Содержание
Что такое искусственный интеллект, объяснить сложнее, чем кажется, и не из-за математики. Мешает то, что под этим словом каждый понимает своё: кто-то чат, кто-то робота из кино, кто-то рекомендации в ленте.
Разберём по-человечески: что стоит за термином, чем ИИ отличается от нейросети и машинного обучения, где вы сталкивались с ним на этой неделе и о чём спорят, когда говорят про AGI.
Тема уже прикладная. ИИ применяет каждое седьмое предприятие в стране, и ещё каждое пятое собирается: так показал опрос Банка России почти по пятнадцати тысячам нефинансовых организаций [1].
ИИ это что: определение без академизма
ИИ это общее название для программ, которые решают задачи, раньше требовавшие человека: распознать лицо, перевести текст, подобрать маршрут, написать письмо.
Ключевые слова тут «решают задачи». Никакого мышления, сознания и понимания в привычном смысле внутри нет. Программа находит закономерности в данных и применяет их к новому случаю.
Искусственный интеллект простыми словами: это не одна технология, а зонтик над целым семейством подходов. Он накрывает и старые алгоритмы шестидесятых годов, и современные языковые модели, и системы, которые обыгрывают человека в шахматы.
Отсюда и путаница в разговоре: один человек под словом «ИИ» имеет в виду чат-бота, другой алгоритм подбора рекламы, и формально правы оба.
ИИ, машинное обучение и нейросети: что во что вложено
Развилка, которую в объяснениях обычно пропускают, а без неё дальше не разобраться.
Это вложенные понятия, как матрёшка.
| Уровень | Что это | Пример |
|---|---|---|
| Искусственный интеллект | зонтичное понятие: любые программы, решающие «человеческие» задачи | навигатор, антиспам, чат-бот |
| Машинное обучение | подход, при котором программу не программируют правилами, а обучают на примерах | фильтр спама, обученный на письмах |
| Нейросети | один из способов машинного обучения, устроенный по мотивам связей нейронов | распознавание лиц, генерация картинок |
| Большие языковые модели | вид нейросетей, обученный на текстах | чат, который пишет письма |
Читайте таблицу сверху вниз как сужение: каждая языковая модель относится к нейросетям, каждая нейросеть работает на машинном обучении, а машинное обучение входит в искусственный интеллект. В обратную сторону это не работает: далеко не всякий ИИ построен на нейросетях.
Практический смысл иерархии простой. Когда вам обещают «искусственный интеллект в приложении», это может означать и языковую модель, и десяток условий в коде, поэтому уточняйте уровень.
Устройство самих нейросетей мы разобрали без математики в другой статье, а языковые модели - тем более отдельно.
Почему термин старый, а шум новый
Словосочетанию «искусственный интеллект» больше семидесяти лет: его придумали учёные середины прошлого века, когда компьютеры занимали комнату и считали медленнее телефона.
Первые десятилетия эта область развивалась рывками. Периоды больших ожиданий сменялись затишьем, когда обещания не сбывались, финансирование сворачивалось и про тему забывали до следующего прорыва.
Шум последних лет поднялся не вокруг новой идеи: старая наконец заработала на практике. Разберём, почему это случилось так поздно.
Почему ИИ заработал не сразу
Совпало три вещи, и ни одна из них по отдельности не сработала бы.
- Данные. Обучение требует примеров, и очень много. Интернет накопил их за двадцать лет: тексты, фотографии, видео, размеченные пользователями каталоги. До этого учить было не на чем.
- Вычисления. Обучение крупной модели занимает месяцы работы огромного количества процессоров. Мощности, которые сегодня стоят в дата-центре, в девяностые не существовали ни за какие деньги.
- Устройство моделей. Прорыв конца десятых годов дал архитектуру, которая хорошо обучается на длинных текстах и хорошо масштабируется: чем больше данных и мощности, тем лучше результат.
Последний пункт объясняет главное. Прежние подходы быстро доходили до потолка: данных добавляли, а качество стояло на месте. Новые продолжают улучшаться от масштаба, и поэтому гонка последних лет идёт вокруг размера моделей и вычислительных мощностей.
Отсюда же понятны и ограничения. Раз качество зависит от данных и от масштаба, бесконечным оно не бывает, и спор про потолок нынешнего подхода идёт как раз об этом.
Как машина учится, если её не программировали
Механика проще, чем звучит.
Представьте, что вы учите ребёнка отличать кошку от собаки. Вы не диктуете правила про форму ушей и длину морды. Вы показываете сотню картинок и говорите, где кто. Через какое-то время ребёнок начинает угадывать сам, включая породы, которых на картинках не было.
Машинное обучение работает так же. Программе показывают размеченные примеры, она подбирает внутренние коэффициенты так, чтобы ошибаться реже, и постепенно начинает справляться с новыми случаями.
Отсюда следуют две вещи, которые объясняют почти всё поведение ИИ.
- Качество зависит от данных. Если в примерах были только рыжие коты, серого модель узнает хуже. Все разговоры про предвзятость алгоритмов начинаются здесь.
- Правил внутри нет. Модель не хранит формулировку «у кошки треугольные уши». Она хранит числа, и объяснить своё решение человеческими словами не может, отсюда и знаменитая непрозрачность.
Где вы уже сталкивались с ИИ
Ощущение, что ИИ относится к будущему, держится ровно до того момента, как вы посмотрите на свой день.
- Утро. Будильник в телефоне подстроил время под фазу сна, приложение банка показало нужную кнопку первой, почта убрала рекламу в спам.
- Дорога. Навигатор перестроил маршрут по пробкам, камера на въезде считала номер, каршеринг подобрал ближайшую машину.
- День. Маркетплейс подсунул похожий товар, поиск понял запрос с опечаткой, банк спросил про подозрительную операцию.
- Вечер. Рекомендации в видеосервисе, автоматические субтитры, фотографии в галерее, разложенные по лицам и местам.
Ни одна из этих штук не выглядит как «искусственный интеллект» из фильмов, и в этом всё дело. Работающий ИИ обычно незаметен: он встроен в кнопку, которую вы нажимаете не задумываясь.
Отдельная свежая история сложилась вокруг программ, которым поручают целую последовательность действий вместо одного ответа. Их называют агентами, и разбор у нас отдельный.
Чем ИИ не является
Раздел, которого в объяснениях почти нет, а он снимает больше вопросов, чем определение.
Языковая модель предсказывает вероятное продолжение текста. Похоже на понимание получается, но механизм другой, и на краях он себя выдаёт.
Неправильный ответ модель выдаёт тем же тоном, что и правильный, потому что тон задаётся статистикой текста и признаком истины не служит.
Программа оптимизирует то, что в неё заложили. Разговоры про «он захотел» остаются метафорой, иногда удобной, но всегда неточной.
Одного ИИ, который умеет всё, не существует. Вместо него работает множество отдельных моделей под отдельные задачи, и универсальность у них ограниченная.
Внутри математика и вычисления, доступные для изучения. Непрозрачность решений идёт от сложности, а принципиальной непознаваемости тут нет.
AGI: о чём спорят
Аббревиатура попадается всё чаще, поэтому разберём её спокойно.
AGI расшифровывают как artificial general intelligence, то есть общий искусственный интеллект. Так называют гипотетическую систему, способную решать произвольные интеллектуальные задачи на уровне человека, тогда как сегодняшние модели берут одну узкую задачу.
Разница с сегодняшними моделями принципиальная. Языковая модель отлично пишет тексты и плохо водит машину, а система распознавания лиц не напишет письмо. AGI по определению должен переносить умение с задачи на задачу так, как это делает человек.
Спор идёт по трём линиям, и позиции тут расходятся сильно.
- Достижимо ли это в принципе. Часть исследователей считает, что нынешний подход масштабируется до общего интеллекта, часть уверена, что подход дойдёт до потолка и потребуется другой принцип.
- Как узнать, что оно наступило. Общепринятого критерия нет. Тест Тьюринга современные модели проходят, а общим интеллектом никто их не считает.
- Чего требовать от государства. Одни настаивают на регулировании и осторожности, другие возражают, что преждевременные ограничения тормозят полезные применения.
Прогнозов со сроками мы сознательно не приводим. Они устаревают быстрее любой другой части таких текстов, а проверить их сегодня невозможно. Отдельный разговор про регулирование и этику у нас идёт своим материалом.
Что ИИ меняет в работе
Разговор про замену людей идёт постоянно, поэтому дадим измеримую часть.
Stanford HAI в отчёте AI Index приводит прирост продуктивности по видам работы: поддержка клиентов 14-15%, разработка ПО 26%, маркетинг до 50%. В задачах, где нужно глубокое рассуждение, эффект меньше [2].
Из этих цифр видна закономерность. Выигрыш приходит там, где работа измерима и повторяема: типовые тексты, разбор документов, первичная поддержка. Там, где решение требует ответственности и контекста, ИИ остаётся помощником и заменой пока не становится.
Разбор по конкретным профессиям у нас идёт отдельно.
Как попробовать самому
Теория без практики забывается за неделю, поэтому финальный шаг тут короткий.
Возьмите задачу, которую вы делаете руками и которая занимает у вас полчаса: письмо, пересказ документа, подбор вариантов. Отдайте её любому доступному чату: сформулируйте целиком, со всеми условиями и с нужным форматом ответа.
Дальше сравните результат с тем, что сделали бы сами, и запишите разницу. Разница покажет, где ИИ вам полезен, а где мешает, и это понимание стоит десяти прочитанных объяснений.
Первые шаги у нас расписаны отдельно, а если хочется системного захода, есть материал про освоение с нуля.
Частые вопросы
Коротко
Искусственный интеллект работает зонтичным понятием, а одной технологии за ним не стоит. Внутри него лежит машинное обучение, внутри машинного обучения нейросети, а внутри нейросетей языковые модели, с которыми вы разговариваете в чате.
Работает всё это на закономерностях в данных. Отсюда и сильные стороны, и слабые: качество зависит от примеров, объяснить своё решение модель не может, а уверенный тон ответа ничего не гарантирует.
Разрыв между тем, кто умеет этим пользоваться, и остальными уже виден в цифрах. Владеют ИИ-навыками 37,5% работающих россиян, а работа требует их только от 4,9%, то есть осваивают эти сервисы заметно раньше, чем просит работодатель [3].
Из этого следует практичный вывод. Разбирайтесь не спеша и на своих задачах: понимание, где ИИ помогает, а где мешает, приходит с первой же собственной попытки.