Оглядываясь на 80-летнюю историю развития ИИ, эти 5 исторических уроков стоит извлечь.

Автор: Гил Пресс

Компиляция: Felix, PANews

9 июля 2025 года NVIDIA стала первой публичной компанией с рыночной капитализацией в 4 триллиона долларов. Что ждет NVIDIA и нестабильную область ИИ в будущем?

Хотя прогнозирование очень сложно, существует множество данных, которые можно использовать. По крайней мере, это может помочь понять, почему предыдущие прогнозы не сбылись, а также в каких аспектах, каким образом и по каким причинам это не произошло. Вот что такое история.

Какой опыт можно извлечь из 80-летней истории развития искусственного интеллекта (AI)? В этот период финансирование колебалось, методы исследований и разработок были разнообразными, общественность то проявляла любопытство, то испытывала тревогу, то была полна восторга.

История ИИ начинается в декабре 1943 года, когда невролог Уоррен S. Маккаллок и логик Уолтер Питтс опубликовали статью о математической логике. В статье «Логический расчет врожденных идей в нейронной активности» они предположили идеализированную и упрощенную нейронную сеть и то, как она может выполнять простые логические операции, передавая или не передавая импульсы.

В то время как Ральф Лилли (Ralph Lillie), который создавал область организационной химии, описывал работу Макаралока и Питца как наделение «логических и математических моделей „реальностью“» в условиях отсутствия «экспериментальных фактов». Позже, когда гипотеза этой статьи не прошла эмпирическую проверку, Джером Леттвин (Jerome Lettvin) из Массачусетского технологического института отметил, что, хотя неврология и нейробиология игнорировали эту статью, она вдохновила «группу тех, кто был обречен стать энтузиастами новой области (ныне известной как ИИ)».

На самом деле, статья Маккалока и Питтса вдохновила «коннекционизм», то есть конкретный вариант современного доминирующего ИИ, который в настоящее время называется «глубоким обучением», и недавно был переименован в «ИИ». Хотя этот подход не имеет ничего общего с тем, как на самом деле функционирует мозг, статистические методы анализа, поддерживающие этот вариант ИИ — «искусственные нейронные сети», обычно описываются практиками и комментаторами ИИ как «имитирующие мозг». Авторитетные лица, ведущие специалисты в области ИИ, такие как Демис Хасабис, заявили в 2017 году, что вымышленное описание работы мозга Маккалока и Питтса, а также подобные исследования «по-прежнему закладывают основу для современного исследования глубокого обучения».

Урок первый: Будьте осторожны, смешивая инженерное дело с наукой, науку с предположениями и науку с научными статьями, полными математических символов и формул. Самое важное - сопротивляться искушению иллюзии "мы как боги", то есть считать, что человек не отличается от машины и что человек способен создать машину, подобную человеку.**

Этот упорный и широко распространенный высокомерие на протяжении 80 лет было катализатором как технологических пузырей, так и периодических волнений вокруг ИИ.

Это невольно напоминает о универсальном ИИ (AGI), то есть о идее машин, которые вскоре будут обладать человеческим интеллектом или даже суперинтеллектом.

В 1957 году пионер ИИ Герберт Саймон заявил: «Сегодня в мире уже есть машины, которые могут думать, учиться и создавать». Он также предсказал, что в течение десяти лет компьютеры станут чемпионами по шахматам. В 1970 году еще один пионер ИИ Марвин Минский с уверенностью заявил: «В течение трех- восьми лет мы получим машину с интеллектом обычного человека… как только компьютеры возьмут под контроль ситуацию, мы, возможно, никогда не сможем ее вернуть. Мы будем зависеть от их милостей, чтобы существовать. Если повезет, они могут решить держать нас как домашних животных.»

Ожидание появления общего ИИ имеет огромное значение и даже влияет на государственные расходы и политику. В 1981 году Япония выделила 850 миллионов долларов на проект пятого поколения компьютеров с целью разработки машин, способных мыслить как человек. В ответ на это, после долгой "зимы ИИ", в 1983 году Агентство перспективных исследований Министерства обороны США запланировало возобновление финансирования исследований в области ИИ для разработки машин, которые могут "видеть, слышать, говорить и мыслить как человек".

Открытые правительства по всему миру потратили около десяти лет и десятки миллиардов долларов, чтобы не только осознать возможности общего ИИ (AGI), но и признать ограничения традиционного ИИ. Однако к 2012 году соединительный подход наконец-то одержал победу над другими направлениями ИИ, и новый раунд предсказаний о приближающемся общем ИИ охватил весь мир. OpenAI в 2023 году заявила, что суперумный ИИ — "самое влиятельное изобретение в истории человечества" — может появиться в течение этого десятилетия и "может привести к потере власти человечества, а даже к его уничтожению".

Урок №2: Будьте осторожны с новыми, блестящими вещами, внимательно, осмотрительно и разумно их изучайте. Они могут не сильно отличаться от предыдущих предположений о том, когда машины смогут обладать интеллектом, похожим на человеческий.

Один из «отцов» глубокого обучения Ян ЛеКун заявил: «Чтобы машины могли учиться так же эффективно, как люди и животные, нам не хватает некоторых ключевых вещей, просто сейчас мы не знаем, что это».

На протяжении многих лет универсальный ИИ (AGI) считался «неизбежным», что связано с «первоначальной ошибкой». Пионер машинного перевода Йехошуа Бар-Хиллель был одним из первых, кто говорил о ограничениях машинного интеллекта. Он отметил, что многие люди считают, что если кто-то демонстрирует, что компьютер может выполнить задачу, которую до недавнего времени считали неподъемной, даже если он делает это плохо, достаточно дальнейших технических разработок, чтобы он мог идеально выполнить эту задачу. Люди в целом верят, что стоит лишь набраться терпения, и в конечном итоге это станет возможным. Но Бар-Хиллель еще в середине 50-х годов прошлого века предупреждал, что это не так, и реальность не раз это подтверждала.

Урок три: расстояние от того, чтобы не уметь что-то делать, до того, чтобы делать это плохо, обычно гораздо короче, чем расстояние от того, чтобы делать что-то плохо, до того, чтобы делать это очень хорошо.

В 50-х и 60-х годах XX века, из-за повышения скорости обработки полупроводников, управляющих компьютерами, многие оказались в ловушке "первой ступени". Поскольку аппаратное обеспечение каждый год развивалось по надежной восходящей траектории "закона Мура", люди в целом считали, что машинный интеллект также будет развиваться синхронно с аппаратным обеспечением.

Однако, помимо постоянного повышения производительности аппаратного обеспечения, развитие ИИ вошло в новую стадию, введя два новых элемента: программное обеспечение и сбор данных. С середины 1960-х годов экспертные системы (примечание: интеллектуальная компьютерная программа) сосредоточили новое внимание на получении и программировании знаний о реальном мире, особенно знаний экспертов в определенных областях и их эвристических методов. Экспертные системы становились все более популярными, и к 1980-м годам, по оценкам, две трети компаний из списка Fortune 500 применяли эту технологию в своей повседневной деятельности.

Однако к началу 90-х годов XX века этот бум ИИ полностью иссяк. Множество стартапов в области ИИ обанкротились, а крупные компании начали замораживать или отменять свои проекты в области ИИ. Еще в 1983 году пионер экспертных систем Эд Фейгнбаум указал на «ключевую узкую точку», приведшую к их исчезновению: процесс извлечения знаний, «это очень трудоемкий, времязатратный и дорогостоящий процесс.»

Экспертные системы также сталкиваются с проблемой накопления знаний. Постоянная необходимость добавления и обновления правил делает их трудными для поддержки и дорогостоящими. Они также выявляют недостатки мыслительных машин по сравнению с человеческим интеллектом. Они «хрупкие», и в ответ на необычные входные данные совершают абсурдные ошибки, не могут перенести свои знания в новые области и не понимают окружающий мир. На самом базовом уровне они не могут учиться на примерах, опыте и окружении так, как это делает человек.

Урок четыре: Первоначальный успех, а именно широкое принятие со стороны бизнеса и государственных учреждений, а также значительные государственные и частные инвестиции, даже через десять или пятнадцать лет, не обязательно приведут к возникновению устойчивой "новой отрасли". Пузырь часто может лопнуть.

На протяжении взлетов и падений, ажиотажа и разочарований две совершенно разные методологии разработки ИИ боролись за внимание академического мира, государственных и частных инвесторов, а также средств массовой информации. На протяжении более сорока лет доминировали основанные на правилах символические методы ИИ. Однако методология, основанная на примерах и статистическом анализе, известная как коннекционизм, также пользовалась кратковременной популярностью в конце 1950-х и в конце 1980-х годов, будучи одной из основных методов ИИ.

До возрождения коннекционизма в 2012 году исследования и разработки в области ИИ в основном проводились академическим сообществом. Особенностью академического сообщества является преобладание догматизма (так называемая "нормальная наука"), между символистским ИИ и коннекционизмом всегда существовал выбор между этим и тем. В 2019 году Джеффри Хинтон (Geoffrey Hinton) в своей речи по вручению премии Тьюринга большую часть времени говорил о трудностях, которые он и несколько энтузиастов глубокого обучения пережили в руках мейнстримных ученых в области ИИ и машинного обучения. Хинтон также специально принизил значение обучения с подкреплением и работы своих коллег в DeepMind.

Всего через несколько лет, в 2023 году, DeepMind взял на себя бизнес AI Google (Хинтон тоже ушел оттуда), что было в основном ответом на успех OpenAI, который также сделал усиленное обучение частью своего AI-развития. Два пионера усиленного обучения, Эндрю Барто (Andrew Barto) и Ричард Саттон (Richard Sutton), получили премию Тьюринга в 2025 году.

Однако в настоящее время нет признаков того, что ни DeepMind, ни OpenAI, ни множество «единорогов», занимающихся созданием общего ИИ (AGI), сосредоточены на чем-то, выходящем за рамки парадигмы больших языковых моделей, которая в настоящее время царит. С 2012 года развитие ИИ сместилось с академической сферы в частный сектор; тем не менее, вся область по-прежнему привержена единственному направлению исследований.

Урок пять: не кладите все "яйца" ИИ в одну "корзину".

Безусловно, Дженсен Хуанг - выдающийся генеральный директор, а NVIDIA - выдающаяся компания. Более десяти лет назад, когда возможности ИИ неожиданно появились, NVIDIA быстро воспользовалась этой возможностью, так как параллельная обработка ее чипов (изначально разработанных для эффективного рендеринга видеоигр) идеально подходит для вычислений глубокого обучения. Дженсен Хуанг всегда был настороже, он сказал сотрудникам: "Нашей компании осталось всего 30 дней до банкротства."

Помимо того, чтобы оставаться на чеку (по сравнению с Intel, не правда ли?), уроки, которые 80-летняя история развития ИИ может предложить, возможно, также помогут NVIDIA благополучно пережить предстоящие 30 дней или 30 лет колебаний.

Сопутствующие материалы: Обзор 10 компаний и моделей ИИ, определяющих текущую революцию в ИИ