулся на десятки лет, если не на целый век.

Математик Андрей Марков, много лет работавший над ранней моделью языка, в 1921 году направил в Академию наук в Санкт-Петербурге письмо о достигнутом им прорыве.

Он работал над алгоритмом, предназначенным для написания стихов. Но возникла проблема. У него не было физической возможности добраться до Академии, чтобы представить свою работу. Академия прислала ученому пару ботинок, но они не подошли ему по размеру. Марков так и не попал на свой доклад. Примерно через год он умер.

Почти через сто лет после этого, в 2017 году, команда специалистов по информатике из компании Google решила задачу, поставленную Марковым, с помощью новой формы нейронной сети (трансформера), которая в итоге стала основой для популярных сегодня больших языковых моделей (БЯМ), таких как ChatGPT.

«Возможно, те прорывы, которых мы достигаем сейчас [в области БЯМ], могли бы произойти гораздо раньше, если бы мы не потеряли ту научную работу в 1921 году, — говорит Ребело. — Как бы то ни было, трансформеры теперь дают потрясающие результаты».

Несмотря на весь рост, у ИИ все еще много проблем, требующих решения. Галлюцинация, при которой ИИ выдумывает часть предоставляемой им информации, — одна из самых распространенных. Этот недостаток пугает многих. Некоторые юридические фирмы, например, даже запретили своим сотрудникам использовать БЯМ для работы после того, как одного юриста уличили в передаче судье написанной ИИ аналитической записки, в которой упоминалось множество вымышленных судебных дел.

Но, с точки зрения Ребело, отказываться от использования инструментов ИИ из-за страха — это ошибка, которая только отбросит людей еще дальше назад.

4. Не забывайте о шумихе

Среди многочисленных вех в развитии ИИ «самые впечатляющие достижения на данный момент — в биологии», говорит Ребело, имея в виду применение ИИ для распознавания структуры белков.

До 2019 года ученые определили структуру около 170 000 белков. Это было огромным достижением: сборка одного белка считалась многолетним проектом, достойным кандидатской диссертации. Однако в 2020 году программа искусственного интеллекта AlphaFold определила уникальные структуры более чем 200 млн белков.

«Определенно, что мы на пороге чего-то нового, — убежден Ребело. — Но в то же время вокруг ИИ много шумихи и шарлатанства».

Бытует мнение, что «ИИ — это некий волшебный, универсальный инструмент», — продолжает он. «На самом деле все по-другому», — полагает ученый.

Возьмем, к примеру, ChatGPT. Для обычного пользователя он выглядит как единый сложный алгоритм, способный на многое, — от генерации текста до обработки звука. Но изнутри это набор специализированных алгоритмов, каждый из которых отлично справляется с одной конкретной задачей, но ужасно — с большинством других.

«Некоторые люди считают, что ИИ выглядит как ряд красивых, блестящих медных труб, — говорит Ребело, — а на самом деле он больше похож на мой подвал, где все закреплено скотчем. В ИИ очень много скотча».

Есть также опасения, что ИИ уже почти исчерпал свои возможности и что новая БЯМ от OpenAI, Orion, необязательно лучше своего предшественника, ChatGPT. Похожие слухи ходят и о Gemini от Google, и о последней версии чат-бота Claude от Anthropic.

«Будет ли масштабирование данных способствовать значительным улучшениям ИИ или мы вступаем в эпоху убывающей отдачи, никто не знает», — говорит Ребело.

И все же нет причины не праздновать успехи, достигнутые до сих пор, полагает исследователь, так как «на самом деле недавние достижения просто поразительны».