أين تقع حدود قدرات AI الحديث

Вычислительные мощности для обучения языковых моделей сегодня обсуждают на уровне глав государств, а не только советов директоров технологических корпораций. Гонка за лидерство в области ИИ стала геополитическим фактором, сопоставимым по значению с контролем над ядерными технологиями. Но за этим ажиотажем скрывается фундаментальный вопрос, который индустрия предпочитает не замечать: существует ли принципиальный потолок того, что искусственный интеллект в его нынешнем виде способен сделать?

Чтобы ответить на этот вопрос, нужно сначала разобраться с терминологией. Советский изобретатель и методолог Генрих Альтшуллер, создатель теории решения изобретательских задач (ТРИЗ), проводил принципиальное разграничение между двумя типами задач. Первый — рутинные задачи. Они могут быть невероятно сложными с точки зрения вычислений, требовать терабайтов данных и месяцев работы суперкомпьютеров, но их решение целиком лежит внутри уже существующей системы знаний. По сути, это задачи на поиск и комбинирование того, что человечество уже знает. И именно здесь современные языковые модели демонстрируют впечатляющие результаты — они перебирают, синтезируют и адаптируют существующие знания с такой скоростью и в таком масштабе, которые недоступны человеческому разуму.

Второй тип — изобретательские задачи. Это территория, где требуется не просто найти ответ в пространстве известного, а выйти за его пределы. Создать новую абстракцию, обнаружить закономерность, которую никто прежде не формулировал, или предложить решение, противоречащее общепринятым представлениям. Именно здесь начинается самое интересное — и самое тревожное для тех, кто верит в неизбежность появления «сильного» ИИ.

Современные большие языковые модели, при всей их впечатляющей производительности, работают по принципу статистического обобщения паттернов из обучающих данных. Они не «понимают» в том смысле, в каком понимает человек, — они распознают структуры и воспроизводят их с вариациями. Это делает их блестящими инструментами для рутинных задач любой сложности: от написания кода по известным шаблонам до диагностики заболеваний на основе накопленных медицинских данных. Но когда речь заходит о подлинном открытии — о том, чтобы увидеть то, чего нет в данных, — модель оказывается в эпистемологическом тупике. Она не может выйти за границы того пространства знаний, на котором была обучена.

Разумеется, можно возразить, что модели иногда выдают неожиданные и даже «креативные» результаты. Это правда, но такая «креативность» — это комбинаторика, а не изобретательство. Модель способна соединить две далёкие области знаний неочевидным образом, и результат может выглядеть как озарение. Однако принципиально новое знание — то, которое не является рекомбинацией существующего, — требует иного когнитивного механизма. Какого именно — вопрос, на который не может ответить ни нейронаука, ни философия сознания.

Практические последствия этого разграничения огромны. Компании и правительства, инвестирующие миллиарды в развитие ИИ, должны трезво оценивать, какие задачи им предстоит решать. Если речь идёт об автоматизации, оптимизации, масштабировании существующих процессов — языковые модели справятся, и с каждым годом всё лучше. Если же ставка делается на то, что ИИ совершит фундаментальный научный прорыв или создаст принципиально новую технологию без человеческого участия, — ожидания, вероятно, завышены. По крайней мере при нынешней архитектуре моделей.

Есть и более глубокий уровень проблемы. Гонка LLM на межгосударственном уровне создаёт опасную иллюзию: кто первым построит самую мощную модель, тот получит стратегическое преимущество во всём. Но если эпистемологический потолок существует, то наращивание мощностей даёт лишь количественный прирост в решении рутинных задач, а не качественный скачок к машинному сверхразуму. Это не отменяет важности ИИ — автоматизация рутины сама по себе трансформирует экономику и общество. Но это означает, что человеческий интеллект, способный к подлинному изобретательству, остаётся незаменимым ресурсом.

Вопрос о пределах ИИ — это не приговор технологии, а приглашение к честному разговору о её природе. Чем лучше мы понимаем, что машины могут, а чего не могут, тем эффективнее сможем выстроить симбиоз человеческого и машинного интеллекта. И, возможно, именно этот симбиоз — а не гонка за всемогущей моделью — станет настоящим прорывом ближайшего десятилетия.