Илон Маск заявил, что уже в 2025 году ИИ превзойдет человеческий интеллект. Почему этого не случится даже в этом веке

ТехнологииБольше по теме

Через год-два автомобили Tesla станут полностью беспилотными, в следующем году ИИ превзойдет человеческий интеллект, а к 2040 году миллиарды роботов будут трудиться вместо людей. И это только заявления, сделанные Илоном Маском в этом году. Сейчас вся информационная сфера вокруг ИИ переполнена подобными прогнозами и обещаниями.

Кажется, что качественное развитие ИИ уже набрало такой ход, что его уже не остановить. А вот так ли всё, как нам говорят? Давайте посмотрим на ИИ с позиции здорового скептицизма. Сейчас я вижу не только блестящие перспективы, но и серьёзные препятствия, которые в принципе могут поставить под вопрос дальнейшее развитие ИИ. Почему? Ну, давайте разберёмся, как это работает.

Как обучается ИИ?

Представьте себе маленького ребенка который только начинает познавать мир. Он впитывает информацию, как губка. Например, он видит собаку, слышит её лай, щупает её шерсть — так постепенно у него формируется понятие "собака".

Искусственный интеллект учится примерно так же. Ему "скармливают" огромные массивы данных — это могут быть фотографии, тексты, звуки, видео. Анализируя эту информацию, ИИ начинает находить в них закономерности, связи, паттерны и учится выполнять различные задачи: распознавать лица, переводить и писать тексты, создавать картины и даже водить машину.

В основе современного ИИ лежат алгоритмы глубокого обучения и нейронные сети. Это сложные математические модели, которые имитируют работу человеческого мозга. Они представляют собой множество связанных между собой "нейронов", каждый из которых обрабатывает небольшую часть информации. В процессе обучения эти нейроны настраиваются, чтобы находить всё более сложные закономерности в данных.

Казалось бы, чем больше данных "скормить" ИИ, тем умнее он станет. Но тут мы сталкиваемся с интересным феноменом – принципом убывающей отдачи. Увеличение объёма данных не всегда приводит к пропорциональному увеличению эффективности ИИ

Допустим, мы хотим научить ИИ различать кошек и собак. На первом этапе, добавив сотню фотографий, мы получим заметный результат (точность в определении составит, например, 60%). Если увеличить количество фотографий для обучения в два раза, то точность определения составит 65%, если еще раз удвоим количество изображений, то результат будет 67,5%. Чтобы добиться увеличения точности еще на 30%, потребуются уже миллиарды изображений.

Почему так происходит? Тут две главные причины

• Очевидные закономерности быстро исчерпываются. Дело в том, что ИИ быстро находит очевидные закономерности в небольшом объёме данных. Но по мере роста массива данных ему становится всё сложнее отыскать новые, неочевидные связи.
• — увеличение "шума" в данных: чем больше данных, тем больше вероятность появления ошибок, неточностей, противоречий. ИИ приходится затрачивать все больше ресурсов на фильтрацию этого "шума", что замедляет его обучение.

Но это ещё не всё. Обучение ИИ – это ооочень энергозатратный процесс. И чем больше данных для обучения ИИ, тем больше вычислительных мощностей требуется для их обработки. Это как с мышцами: чем больше тренируешься и наращиваешь мышечную массу, тем больше энергии тратишь.

Вот тут мы подходим к ещё одному ограничению: рост объёма данных приводит к экспоненциальному росту потребления энергии.