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 в России защитил 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 дизайн-модели);
• 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.

В 2010-х годах наблюдался катастрофический период в несколько лет, когда не было сделано ни одного научного открытия

Пик пришелся на период 1957‒1987 годы, 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.

В настоящее время биг-фарма спешно внедряет ИИ в свои исследовательские подразделения, а софтверные компании выводят на рынок ПО для химических исследований. В частности, на этом поле работает российская «Синтелли», которая продвигает одноименную платформу ИИ, опирающуюся на базу в 150 млн соединений и объединяющую 70 моделей машинного обучения; институт AIRI Сбера с крупнейшей в мире базой по квантовой химии для разработки лекарств; МФТИ, запустивший совместно с VK новую нейросеть для поиска лекарств от рака.

В ожидании больших открытий, импульс которым дает развитие искусственного интеллекта, находится и материаловедение, где с помощью ИИ получают формулы миллионов потенциально полезных соединений, в том числе «чистых» магнитов без редкоземельных металлов; материалов, близких по оптическим свойствам к алмазу и даже кандидатов в сверхпроводники, работающих при комнатной температуре. Правда, в отличие от медицины здесь пока не удалось получить значимых результатов, но сама возможность делать выжимку из бесконечного множества данных дает основания рассчитывать на скорый прорыв.

Это уже признает и Нобелевский комитет — главный арбитр по научным открытиям. В 2024 году две его номинации были напрямую связаны с ИИ: премию по химии вручили Дэвиду Бейкеру, Демису Хассабису и Джону Джамперу за достижения в области предсказания структур и вычислительного дизайна белков; по физике — Джону Хопфилду и Джеффри Хинтону «за открытия и изобретения, которые позволяют осуществлять машинное обучение с использованием искусственных нейронных сетей».

Означает ли это, что мы подбираемся к уровню сильного ИИ? Нет, все эти достижения, особенно в науке, являются результатом работы гибридных систем «человек — машина». А наиболее впечатляющие успехи ожидаются в тех областях применения, где машина максимально точно научилась копировать работу человека, практически неотличима от человека либо даже где машина копирует память и поведение определенных людей.

Как это устроено

Если заглянуть в «черный ящик» искусственного интеллекта, окажется, что там далеко не все совершенно и то, что мы имеем сейчас, увы, не лучшая конструкция синтетического разума. Классическая схема построения нейронных систем ИИ чудовищно избыточна: решение любой задачи в ней сравнимо с решением задачи методом простого перебора или проб и ошибок. Такой подход имеет в науке название «жадные алгоритмы», при этом архитектура на его основе считается относительно простой. За эту простоту, впрочем, приходится расплачиваться критическим забыванием — при постоянном самообучении нейросеть «забывает» правильный метод решения задачи, не имея возможности вернуться к исходному состоянию. Еще один минус этого подхода — безграничные потребности жадных алгоритмов в вычислительных мощностях и электроэнергии.

Следующим шагом в технической эволюции ИИ будет создание нейронных сетей на основе принципиально другого подхода, «природоподобного», что потребует внедрения более сложных полиномиальных алгоритмов, которые существенно ускоряют вычисления за счет уменьшения количества слоев в нейросетях. Такие нейросети многократно сложнее на этапе конструирования архитектуры, а значит, дороже в разработке. Однако этот вариант уже защищен от забывания, хотя и склонен к образованию бесконечных рекурсий, то есть машина попадает в постоянный цикл «улучшения» результата вычисления (почти как у людей, страдающих перфекционизмом и излишней рефлексией).

Однако природоподобный ИИ, в отличие от своего более примитивного прототипа на «жадных алгоритмах», сможет работать на мобильных устройствах и будет менее требователен к скорости интернет-сетей или вообще независим от связи, ему не понадобятся облачные вычисления и хранилища данных.

Для конечного пользователя эти различия не столь очевидны, различия наблюдаются в построении экосистемы:

1. ИИ на жадных алгоритмах требует создания суперкомпьютеров, интернет-сетей с большой скоростью передачи информации и, как следствие, облачных ресурсов; интерфейсы пользователя берут на себя только малую часть вычислительных операций.
2. ИИ на полиномиальных алгоритмах может работать на мобильных устройствах, менее требователен к скорости сетей или вообще независим от связи и не требует облачных вычислений и хранения данных. Такие системы позволяют создавать, например корпоративные и даже индивидуальные поисковики, что обрушит экономику дата-центров, облачных поисковых сервисов, соцсетей, мессенджеров.

Всем или избранным

Представим, что общий искусственный интеллект уже создан (тем более что мы почти достигли этого), а сильный на подходе и готов менять нашу жизнь. Эффект от его внедрения будет зависеть от того, кому и в какой степени он будет доступен как проводник по автоматизации труда и анализу больших данных.

Здесь есть три возможных пути развития:

1. Массовое образование и массовая наука, с запретом на ограничение доступа к образованию и получению информации с помощью ИИ, с социальными лифтами для выдающихся ученых.
2. Создание диалоговых систем «человек — машина», в которых автоматизированы рутинные операции, например агрегация больших данных (может совмещаться и дополнять первый вариант развития с массовым образованием и наукой при условии свободного доступа к технологиям ИИ).
3. Создание сильного ИИ, способного изобретать и совершать научные открытия на основе анализа больших данных без участия человека (делает первые два пути экономически нецелесообразными).

Уже сейчас понятно, что разные страны выберут разные пути. Выросшие на социалистической идеологии Россия и КНР, вероятно, возьмут курс на смешанный вариант развития по первому и второму сценариям с опорой на бесплатный доступ к технологиям искусственного интеллекта в сферах массового образования и науки (по опросам Института социологии РАН, 80% россиян по-прежнему рассматривают образование и просвещение как основную ценность, приоритет которой был заложен еще в СССР).

На создание отечественных технологий ИИ на ближайшие три года (2025‒2027) в РФ предусмотрено 26,5 млрд рублей. На проектирование и разработку единой доверенной платформы для сбора, хранения, обмена и анализа данных из федерального бюджета до 2030 года планируется выделить 17,74 млрд рублей. На единой платформе будут собраны все обезличенные доступные данные, необходимые для обучения ИИ.

Китай на примере DeepSeek продемонстрировал бесплатный доступ к пользованию и программному коду ИИ. DeepSeek можно скачать и запустить на собственном компьютере с минимальной оперативной памятью в 720 ГБ. Это делает технологии ИИ максимально доступными не только для китайцев, но и вообще для всех пользователей на планете. Сохранят ли китайские разработчики этот курс на открытость разработки, неизвестно. Нельзя исключать, что массовая раздача программного обеспечения с открытым кодом от DeepSeek является проектом по беспрецедентному сбору данных, цель которого — составление детализированного реестра всех работников ИИ в мире, который выявит разработки, находящиеся в тени: прорывные, но не цитируемые, с так называемым отложенным эффектом, — и составит список опережающих решений.

Самое простое применение такого реестра разработчиков — хедхантинг в КНР. Самое сложное — систематизация подходов в анализе программного кода разработчиков искусственного интеллекта и ее применение в решении задач автоматизированного написания кода и самовоспроизводства ИИ. То есть создание сильного ИИ как большой языковой модели, состоящей из совокупной памяти цифрового следа разработчиков ИИ со всего мира.

В самом оптимистичном прогнозе в текущем году будут созданы невероятно мощные гибридные системы «человек — ИИ», способные к научным открытиям

Капиталистический Запад традиционно развивается в парадигме элитаризации науки и образования и делает ставку на второй вариант — развитие диалоговых систем ИИ на базе суперкомпьютеров с платным доступом для пользователей. Обучение больших языковых моделей на суперкомпьютерах обходится дорого — примерно в 700 тыс. долларов в день (американцы не верят, что китайцы нашли возможность делать то же самое на порядки дешевле, в адрес DeepSeek бросаются обвинения в том, что для обучения чат-бота использовался ChatGPT, а в ручной разметке текстов использовался труд более миллиона китайских волонтеров). Несмотря на большую выручку OpenAI в 2024 году — 3,7 млрд долларов, ее затраты все равно оказались выше — 5 млрд долларов. Покрывать убытки компания планирует за счет повышения стоимости подписки.

Третий путь — создание сильного искусственного интеллекта — повсеместно будет монополизирован государствами. Несмотря на то что сильный ИИ зачастую разрабатывают корпорации и банки — в РФ это Сбер, ВТБ, Т-Банк, «Яндекс», ВК, «Росатом», «Роскосмос», «Ростех», за рубежом — Palantir (США), Microsoft (США), SoftBank (Япония), сферы его применения останутся под госконтролем. Это национальная безопасность — здесь СИИ может использоваться в управлении роем беспилотников на поле боя и в оптимизации закупок гособоронзаказа, организации общественной безопасности, а также в криминалистике, где компьютерный разум может помочь в распознавания лиц и идентификации людей по движениям. В среднем житель технологически развитого мегаполиса попадает на камеры наблюдения более 300 раз в день. И хотя до сих пор идут дискуссии о целесообразности введения тотального контроля и тем более применения ИИ в прогнозировании преступлений, модели постепенно обучают этим «навыкам».

В самом оптимистичном прогнозе (особенно это касается России, США и КНР) в текущем году будут созданы невероятно мощные гибридные системы «человек — искусственный интеллект», способные к научным открытиям. В течение последующих нескольких лет это взаимодействие естественного и искусственного разума даст синергетический эффект: будет совершено порядка 2000 научных открытий из списка запаздывающих, то есть тех, внедрение которых уже назрело и спрос на которые уже сформирован рынком, а далее число новых открытий будет расти по экспоненте. При этом вариант гибридного, управляемого ИИ несет в себе наименьшие риски перехвата управления экономикой искусственным интеллектом.