Мораторий на ввод в эксплуатацию центров обработки данных в США после победы Демократической партии на промежуточных выборах не способен остановить развитие искусственного интеллекта.
Текущие технологии ещё далеки от уровня, при котором можно было бы говорить об общем искусственном интеллекте (Artificial General Intelligence). Об этом IT-специалист Илья Корнейчук рассказал Елене Кононовой в эфире 360.ru.
«Я с этим категорически не согласен. Всё, что можно было подать в тренировочный набор для этих нейромоделей — все накопленные человечеством знания — уже было использовано», — сказал он.
По словам Корнейчука, нынешние решения представляют собой рассуждающие генеративные нейросетевые модели. Они не являются AGI, способным действительно понимать, учиться и принимать самостоятельные решения.
Настоящего искусственного интеллекта не существует. И пока нет никаких признаков, что он появится в ближайшее время, отметил эксперт.
Нейросети широко применяются разработчиками: они берут на себя часть задач и позволяют одному специалисту со средним опытом заменить множество начинающих сотрудников. Проще говоря, это очень продвинутые аналоги T9. Всё это невероятно интересно. Но до того, чтобы это вдруг превратилось в настоящий AGI, ещё очень далеко, подчеркнул Корнейчук.
Под AGI обычно понимают систему, которая может понять и освоить любую интеллектуальную задачу, доступную человеку, демонстрируя способность к переносному обучению, формулированию и достижению долгосрочных целей, самостоятельному планированию и внутреннему моделированию мира. Современные крупные модели (LLM, мультимодальные модели) — это в основном масштабируемые статистические предикторы, обученные на огромных наборах текстов, картинок и другого контента. Они эффективно выявляют и воспроизводят паттерны, но это не то же самое, что человеческое понимание.
Ключевые отличия текущих систем от AGI:
- Отсутствие внутренней модели сознательных целей: модели не формируют самостоятельных намерений и не имеют мотиваций.
- Ограниченная переносимость знаний: модели хорошо работают в задачах, близких к данным обучения, но часто ошибаются при переносе на принципиально новые ситуации.
- Склонность к «галлюцинациям»: генерация убедительных, но неверных фактов, отсутствие надёжного механизма проверки истинности.
- Зависимость от данных и вычислений: прогресс требует огромных объёмов разметки/корпусов и специализированного железа.
Практические приложения, где современные нейросети приносят реальную пользу: автоматизация рутинной документации, помощь в программировании, поиск и суммаризация информации, генерация контента, обработка изображений и речи. Это уже повышает производительность и меняет распределение труда, но не заменяет экспертизу в областях, требующих глубокого критического мышления и ответственности за решения.
