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.
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.
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:
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.
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.
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:
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:
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.
Владимир Авербах, старший управляющий директор — начальник управления национального развития AI Сбербанка:
— В России есть хороший задел по фундаментальным исследованиям в области ИИ. В частности, у нас сильные позиции по теме оптимизации вычислений: российские ученые в прошлом году обнаружили способ оптимизации ИИ-моделей на 10‒15 процентов без потери в качестве, снижая количество вычислительных мощностей, необходимое для их использования.
В прикладной сфере ключевым преимуществом отечественных ИИ-моделей является более глубокое понимание контекста на русском языке, а также понимание культурно-исторических особенностей России в сравнении с зарубежными моделями, что позволяет получать более качественные результаты для русскоязычных запросов.
Чтобы ответить на вопрос, когда в РФ будет создан сильный ИИ, важно определиться, какими свойствами он должен обладать. Например, после анонса модели o3 от Open AI в декабре прошлого года некоторые СМИ уже объявили, что в мире появился общий ИИ, так как модель получила 87,5% в бенчмарке ARC-AGI. Точный прогноз здесь дать невозможно. Более того, из-за разных подходов к определению свойств мы можем совсем пропустить рубеж «AGI создан». Но, что очевидно, эксперты в сфере ИИ постоянно сдвигают свои прогнозы: если раньше считалось, что сильный ИИ появится через десятилетия, то сейчас большинство сходятся во мнении, что это вопрос нескольких лет.
Евгений Елфимов, основатель, генеральный директор российской технологической компании Inventorus:
— Прогнозы относительно появления общего искусственного интеллекта, AGI, разнятся среди экспертов. Помню, что Сэм Альтман из OpenAI предсказывал появление AGI уже к 2025 году, тогда как более консервативный Ян Лекун, руководитель отдела исследований ИИ компании Meta (в России признана экстремистской. — «Монокль»), в своем недавнем интервью Bloomberg объяснял, что в ближайшее время появления AGI ждать не стоит. Я склоняюсь больше к мнению Яна: недостаточно просто масштабировать существующие языковые модели, тут дело не только в росте количества средств на инфраструктуру и обучение. Истинный AGI должен обладать эмоциями для постановки целей и понимания последствий своих действий, уметь обучаться на видеоданных, чтобы лучше понимать взаимодействие объектов и окружающей среды. Всего этого принципиально лишены существующие модели-трансформеры. Они лишь идеальные предсказатели следующей буквы или слова в предложении, опирающиеся на колоссальный объем статистических данных и только начинающие свой путь в мире мультимодального обучения. В любом случае рынок ИИ развивается семимильными шагами, и я уверен, что мы застанем время, когда ИИ будет превосходить человеческие возможности в широком спектре когнитивных задач.
Успешные в мировом масштабе ИИ-продукты российских разработчиков выделяются в первую очередь тем, что профессиональные ИИ-инструменты не просто используются ими «как есть», а дообучаются и настраиваются с учетом тщательно собранных и обработанных специализированных данных, которые часто важнее выбора самого инструмента.
Очевидный пример, который я могу привести, — экосистема Inventorus, над разработкой которой мы трудимся с 2023 года. Ключевым активом и предметом нашей гордости является уникальная база научно-технической информации, содержащая более 500 миллионов единиц (статьи, патенты, отчеты).
Конечно, мы опираемся на лучшие мировые практики и тщательно следим за развитием больших языковых моделей. Сейчас, например, максимально пристально анализируем возможности DeepSeek. Однако мы убедились в том, что без глубокого понимания предмета (в нашем случае — структуры и особенностей мировых научно-технических данных) невозможно достичь успеха, какие бы новейшие ИИ разработки вы ни применяли.
Василий Громов, доктор физико-математических наук, профессор, заместитель руководителя департамента анализа больших данных и искусственного интеллекта НИУ ВШЭ:
— Базовым диалектическим противоречием современной российской науки является растяжка между попыткой играть в догонялки с Западом (мы решим ту задачу, что вы уже решили, только хуже и с годичным опозданием) и попыткой бесконечно воспроизводить задачи, поставленные титанами советской науки еще в 60-е годы прошлого века. К сожалению, ситуация с сильным искусственным интеллектом здесь не исключение.
Вместе с тем наличие сильных математических, физических и философских школ позволяет нам ставить свои, принципиально новые задачи, позволяющие прийти к сильному искусственному интеллекту — и выиграть уже начавшуюся гонку, сравнимую и по масштабам, и по важности с лунной и атомной. При этом мы можем опираться именно на те научные направления, в которых российская наука традиционно лидировала: «импортозамещение постановок задач».
В качестве примеров такого рода постановок приведу проекты сильного ИИ в ВШЭ:
— метафора «Задачи донесения ложки с манной кашей до рта и чтения Хайдеггера в оригинале естественным интеллектом осуществляются с помощью одной и той же нейросетевой архитектуры»: СИИ как результат процессов самоорганизации элементарных когнитивных элементов;
— метафора «Лакуны в нашем языке как слепые пятна в базах данных обучения СИИ»: установление крупномасштабной структуры естественного языка для установления его базовых характеристик: внутренние размерности, полости в семантическом пространстве и создание нового поколения больших языковых моделей на их основе;
— метафора «Изобретающая машина»: создание (в автоматическом режиме) семантической сети научных концепций в рамках парадигмы интерпретируемого ИИ. В сочетании со слепыми пятнами из пункта 2 дает способ автогенерации (и по возможности автопроверки) новых научных гипотез — машина, творящая открытия, — проверки новизны научных статей, предложений о грантах и так далее, независимой от экспертного оценивания и формальной наукометрики, контролируемой западными странами.
Олег Серебренников, венчурный инвестор, основатель ведущего разработчика лингвистического программного обеспечения ЗАО «МедиаЛингва» (электронные словари «МультиЛекс» и «АльфаЛекс») стоящего у истоков технологий компьютерной лингвистики и облачных поисковых ресурсов (поисковик «Следопыт»):
— Вместо экстенсивного развития через затаскивание мигрантов из стран бывшего СССР следует обеспечить рост производительности труда. Результатом развития ИИ должна стать частичная или полная роботизация труда через создание новых поколений роботов, повышение производительности старых и ускорение роботизации отраслей в целом.
Направления, которые, на мой взгляд, необходимо развивать:
— сбор больших данных, что критически важно для развития суверенного ИИ. В России созданием корпусов данных занимаются на инициативной основе только крупнейшие IT-компании, такие как «Яндекс», «СберТех» и аналогичные. Абсолютно необходимо организовать эту работу на уровне государства, создать кооперацию, в том числе учебных заведений, где студенты были бы вовлечены в работу по сбору, очистке и обогащению данных;
— файн-тюнинг открытых моделей — это «полировка» опубликованных весов китайской DeepSeek-R1 или других современных моделей. Их можно «заточить» под определенные цели дополнительным тонким обучением с подкреплением на основе обратной связи от человека — файн-тюнингом. Это направление может быть в разной степени капиталоемким и позволяет войти в рынок новичкам;
— улучшение существующих архитектур. Регулярно появляются новации, позволяющие снизить затраты на обучение и работу моделей LLM/LVM. Нужно организовать вовлечение существенного числа ведущих IT-компаний, научных школ и учебных заведений в работу над созданием новых научных подходов. Здесь нужна состязательность, но нельзя отдавать право оценки бюрократам, крайне желательно чтобы оценку давали те, кто участвует;
— создание новых фундаментальных моделей LLM/LVM и архитектур. Здесь логично дать небольшие деньги основным IT-компаниям, научным школам и учебным заведениям, объявив конкурс на создание прототипа фундаментальной модели FM (Foundation Models) и оценку результатов конкурса проводить силами тех же участников или другим способом, который трудно компрометировать коррупционной схемой, чтобы гарантировать получение «чистого» результата. Затем дать возможность каждой из школ создать свою LLM/LVM;
— внедрение. Создание экосистемы бизнеса, который мог бы опереться на помощь государства при внедрении ИИ, прежде всего с целью ускорения роботизации. Это типичное поле работы стартапов, и потому здесь ключевым окажется доступ к капиталу и пропаганда деловой активности в противоположность идее «пойду-ка работать я в “Газпром”, там зарплаты высокие».
Сергей Бражник, экс-сотрудник Академии «Яндекса», эксперт Центра ИИ НГУ в области консалтинга и обучения госслужащих в сфере искусственного интеллекта, управляющий партнер онлайн-университета «Зерокодер» (обучение работе с нейросетями, промпт-инжинирингу и разработке без написания кода (no-code):
— Оценивая российский рынок ИИ-технологий, можно сказать, что отечественные нейросети, такие как YandexGPT, GigaChat, уже показывают отличные результаты в генерации текстов любой сложности — от заметки в блог до структуры бизнес-плана для запуска стартапа. Они могут закрыть базовые потребности бизнеса в выпуске большого объема контента, например для социальных сетей или рекламных креативов; они научились распознавать даже бессвязные запросы, то есть поиск «того самого промпта», который мог передаваться как сакральное знание еще в 2023 году, уже не нужен.
Пока российским нейросетям не удалось догнать современную модель ChatGPT o1 от Open AI и новую китайскую DeepSeek-R1. Эти модели умеют «рассуждать», то есть имитируют процесс логического построения мысли, когда сложная задача разбивается на этапы и прорабатывается каждый отдельный этап. Такой режим в целом можно повторить в YandexGPT и GigaChat, используя прием Chain of thoughts, но он не всегда работает.
Западная и китайская нейросети также умеют обращаться за дополнительными данными в интернет, что очень помогает получать актуальные ответы. Ведь сами модели обучаются довольно редко. Например, ChatGPT знает о мире до октября 2023 года. Причина — большие ресурсы, необходимые для переобучения модели. Режим поиска в сети как раз решает эту проблему, хоть и не полностью.
Еще один момент, который заметен при работе с отечественными и иностранными нейросетями, — их словоохотливость. ChatGPT обычно выдает в полтора, а то и в два раза больше текста, чем российские модели. Можно предположить, что работающие в бесплатном режиме отечественные нейронки экономят на вычислительных мощностях.
Что касается подхода к пользовательскому интерфейсу, то глобально в мире все мимикрируют под ChatGPT. Хотя, конечно, и он не то чтобы придумал что-то сильно новое. Все нейроинструменты стараются разместить в одном окне чата работу с текстом, файлами, изображениями и аудио.
Так же действует Сбер. У GigaChat есть похожий на ChatGPT веб-интерфейс, но есть и уникальное удобное, на мой взгляд, решение — бот в «Телеграме», который повторяет почти все функции веб-версии. «Яндекс» тоже повторяет веб-«лидера», но со своими ограничениями: на вход YandexGPT получает только текст, а на выход может выдать текст и картинку, сгенерированную картиночной нейросетью YandexART. Чтения файлов пока не предоставляется.
Если говорить про различия, которые заметны разработчикам, а не обычным пользователям, — «Яндекс» и Сбер выбрали свой путь при создании API. Во всем мире хорошим тоном считается унификация API под формат лидера или самого первого решения, как с пользовательским интерфейсом.
Например, API DeepSeek полностью повторяет API ChatGPT, что упрощает интеграцию и поддержку кода, в то время как с API и платформами YandexGPT с GigaChat надо дополнительно разбираться.
Олег Полстовалов, доктор юридических наук, профессор, руководитель аппарата комиссии «Технологическое лидерство» Экспертно-координационного центра комиссий Государственного совета Российской Федерации:
— Одним из максимальных рисков расширения сфер применения СИИ остается потеря творческого потенциала в литературе и даже в искусстве. Переход от больших языковых моделей к когнитивным моделям как универсальному языку общего ИИ не исключает гегемонии универсализма при размене на это преимуществ русского языка. Переводы на русский язык английской классики лучше оригинала, и это не фигура речи: Корней Чуковский переводил произведения О. Генри, Эрнеста Сетона-Томпсона, Марка Твена и других с «улучшением» как решением осознанной задачи, Борис Пастернак делал превосходящие оригинал переводы английских романтиков Перси Биши Шелли, Джона Китса и Джорджа Гордона Байрона ввиду очевидности большей выразительности и художественной образности русского варианта.
Вместе с тем ИИ-комбинаторика литературного классического наследия не «создаст» нового гениального писателя, когда в принципе по авторству мы получаем нечеловекоцентричное произведение, которое может быть «улучшено» по сюжету, изобразительным средствам, заложенным смыслам. Но это не будет новый гений уровня Достоевского. Можно даже компенсировать отсутствие пейзажистики Достоевского за счет комбинаторики с творчеством Маркеса, но это не «новый гений», а «синтетический кентавр» из двух великих писателей. Человеческий производный примат здесь присутствует, но подобный вызов может оказаться непреодолимым для писательской гильдии при либеральной рыночной модели экономики. Творческое вырождение естественного, оригинального — вполне прогнозируемая перспектива в меркантилизированной системе ценностей. Сценарии будет дешевле сгенерировать, чем написать в муках человеческого творчества. Но в результате ИИ-выхода за пределы человеческого в литературе и поэзии невозможно создать ничего подлинно нового.