СТОП НЕЙРООБМАН

БУДУЩЕЕ ВМЕСТЕ С ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ. КАКИМ ОНО БУДЕТ ДЛЯ КАЖДОГО?

01.05.2025
Обновлено 08.10.2025

Будущее с искусственным интеллектом приближается. Каким оно будет, и как изменится наша жизнь? Многие называют развитие искусственного интеллекта стремительным, а особо смелые предрекают близкое начало эпохи сингулярности. Это значит, что искусственный интеллект получит возможность самосовершенствования, и наступит тотальное превосходство нейронных сетей над человеческим интеллектом.

Ученые считают что эпоха сингулярности внесет в нашу жизнь хаос - технологический прогресс перестанет быть контролируемым и станет непредсказуемым. Наряду с немыслимыми достижениями - от лечения неизлечимых болезней и замедления старения до колонизации космоса, сингулярность принесет с собой большие экзистенциальные риски.

Это сейчас в 2025 году системы искусственного интеллекта узкоспециализированы и под контролем людей выполняют конкретные задачи. Они распознают и переводят речь, делают обработку изображений и анализируют данные. Но уже к 2030 году специалисты прогнозируют внедрение первых систем AGI (Artificial General Intelligence) - искусственного общего интеллекта, способного выполнять любые интеллектуальные задачи, которые может выполнять человек, на уровне или выше человеческого. В отличие от узконаправленного современного искусственного интеллекта AGI обладает универсальной когнитивной способностью, включая адаптацию к новым ситуациям, обобщение знаний и обучение на основе опыта, творческое мышление и рассуждение.

Уже сейчас перед учеными стоит вопрос контроля AGI в будущем, когда новый ИИ получит доступ к интернету и множеству подключенных к всемирной паутине систем, сопровождающих процессы регулирования, производства, работы, лечения и многие другие.

Развитие технологи AGI тесно связано с квантовой механикой и воплощением квантовых вычислений в наш электронный мир. Запуск квантовых процессоров поспособствует моментальному скачку скорости обработки данных. Это в свою очередь даст огромный прирост вычислительной мощности суперкомпьютеров в обработке их алгоритмов, а значит и алгоритмов искусственного интеллекта.

Благодаря технологии квантовых вычислений мы получим возможность моделировать целые экосистемы для точного прогнозирования изменений климата, финансовых рынков, эпидемиологических сценариев и научных исследований, быстро вскрывать сложные системы шифрования, а также создавать еще более сложные способы защиты и передачи информации.

На данном этапе о создании квантового компьютера, способного работать длительное время, заявили ученые Гарвардского университета (США). Обычные компьютеры используют двоичный код, который может представлять либо ноль, либо единицу, тогда как квантовые компьютеры используют субатомные частицы, способные находиться в нескольких состояниях одновременно. Это позволяет квантовым компьютерам решать за считанные минуты задачи, на которые обычным компьютерам потребовались бы тысячи лет.

Скорость движения к AGI и квантовому контролю вычислений на данном этапе позволяет сделать прогноз о нужном человечеству для этого времени - приблизительно 10 лет. Но крайне оптимистичные ученые и бизнесмены утверждают, что весомое ускорение прогрессивных моделей искусственного интеллекта за два последних года позволят уменьшить этот срок до 5 лет.

Современные мечтатели не устают говорить и писать о немыслимом будущем с ИИ, которое непременно наступит. В этом будущем люди будут заниматься только творчеством, а всю тяжелую работу будут выполнять роботы. Домашняя 3D печать заменит производство нужных вещей, а оптимизация сельского хозяйства уничтожит голод и приведет к всеобщему изобилию наряду с высоким уровнем медицины. В сфере развлечений развитие визуальной составляющей нейронных сетей позволит создать полные приключений миры, неотличимые от реальных.

Скептики же, как и всегда, достаточно сдержанно относятся к вопросам внедрения ИИ в ответственные и деликатные сферы человеческой жизнедеятельности.Они апеллируют к разнообразным минусам вроде нейронных галлюцинаций, непредсказуемости, а также морально-этической составляющей вопроса. Как ИИ изменит наше отношение друг к другу, к обществу, к жизни в целом? Эти вопросы также звучат очень часто. Не станет ли это новой религией или поводом нескончаемого конфликта?

Какие бы вопросы не задавал себе человек, сталкиваясь с новым, он не остановится перед возможностью и не устрашится угрозы. Мы непременно идем вперед к жизни рядом с искусственным интеллектом. Его присутсвие в скором будущем станет такой же обыденностю для каждого, как когда-то стало электричество и мобильная связь.

На данном этапе мы наблюдаем не просто обучение нейронных сетей с помощью алгоритмов и уже имеющейся информации, но и некий симбиоз нейросетей с человеческой жизнедеятельностью. Для этого создаются ИИ-агенты. Эти встроенные в разные электронные сервисы помощники сами собирают информацию о человеке и его окружении, среде, чтобы быть полезным и удобным, перебирая часть функций на себя. Таким образом человек получает больше времени на важные дела, в то время как ии-помощник занимается рутиной вроде наведения будильника или отправки данных поставщикам коммунальных услуг. ИИ-помощники быстро входят в жизнь прогрессивных людей и становятся незаменимыми, как автомобиль и мобильный телефон. Такая форма обучения ИИ показывает высокие результаты, а потому будет продолжать внедряться и развиваться.

LLM работают по принципу чата, где на вход в модель с запросом пользователя каждый раз отправляются "выжимки" из запросов и ответов, чтобы модель не теряла контекста диалога. Таким образом с каждым запросом количество подаваемой на вход информации увеличивается, добавляются метки и другие данные. Такой способ отягощает работу модели и приводит к "галлюцинациям". Модель начинает очищать память, чтобы повысить качество и скорость ответов, в результате чего начинает "забывать" контекст.

Эту проблему ученые пытаются решить разделением модели на небольшие экспертные модели, которые вызываются моделью «администратором» для ответа на конкретный вопрос. У них раздельная контекстная память и потому они меньше "забывают". Кроме того, их обучение проще и дешевле одной большой модели, а способ разделения на экспертов - гибче в настройках.

Набирают популярность такие образовательные специализированные помощники, как GAUTH, QANDA, MATHSOLVER, SYMBOLAB, GoogleLearnYouWay и другие.

Популярные сервисы облегчения запоминания информации вроде платформ создания учебных карточек QUIZLET, MEMRISE, CHEGG, сборника уроков Quizizz на WAYGROUND, приложения ANKI, игровых помощников для школьников KAHOOT и GIMKIT уже запускают свои нейросервисы, чтобы не отставать от тенденций на рынке.

Очень популярны комбинированные агенты, позволяющие выбирать стиль общения и внешний вид собеседника, а также создавать и кастомизировать все, что угодно. Например, 3D-симулятор REPLIKA, моделлер психики PSYLON или "нейропсихолог" NOMI, позволяющий создавать видеоперсонажей (в платном плане). В Nomi вы можете выбрать стиль общения — наставник, дружба, романтика, ролевые игры. Также вы выбираете внешний вид собеседника (фото, видео), пол, интересы, черты характера и описываете его предысторию. В результате вы получаете ИИ-агента, полностью подходящего вам для общения. С ним можно обсуждать все то же, что и с человеком: погоду, политику, футбол, литературу, кино и прочее. В Nomi также доступны групповые чаты, расширяющие границы общения.

Такие агенты — не редкость в современных девайсах, ведь людям проще общаться с покладистым агентом, чем с собеседником-человеком, имеющим свою точку зрения. По сути, это синтетическая замена соцсетям. Мы ведь так привыкли все заменять на синтетику.

Простые сервисные агенты заполонили просторы интернета, предлагая разного рода услуги на базе технологий RAG или CAG - отправку в нейросеть запроса пользователя с дополнительной инструкцией. Например, этот простенький генератор TryAgainText генерирует в языковой модели ответы на основании настроения вашей переписки и предлагает вам уже готовые стилизированные варианты сообщений переписки.

Одним из лидеров по внедрению нейросетевых агентов является компания COHERE, разработавшая LLM семейства Command. Компания предлагает широкий спектр услуг как по развертыванию самих моделей для корпоративной работы, так и по внедрению агентских сред в другие цифровые экосистемы.

Платформа NOTHING COMMUNITY запустила проект NOTHING PLAYGROUND, который призван создать нативную операционную систему для смартфонов, реагирующую на личность и действия пользователя. Данная операционка, по заявлению сообщества, будет способна накапливать персонализированный опыт пользователя, создавать приложения по промту в Essential App и делать еще много полезного для владельца смартфона.

При этом следует помнить, что использование разного рода агентов может привести к утечке в сеть ваших конфиденциальных данных, в том числе и платежных. Поэтому при выборе агента и даже модели следует также думать о безопасности личной информации.

Компания Google имеет большие наработки в области безопасности данных. Google представила открытую модель VaultGemma, обученную с учетом принципа дифференциальной конфиденциальности (DP) . Дифференциально-приватная модель обучалась на последовательностях из 1024 токенов, содержащих конфиденциальные данные. При обучении модель также получала шум, который искажал процесс обучения. Если данные встречались часто, они «пробивались» сквозь шум и запоминались моделью, а если они были редкими, как номер карты или паспорта, то не преодолевали шум и не запоминались. Хотя такой подход имеет некоторые недостатки, Google удалось обучить модель на 1 миллиард параметров, что на данном этапе открывает большие перспективы.

Интересный способ передачи семантически кодированной информации предлагают авторы статьи в популярном журнале Nature о звездоподобных модуляциях передачи семантических изображений. В связи с приближением нейросетей к пониманию семантического смысла, китайские ученые предлагают создание кодировки на основе семантически важных данных информационного объекта. В этом случае речь идет о передаче изображения в виде извлеченных семантических признаков с адаптацией под канал передачи (шум, пропускная способность) с маской сжатия. Декодер (тоже нейросеть) при декодировании фокусируется на смыслах признаков, восстанавливая изображение из зашумленных данных. При объединении семантических признаков нейросети используют Star Blocks — метод проекции признаков в высокоразмерное нелинейное пространство с сохранением низкой вычислительной сложности. Фактически это заменитель сверточных операций при создании карты признаков.

Компания Microsoft развивает свою открытую модель с новой архитектурой MAI-1-preview, доступную на LMArena. Данная модель основана на смешанном подходе экспертов и специализируется на выполнении инструкций и предоставлении полезных ответов на повседневные запросы. При обучении модели использовалось всего 15 000 видеокарт NVIDIA H100, что достаточно ресурсоемко в сравнении с современными LLM.

Еще Microsoft предлагает модель математического мышления rStar2-Agent, способную эффективно обучаться на 64 графических процессора MI300X и использующую 17 млрд параметров. Несмотря на такие ограниченные ресурсы, модель показывает производительность, сравнимую с крупной моделью DeepSeek-R1 (671 млрд параметров).

Похожим путем экспериментов с архитектурой идет японская компания Sakana, создавшая алгоритм естественных ниш M2N2, соединяющий разные модели в одну. Принцип работы алгоритма основан на постепенном тестировании комбинаций параметров для нахождения наиболее эффективной комбинации, а также механизме отбора наиболее перспективных экспертных моделей. Модели создаются с нуля и затем соединяются, сохраняя свои ключевые способности. Это позволяет экономить ресурсы и эволюционным методом создавать новые эффективные модели, объединяя их с уже отобранными лучшими.

Похожий подход используется в проекте Hierarchical Reasoning Model (HRM) от китайской компании SAPIENT, который унаследовал принцип иерархических рассуждений, свойственных человеческому мозгу. HRM выполняет последовательные задачи рассуждения за один прямой проход без явного контроля промежуточного процесса, посредством двух взаимозависимых рекуррентных (последовательная обработка данных с циклами возврата к предыдущим состояниям для их запоминания) модулей: высокоуровневого модуля, отвечающего за медленное абстрактное планирование, и низкоуровневого модуля, обрабатывающего быстрые подробные вычисления. Имея всего 27 миллионов параметров, HRM достигает исключительной производительности при выполнении сложных задач рассуждения, используя всего 1000 обучающих выборок.

Парадигма декодирования PROPHET для диффузионных моделей утверждает, что нейросети знают ответы уже на раннем этапе декодирования. Современные диффузионные модели перебирают варианты и улучшают ранний генерируемый шум только после оценки всех результатов. Но Prophet предлагает вычисление максимально приближенного к идеальному результата уже на стадии его появления — он сразу сравнивается с идеалом. В результате мы получаем диффузионную модель в 2,5 раза быстрее и не требующую дообучения.

Китайские ученые, создавшие популярную LLM DeepSeek-R1, предложили метод обучения нейросетей с подкреплением (награда и наказание за ответы) без аннотированных данных. Они утверждают, что этот метод формирует у нейросетей шаблоны рассуждений, таких как саморефлексия, верификация и динамическая адаптация стратегии. Способность к рассуждению — краеугольный камень человеческого интеллекта — позволяет нам выполнять сложные когнитивные задачи, начиная от решения математических задач до логического вывода и программирования. В обучении с подкреплением сигнал вознаграждения основан только на правильности окончательных прогнозов относительно ответов, основанных на реальных данных, без наложения ограничений на сам процесс рассуждения. Проблемой такого обучения пока является смешивание языков у моделей, обученных с подкреплением.

В Китае также разработана технология SpikingBrain, основанная на гибридных линейных архитектурах и конфигурации модулей внимания. Модель работает подобно человеческому мозгу: для важных задач задействуется больше внимания с возможностью асинхронной обработки данных для задач попроще. Вычисления выполняются не в фиксированные такты, как у обычных LLM, а только при возникновении событий, что позволяет экономить ресурсы. Модели SpikingBrain обучены на графических процессорах MetaX и демонстрируют значительный прирост производительности при минимальных затратах вычислительных ресурсов и памяти.

Компания Pathway представила массивно-параллельную графовую архитектуру (BDH) рассуждений для LLM. Сеть взаимодействия нейронов BDH представляет собой граф высокой модульности с распределением степеней с тяжелым хвостом. Модель BDH биологически правдоподобна и объясняет один из возможных механизмов, которые человеческие нейроны могли бы использовать для формирования речи.

Компания Google начала выводить на рынок узкоспециализированные модели, обученные на отраслевых базах данных. Мы видим и медицинскую MedGemma, и историко-культурологическую модель Aeneas, восстанавливающую недостающие части древних текстов и управляющую роботами Gemini Robotics On-Device. Такие нейросети более точны и востребованы в бизнесе, поскольку имеют более тонкие настройки предсказаний в своей специализации.

Еще одна специализированная нейросеть для биоакустики от Google DeepMind - Perch, различающая голоса птиц, эффективно помогает биологам в их работе и еще раз подтверждает бытующее среди ученых мнение, что специализированные модели с качественной разметкой данных обучения могут быть полезнее больших и неповоротливых моделей с огромным количеством параметров.

Также Google развивает специализированных агентов, способных не только выполнять сложные задачи путем подключения разных моделей к инструментам, но и сразу проверять их выполнение с помощью метрик. Агент от Google DeepMind ALFAEVOLVE развивает алгоритмы для математических и практических приложений в вычислительной технике, объединяя креативность больших языковых моделей с автоматизированными оценщиками. Данный агент разработал эффективную эвристику для менеджера управления кластерами центров обработки данных Google BORG, а также упростил язык описания аппаратуры в моделировании систем Verilog.

Ученые, исследующие тактику и стратегию обучения нейросетей, часто отмечают поведенческие закономерности у своих подопытных. К примеру, отчет под названием «Подсознательное обучение: языковые модели передают поведенческие черты посредством скрытых сигналов в данных» рассказывает о феномене передачи предпочтений в последовательностях цифр от одной модели нейросети к другой. Модель-учитель передает модели-ученику свои качества и предпочтения - то есть признаки - даже в том случае, если эти признаки жестко фильтруются и удаляются. Ученые считают, что такая передача обусловлена закономерностями в сгенерированных данных, которые семантически не связаны со скрытыми характеристиками.

Семантические смыслы, доступные человеку, пока не совсем понятны нейросетям. Этим пользуются различные исследовательские и экспериментальные проекты, чтобы продемонстрировать уязвимости моделей в опасных темах. Промт-инжиниринг как явление достаточно многосторонняя область взаимодействия с нейросетями. Как польза, так и вред от использования уязвимостей моделей приносят уникальный опыт разработчикам. Это прямым образом влияет на развитие архитектуры моделей. В статьях на этом сайте вы можете прочитать как о мошенничестве с использованием промтинга, так и о его пользе. Например, о веб-площадке торговли удачными промтами для разных нейросетей. К примеру, сервис GANDALF от платформы безопасности нейросетей LAKERA поможет вам получить опыт манипулирования LLM. Компания таким образом мониторит слабости нейросетей, чтобы разработчики правильно улучшали защиту.

Уже сейчас можно изучать пользу и вред от ИИ. Некоторые профессии начинают понемногу уходить с рынка труда, их заменяют другие, связанняе с ИИ и потому более востребованные. Баланс пользы и вреда от использования искусственного интеллекта каждый определит для себя сам. Но в преддверии надвигающейся новой цифровой эпохи человечество обязано установить высочайший приоритет защиты человека от посяганий искусственного интеллекта во всех их формах и проявлениях. Будущее с ИИ для каждого идет к нам очень быстро. Не стоит медлить с изучением возможностей, предоставляемых нам нейронками. Ведь завтра уже наступило!

Одним из опытных ученых, работающих над идеями улучшения нейросетей, а также создания AGI (Artificial General Intelligence) и в будущем, возможно, ASI (Artificial Superintelligence), есть Франсуа Шолле, создавший бенчмарк ARC Prize с фондом больше 1 млн. дол. для стимулирования развития созидательного AGI. Его бенчмарк легко может пройти человек, но пока что не может нейросеть.

С прогнозами Франсуа Шолле на тему будущего нейросетей и AGI вы можете ознакомится в видео.

Интервью ученого.

said-корреспондент🌐