27–29 июня в китайском городе Тяньцзинь прошла «Ежегодная встреча новых победителей 2023»: событие, которое также называют «летним Давосом». В центре внимания экспертов снова был искусственный интеллект, направления его развития и связанные с ними риски. Никто в полной мере не знает, о чем идет речь, однако все согласны, что действовать нужно уже сейчас, пока не поздно.
Именно в этом году ВЭФ объявил о создании «Альянса управления ИИ», который призван на международном уровне объединить лидеров отрасли, правительства, академические институции и организации гражданского общества — и попытаться выстроить, наконец, системы ответственности за ИИ-продукты. В то же время, как метко выразилась министр цифровой трансформации Словении Эмилия Стойменова-Дух, «Если мы хотим нечто регулировать, было бы неплохо немного подождать, чтобы понять, что именно мы хотим регулировать».
Парадокс имеет следующую форму: мы не можем остановить глобальный процесс, которым пытаемся управлять, поскольку изучать его мы можем лишь в реальном времени.
За последние 5 месяцев про искусственный интеллект было написано больше статей, вызвавших публичный интерес, чем за весь 2022 год. Далеко не все они действительно информативны — многие всего лишь «снимают урожай» популярности ИИ, взошедший вскоре после публичного релиза ChatGPT.
Безудержный рост ожиданий от некоторого продукта, еще не развившегося в полной мере, указывает на то, что надувающийся «пузырь» хайпа настолько велик, что это становится заметно все большему количеству вовлеченных игроков. Вот что пишет, например, один из ведущих исследователей машинного обучения Эрик Сигел, профессор Колумбийского университета, исполнительный редактор The Machine Learning Times.
«Рассказы о зарождающемся всемогущем ИИ — растущая проблема для области прикладного машинного обучения. <...> Это чрезмерно раздувает ожидания и отвлекает от того, как именно машинное обучение улучшит бизнес-процессы. <...> Цель машинного обучения — выдавать действенные прогнозы, поэтому иногда его также называют предиктивной (прогностической) аналитикой. <...> Например, предсказав, какие клиенты с наибольшей вероятностью откажутся от покупки, компания может стимулировать этих клиентов оставаться на месте. <...>
Проблема в следующем: большинство людей воспринимают машинное обучение как искусственный интеллект. <...> По сути, называя что-либо «ИИ», вы тем самым даете самое большое из возможных обещаний.
Сложность с проектами машинного обучения в том, что они часто не уделяют особого внимания действительно ценному — конкретному воплощению того, как именно машинное обучение делает бизнес-процессы более эффективными. В результате большинство проектов машинного обучения не приносят пользы».
Когда речь заходит о кризисных явлениях, многие экономисты сходятся в цикличном взгляде на характер рыночных «пузырей» в экономике. Подобный сформировался, например, на рынке недвижимости США в 2008 году; впрочем, не случись он, «пузырь» рано или поздно возник бы в какой-либо другой области, — само устройство рынка таково. В этом плане представители сферы искусственного интеллекта могут похвастаться исключительным статусом: облако хайпа уже дважды возникало над ними и также дважды рассеивалось.
![](https://cdn-images.mn.ru/images/2023/07/11.jpg)
Зима первая: Трудности перевода (1974–1980)
Чтобы вообразить себе исторический период практически полувековой давности, давайте представим горизонт ожиданий его современников.
К началу 1970-х прошло всего около 20 лет с тех пор, как когнитивные науки и кибернетика уверенно заявили о себе, начав вытеснять со сцены бихевиоризм с условными рефлексами. Человеческое мышление сравнивали с компьютером, управление организации сравнивали с компьютером, ЭВМ все чаще и успешнее использовали не только для военных задач, но и для сложных научных расчетов. Первая статья, в которой упоминается словосочетание «искусственный интеллект», вышла в 1956 году и поставила своей целью в течение 2 месяцев изучать поведение выбранной группы людей, чтобы формализовать доступные им навыки и воспроизвести их в алгоритмических инструкциях.
То была эпоха первых идеалистов: обещания «через 10–15 лет» полностью воссоздать человеческое мышление звучали уже в 1950-х.
Соответственно, когда в начале 1970-х пришла первая пора «подводить итоги» выданных исследовательских грантов, пришло и первое разочарование. В Британии его озвучил Джеймс Лайтхилл на страницах отчета для Совета по научным и инженерным исследованиям: специалист из области прикладной математики оказался очень критически настроен в отношении фундаментальных исследований в ключевых областях для ИИ того периода, робототехники и обработки речи.
Центральной проблемой для первого расцвета ИИ стал «комбинаторный взрыв»: резкий экспоненциальный рост количества вычислительных операций для решения задачи при небольшом увеличении вводных параметров. Например, время поиска выхода из лабиринта экспоненциально возрастает с увеличением числа разветвлений. Существовавшие на тот период методы вычислений было бы невозможно использовать при решении задач, приближенных по сложности к задачам реального мира.
В США схожий пессимизм привел DARPA, Управление перспективных исследований Министерства обороны, к урезанию бюджетов, поскольку заявленная на 5 лет программа исследований понимания речи не принесла значимых результатов: искусственный переводчик барахлил, стоило слову оказаться в не вполне стандартном значении, не понимал контекстуальных оттенков, мог обрабатывать только грамматически правильные предложения и т.п.
![](https://cdn-images.mn.ru/images/2023/07/22.jpg)
Надежды компьютерных теоретиков начали меркнуть уже в 1969-м, когда даже поначалу казавшийся перспективным подход коннективизма (сложные процессы возникают из объединения в сеть простых вычислительных элементов) уткнулся в свои вычислительные ограничения. Наступила первая «Зима искусственного интеллекта».
Зима вторая: Крах «искусственных экспертов» (1987–1993)
Но огонь надежды теплился в исследовательских сердцах. Прогресс в области компьютерных технологий в целом продолжался — а вместе с осознанием первых отчетливых границ начали вырисовываться и первые достижения, как волны, бьющиеся год от года об утес, формируют его контур.
Когда стало понятно, что реальный окружающий мир крайне сложен для понимания ИИ-агентом (в плане выделения объектов, процессов и т.п.), для его моделирования были разработаны протоколы на формальном языке LISP. Эти протоколы позволяли представить реальную ситуацию (сокращение в компании, планирование добычи ресурсов, риск обрушения плотины) в упрощенном, но поддающемся вычислению формате. Даже в таком громоздком виде экспертные системы, воплощенные в LISP-машинах (компьютерах со специальной архитектурой), оказались столь ценны для больших корпораций, что к 1985 году их международный рынок составлял свыше $1 млрд.
![](https://cdn-images.mn.ru/images/2023/07/33.jpg)
Кроме того, перспективы ИИ всерьез оценила Япония: после роста ее высокотехнологичного сектора экономики в 1970-х в 1981 году Министерство международной торговли и промышленности инвестировало около $850 млн в «Пятое поколение компьютерных систем» — они уже через 10 лет должны были бы «вести диалог, переводить языки, интерпретировать изображения и рассуждать, как люди». Позиция Японии в те годы убеждала многих других международных игроков, что исследования ИИ все еще обладают инвестиционной привлекательностью, несмотря на недавний спад.
К сожалению, японские надежды были напрасны — отчет 1991 года не оставил ни тени сомнения, что амбициозные цели 10-летней программы были столь же завышенными, как и у американских коллег пару десятилетий назад. Хотя это не означало остановки в развитии информационных технологий, приоритеты в распределении средств изменились кардинально.
Вплоть до 2000-х некоторые компьютерщики и инженеры-программисты избегали термина «искусственный интеллект», опасаясь, что их будут рассматривать как мечтателей с дикими глазами.
Экспертные системы, на которые возлагались большие надежды, настигла другая беда: их буквально вытеснили персональные компьютеры от Apple и IBM, которые к 1987 году смогли состязаться с LISP-машинами в вычислительной мощности. А вскоре после того, как стало возможным переносить эти экспертные системы на любые компьютеры с операционной системой UNIX, произошел крах данного рынка. На сей раз ИИ-проекты просто отошли в тень, в то время как интернет и пользовательские сети начали выходить на сцену. Наступила вторая «Зима искусственного интеллекта»
Ветра «весны ИИ»
Сегодня при упоминании ИИ рынок ревет, и ограничения недавнего прошлого кажутся чем-то вроде очаровательной ностальгии: среди исследователей прижился термин «старый добрый искусственный интеллект» (Good Old-Fashioned Artificial Intelligence), который указывает на произошедшие в исследовании ИИ теоретические изменения.
Лично я не считаю, что «история все время повторяет себя», — но не считаю также, что историческая уникальность делает события несопоставимыми. Можем ли мы научиться чему-либо, изучая предыдущие инвестиционные «пузыри»?
Сходства
- Как и перед первой Зимой, сейчас крайне высок уровень публичного энтузиазма (благодаря прогнозам вроде «Технологической Сингулярности» Р. Курцвейла).
- Как и в 1960-х, когнитивные науки образуют устойчивый альянс с ИИ-исследованиями, когда модели обработки информации в человеческом мышлении служат «отправными точками» для их вычислительных симуляций.
- Как и перед второй Зимой, наученные опытом прошлого представители областей машинного обучения, разработчики больших лингвистических моделей и многоуровневых нейросетей стараются разграничить перспективы конкретно своей области (и ее потенциальное применение) — и перспективы ИИ в целом.
Различия
- «Цифровизация» повседневной жизни вместе с доступом к интернету — это совершенно другая среда с точки зрения генерируемых каждую секунду данных, чем можно было представить в 1980–1990-х: она дает больше «пространства для существования» ИИ-системам.
- Самообучающиеся алгоритмы, способные совершенствовать код алгоритмы — введение в игру таких сущностей создает «контур положительной обратной связи», когда процесс ускоряет сам себя (в предыдущие этапы развитие следующих поколений программ больше зависело от человеческих агентов).
- В 2021–2022 годах приоритет развития ИИ был публично обозначен такими международными игроками, как США, Китай, Великобритания, Евросоюз, Россия (ранее ИИ не выходил за пределы отдельных министерств).
Когда мы говорим о «цикличности» того или иного процесса, необходимо понять, что является основным элементом такого цикла. Консультационная компания Gartner сделала попытку построить универсальный Цикл Хайпа для инновации:
![](https://cdn-images.mn.ru/images/2023/07/cikl-zrelosti-tekhnologij_-1024x702.jpg)
Посмотрите, как он выглядит для ИИ-технологий в 2022 году.
Полностью доверять этой схеме было бы упрощением — далеко не все инновации подчиняются одному и тому же тренду. Тем не менее цикл ухватывает нечто важное относительно динамики публичного внимания, которое привлекает инновация. В гротескном варианте, отсылающем к искусственному интеллекту HAL 9000 из «Космической одиссеи 2001», цикл ИИ-хайпа выглядит следующим образом:
![](https://cdn-images.mn.ru/images/2023/07/hype-cycle-for-artificial-intelligence-2022.png)
Предлагая для анализа подобные материалы, я не призываю пассивно сидеть и наблюдать, как ИИ-проекты расцветают и гаснут в окружающем вас инфопространстве. Отнюдь! Скорее, я побуждаю быть рефлексивными — делать шаг в сторону и оценивать ситуацию, в которую вы хотите погрузиться.
В долгосрочной перспективе развитие ИИ не снизит оборотов из-за первого из упомянутых различий: общая цифровизация пространства, в котором мы живем, достигла поразительно высоких значений — наши повседневные действия постоянно генерируют разнообразные данные, на основе которых ИИ строит наши модели, варьирует их, делает предсказания (в том числе глобальные, например о климате).
![](https://cdn-images.mn.ru/images/2023/07/44.jpg)
Проблема формирующегося «пузыря», скорее, в том, что далеко не все всколыхнувшиеся обещания из сферы исследований ИИ смогут осуществиться так быстро, как это показалось возможным благодаря «генеративному ИИ». Сама возможность разместить на сайте качественный контент (например,
Сегодня ИИ может помочь писать код, проводить научное исследование, создавать сопроводительные тексты. Но далеко не все понимают, как именно встроить эти новые инструменты в рабочие процессы.
Подобная «ломка» происходила с новостными изданиями, переходящими в Сеть: одни пытались поддерживать на экране компьютера ту же разметку, что и в бумажной версии (сохраняя преемственность), в то время как другие попытались переосмыслить формат как таковой — что будет удобнее читать с экрана, с какой скоростью освещать новости, какие уникальные элементы интерфейса можно интегрировать.
В гонке на ближайшей дистанции — и здесь я солидарен с Reuters — выигрывают две категории игроков: гиганты рынка, которые инвестировали в ИИ-технологии сами (Microsoft, Google, Nvidia), — и отдельные, часто небольшие компании, которые сфокусировались на конкретной нише, но очень хорошо осознают ее «пределы роста» и конкретные аспекты, в которых ИИ-инструменты применимы на практике.