Оглядаючи 80-річний розвиток ШІ, ці 5 історичних уроків варто взяти до уваги.

Автор: Гіл Прес

Переклад: Felix, PANews

9 липня 2025 року NVIDIA стала першою публічною компанією, чия ринкова капіталізація досягла 4 трильйонів доларів. Куди ж далі піде NVIDIA та нестабільна сфера ШІ?

Хоча прогнози важко робити, є величезна кількість даних, які можна використовувати. Принаймні, це може допомогти зрозуміти, чому минулі прогнози не здійснилися, а також в яких аспектах, яким чином і з яких причин це не відбулося. Ось що таке історія.

Які уроки можна винести з 80-річного розвитку штучного інтелекту (ШІ)? Протягом цього періоду інвестиції в капітал коливалися, дослідницькі та розробницькі методи були різноманітними, а публіка то була сповнена цікавості, то відчувала тривогу, то знову була сповнена захоплення.

Історія штучного інтелекту починається в грудні 1943 року, коли нейрофізіологи Уоррен S. Маккаллох і логіки Вальтер Піттс опублікували статтю про математичну логіку. У статті "Логічне обчислення вроджених концепцій у нейронній активності" вони припустили ідеалізовані та спрощені нейронні мережі та їхнє виконання простих логічних операцій шляхом передачі або непередачі імпульсів.

Тоді, коли Ральф Ліллі (Ralph Lillie) відкривав нову галузь органічної хімії, він описував роботу Макколока та Пітца як надання «логічним і математичним моделям «реальності» в умовах відсутності «експериментальних фактів». Пізніше, коли гіпотези цієї статті не пройшли емпіричну перевірку, Джером Леттвін (Jerome Lettvin) з Массачусетського технологічного інституту зазначив, що, хоча неврологія та нейробіологія ігнорували цю статтю, вона надихнула «групу людей, які були приречені стати шанувальниками нової галузі (тепер відомої як ШІ).»

Насправді стаття Маккуллоха і Пітца надихнула на «з'єднувальність», тобто специфічний варіант сучасного домінуючого ШІ, який сьогодні відомий як «глибоке навчання», яке нещодавно знову отримало назву «ШІ». Хоча цей підхід не має жодного зв'язку з фактичним способом роботи мозку, статистичні методи, що підтримують цей варіант ШІ — «штучні нейронні мережі», зазвичай описуються професіоналами ШІ та коментаторами як «імітація мозку». Відомий експерт, провідний спеціаліст у галузі ШІ Деміс Хассабіс (Demis Hassabis) у 2017 році стверджував, що вигадане описання роботи мозку Маккуллоха і Пітца та подібні дослідження «продовжують закладати основи сучасних досліджень глибокого навчання».

Урок перший**: слід остерігатися змішування інженерії з наукою, науки з припущеннями, а також науки з论文, що містять безліч математичних символів і формул. Найголовніше - це протистояти спокусі ілюзії "ми, як боги", тобто вважати, що людство не відрізняється від машин і що люди можуть створити машини, схожі на людей.**

Ця вперта і поширена гордість протягом останніх 80 років була каталізатором технологічних бульбашок та періодичних бурхливих захоплень штучним інтелектом.

Це не може не нагадувати про загальний ШІ (AGI), тобто про ідею машин, які незабаром матимуть людський інтелект або навіть суперінтелект.

У 1957 році піонер штучного інтелекту Герберт Саймон заявив: "Сьогодні у світі вже є машини, які можуть думати, навчатися та створювати." Він також передбачив, що протягом десяти років комп'ютер стане чемпіоном світу з шахів. У 1970 році ще один піонер штучного інтелекту Марвін Мінський з упевненістю заявив: "Протягом трьох до восьми років ми отримаємо машину, яка матиме таку ж інтелектуальність, як у звичайної людини... Як тільки комп'ютер візьме ситуацію під контроль, ми, можливо, більше не зможемо повернути її. Ми будемо залежати від їхніх дарів для існування. Якщо пощастить, вони, можливо, вирішать тримати нас як домашніх тварин."

Очікування загального ШІ має надзвичайне значення, навіть впливаючи на витрати уряду та політику. У 1981 році Японія виділила 850 мільйонів доларів на проект п'ятого покоління комп'ютерів, мета якого - розробити машини, що мислять як люди. У відповідь, після тривалих "зим ШІ", у 1983 році Агентство передових оборонних дослідницьких проектів США вирішило знову фінансувати дослідження ШІ, щоб розробити машини, які можуть "бачити, чути, говорити та думати як люди".

Прогресивні уряди з усього світу витратили близько десяти років і десятки мільярдів доларів, щоб не тільки усвідомити загрозу загального штучного інтелекту (AGI), але й зрозуміти обмеження традиційного штучного інтелекту. Але до 2012 року коннекціонізм нарешті переміг інші школи AI, і новий раунд прогнозів про те, що загальний AI ось-ось з'явиться, охопив весь світ. OpenAI у 2023 році заявила, що суперінтелектуальний AI — "найвпливовіший винахід в історії людства" — може з'явитися в цьому десятилітті і "може призвести до втрати влади людьми, навіть до їх знищення".

Урок** два: будьте обережні з яскравими новими речами, уважно, обачно і мудро їх розглядайте. Вони можуть не сильно відрізнятися від попередніх припущень про те, коли машини зможуть мати подібний до людського інтелект.**

Один з "батьків" глибокого навчання Ян ЛеКун заявив: "Щоб машини могли навчатися так ефективно, як люди та тварини, нам бракує деяких ключових речей, але ми поки що не знаємо, що це таке."

Протягом багатьох років загальний штучний інтелект (AGI) постійно описується як "на порозі реалізації", що пов'язано з "помилкою першого кроку". Піонер машинного перекладу Єгошуа Бар-Гілель (Yehoshua Bar-Hillel) був одним з перших, хто заговорив про обмеження машинного інтелекту, вказуючи на те, що багато людей вважають, ніби, якщо хтось демонструє комп'ютер, який може виконати задачу, яку до недавнього часу вважали можливим виконати лише людьми, навіть якщо він виконує її погано, то достатньо подальшого розвитку технологій, щоб він міг ідеально виконати завдання. Загальне уявлення полягає в тому, що варто просто почекати, і врешті-решт це буде реалізовано. Але Бар-Гілель ще в середині 50-х років минулого століття попереджав, що це не так, і реальність неодноразово доводила, що це не так.

Урок три: від неможливості щось зробити до поганого виконання зазвичай значно коротший шлях, ніж від поганого виконання до дуже хорошого.

У 50-х і 60-х роках ХХ століття, через підвищення швидкості обробки напівпровідників, що приводять у рух комп'ютери, багато людей потрапили в «помилку першого кроку». Оскільки апаратура щорічно розвивалася за надійною висхідною траєкторією «закону Мура», люди загалом вважали, що машинний інтелект також буде розвиватися синхронно з апаратним забезпеченням.

Однак, крім постійного покращення апаратних характеристик, розвиток штучного інтелекту увійшов у нову стадію, яка ввела два нові елементи: програмне забезпечення та збір даних. Починаючи з середини 60-х років XX століття, експертні системи (примітка: інтелектуальні комп'ютерні програми) зосередили нову увагу на отриманні та програмуванні знань про реальний світ, особливо знань експертів у певних галузях, а також їхніх правил досвіду (евристичні методи). Експертні системи стали все більш популярними, і до 80-х років XX століття, за оцінками, дві третини компаній з списку Fortune 500 застосовували цю технологію в повсякденній бізнес-діяльності.

Однак, на початку 90-х років XX століття цей бум штучного інтелекту остаточно зник. Багато стартапів у сфері ШІ зазнали краху, а великі компанії почали заморожувати або скасовувати проекти в галузі ШІ. Ще у 1983 році піонер експертних систем Ед Фейгенбаум вказав на "ключове обмеження", яке призвело до їх зникнення: розширення процесу отримання знань, "це дуже клопіткий, тривалий і дорогий процес."

Експертні системи також стикаються з проблемою накопичення знань. Постійна потреба в додаванні та оновленні правил ускладнює їхнє обслуговування та робить його дорогим. Вони також виявляють недоліки мислячих машин у порівнянні з людським інтелектом. Вони дуже "крихкі", і під час обробки незвичних вхідних даних можуть допускати абсурдні помилки, не можуть переносити свої знання в нові сфери і мають брак розуміння навколишнього світу. На найосновнішому рівні вони не можуть навчатися з прикладів, досвіду чи середовища так, як це роблять люди.

Урок чотири: Початковий успіх, тобто широке прийняття підприємствами та державними установами, а також великі державні та приватні інвестиції, навіть через десять чи п’ятнадцять років, не завжди може сприяти виникненню стійкої «нової індустрії». Пухир може часто луснути.

У процесі підйомів і падінь, спекуляцій і розчарувань дві абсолютно різні методи розробки ШІ змагалися за увагу академічного світу, державних і приватних інвесторів, а також медіа. Протягом більше сорока років домінували методи символічного ШІ на основі правил. Але методи, засновані на прикладах і статистичному аналізі, що представляють собою іншу основну методику ШІ, також короткочасно користувалися популярністю в кінці 50-х і в кінці 80-х років.

Перед відродженням коннекціонізму в 2012 році дослідження та розробка ШІ переважно здійснювались академічними колами. Академічна сфера характеризується пануванням догм (так званої "нормативної науки"), між символічним ШІ та коннекціонізмом завжди існувала вибірка або-або. У 2019 році Джеффрі Хінтон під час виступу на отриманні премії Тюрінга більшу частину часу розповідав про труднощі, які він та кілька прихильників глибокого навчання зазнали в руках основних дослідників ШІ та машинного навчання. Хінтон також спеціально зневажав підкріплене навчання та роботу своїх колег у DeepMind.

Лише через кілька років, у 2023 році, DeepMind взяв на себе бізнес AI Google (Хінтон також пішов звідти), це стало переважно відповіддю на успіх OpenAI, яка також зробила підкріплювальне навчання складовою частиною свого розвитку AI. Двоє піонерів підкріплювального навчання Ендрю Барто (Andrew Barto) і Річард Саттон (Richard Sutton) отримали премію Тюрінга в 2025 році.

Проте наразі немає жодних ознак того, що ані DeepMind, ані OpenAI, ані численні «єдинороги», що прагнуть створити загальний ШІ (AGI), звертають свою увагу на щось інше, окрім нинішньої панівної парадигми великих мовних моделей. З 2012 року розвиток ШІ змістився з академічної сфери в приватний сектор; проте вся галузь все ще залишається привабленою до єдиного напряму досліджень.

Урок п'ять: не кладіть всі «яйця» ШІ в один «кошик».

Без сумніву, Юань Женьсюн є видатним генеральним директором, а NVIDIA також є видатною компанією. Більше десяти років тому, коли можливості штучного інтелекту раптово з'явилися, NVIDIA швидко скористалася цією можливістю, оскільки її чіпи (спочатку розроблені для ефективного рендерингу відеоігор) мають паралельну обробку, що дуже підходить для обчислень глибокого навчання. Юань Женьсюн завжди залишався на чеку, він сказав співробітникам: "Наша компанія на відстані 30 днів від банкрутства."

Окрім того, що потрібно залишатися на чеку (пам'ятаєте Intel?), уроки, отримані з 80-річного розвитку ШІ, можуть також допомогти NVIDIA спокійно пройти через коливання наступних 30 днів або 30 років.

Додаткова інформація: огляд 10 компаній та моделей штучного інтелекту, які визначають сучасну революцію в AI