Современный варианты искусственного интеллекта, о которых вы постоянно слышите (такие как ChatGPT, Claude, Deepseek), это всего лишь языковые модели. Они не принимают решений и не совершает никаких действий, а просто поддерживают беседу и ищут ответы на элементарные вопросы. Им сейчас уделяется так много внимания, но на самом деле наибольший потенциал имеют совершенно другие типы, которые могут быть использован для принятия решений в самых разных областях: от здравоохранения до промышленности, управления системами жизнеобеспечения и энергетики.
Именно тогда, когда эти инновационные технологии будут связаны с промышленностью и начнут автоматизировать масштабные процессы, человечество начнёт видеть истинно реальные результаты. Но даже в обыденной жизни найдут применение специализированные приложения. Представьте, что у вас диабет, и вы контролируете его с помощью инсулина. Больным нужно точно знать, сколько им инсулина нужно. Сейчас необходимую дозировка необходимо регулярно проверять с помощью анализов крови. Людям, страдающим от сахарного диабета, можно будет рассчитывать различные дозы инсулина, основываясь на показателях своего тела и в зависимости от того, что человек собирается делать в течение ближайших нескольких часов. Некоторые исследователи сосредоточены именно на этом методе, ориентированном на будущее, но он пока далёк от совершенства. Искусственный интеллект может создавать цифровые модели людей и принимать подобные решения о лечении. На внешних серверах в центрах обработки данных могут создаваться цифровые двойники - такие виртуальные модели, принимающие постоянные сигналы от различных датчиков об изменении параметров организма - для поддержания актуальной информации о состоянии здоровья. Именно на основе этих актуальных данных, в совокупности с планами на день, «компьютерный разум» будет рекомендовать дозировку лекарственного препарата.
Сегодня такие инструменты, как ChatGPT, работают с текстовыми строками, пронизанными восприятием реальности автором и ограничениями языка, а модели генерации изображений ограничены представлением двухмерных версий трёхмерного мира. Пока модели машинного обучения видят мир только в цифровом формате, представляя собой лишь тень физической реальности, мы никогда в полной мере не воспользуемся теми действительно значительными преимуществами, которые может предложить нам инновационные разработки. Именно поэтому следует использовать данные, полученные с датчиков, для создания моделей и нейросетей, способных самостоятельно исследовать мир. Такие модели могут содержать информацию, выходящую за рамки упрощённых математических моделей, на которых в настоящее время основаны современные технологии. Следует опираться на имеющиеся у нас научные знания и использовать их для разработки гибридных моделей, сочетающих машинное обучение с математическим моделированием, основанным на фундаментальных физических законах. В этой работе должны участвовать все отрасли науки.
Ещё один способ, которым ИИ может навести порядок там, где люди пока не могут, — это производство энергии из возобновляемых источников. Если на крыше установлены солнечные батареи, они, как правило, вырабатывают больше всего электроэнергии именно тогда, когда она меньше всего нужна. Сложно избавиться от излишков электроэнергии в сети, поскольку она может оказаться перегруженной. ИИ может обеспечить лучший контроль управляемости, начиная с уровня солнечных батарей и заканчивая всей сетью. Вся суть в том, что людям не следует строить одну модель, которая обрабатывает всё сразу, а требуется создавать небольшие приложения, которые выполняют отдельные задачи и могут взаимодействовать друг с другом. Даже языковые модели движутся в сторону множества небольших специализированных итераций.
В некоторых прикладных разработках сходства больше, чем различий. Например, несмотря на то, что пациенты с диабетом и электросеть сильно различаются, принцип управления происходящим очень схож для алгоритмов ИИ. Это означает, что исследователи, технологические эксперты и конечные пользователи могут многому научиться друг у друга. Некоторым организации или люди хотят получать рекомендации и уведомления о необходимости принятия решения. Другим нужна полная автономия, где решения принимают алгоритмы. Проблемы по-прежнему могут быть весьма схожими: например, исследователи посадили за один стол специалистов в области энергетики и ответственного за уборку общественных дорог из администрации города. Вроде совсем непересекающиеся темы, но оказывается, что с точки зрения алгоритмического подхода, эти чиновники на самом деле хотят решить одну и ту же задачу. Независимо от того, куда в первую очередь следует отправить снегоочиститель во время зимней метели, или как эффективно распределить энергетические потоки (для частного лица это может быть актуальный вопрос - какому врачу обратиться пациенту), необходим искусственный интеллект, способный принимать независимые решения на основе аналитики.
Создание подобных автономных систем искусственного интеллекта уже возможно с использованием существующих сегодня технологий. Их легче создавать, когда данные содержат чёткие цифры. Если же основой для решений служит текст — например, рукописная справка врача о том, что пациент сказал устно во время консультации, — то задача усложняется. В любом случае алгоритмам предстоит сортировать данные, прогнозировать результаты и использовать их для принятия решений. Проблема в том, что глобальные проблемы, с которыми человечество сталкивается в области здравоохранения, устойчивого развития или изменения климата, никогда не будут решены с помощью языковых моделей. Но, например, эффективные модели искусственного интеллекта смогут предсказать, когда турбинам гидроэлектростанций потребуется техническое обслуживание и ремонт. Замена турбин, которая в целях безопасности сейчас проводится на ранней стадии, с помощью искусственного интеллекта может осуществляться только по мере необходимости с минимальным простоем эксплуатации. Это одновременно пойдёт на пользу климату и будет способствовать экономии сырья, а также укреплению финансовой мощи сектора возобновляемой энергетики.
Для более эффективной трансформации нужны алгоритмы машинного обучения, основанные на двух ключевых факторах — объективных истинах, которые наука открывала нам на протяжении веков, и данных, которые как можно меньше подвержены влиянию человеческих интерпретаций. Текстовые ответы и фейковые изображения, сгенерированные ИИ, могут выглядеть очень впечатляюще. Но не нужно слишком углубляться в их изучение, чтобы понять, что модели, используемые для их генерации, не понимают абсолютно ничего. Если говорить по существу, они всего лишь «стохастические попугаи», повторяющие вариации услышанного ранее. Чтобы ответить на основные вызовы, стоящие перед современным обществом, нам нужны алгоритмы, напрямую взаимодействующие с физическим миром и способные выявлять взаимосвязи, которые мы, люди, не видим.
Более того, промышленный сектор, обладающий большими, чем кто-либо, знаниями о собственных процессах, должен внести свой вклад, проявив приверженность делу развития этого сектора и финансовую поддержку. Но важнее споров о том, какая часть этих средств должна быть направлена на развитие технологических разработок, вопрос о том, в каком направлении должно происходить это развитие. Если ИИ должен предложить социуму общественные преимущества, о которых мечтают и в которые верят многие люди, необходимо разработать технологии, которые будут намного интеллектуальнее тех, что у человечества есть сегодня.
Контакты | |
| Разместил: | Алексей Петров |