Оглавление

По сообщению Forbes, миллиарды долларов инвестиций в генеративный ИИ постепенно перераспределятся в альтернативные направления развития искусственного интеллекта. Ожидания скорого появления искусственного общего интеллекта (AGI) на основе больших языковых моделей разбиваются о технологические ограничения.

Кризис ожиданий

После запуска ChatGPT многие уверовали, что генеративный ИИ и LLM — это прямой путь к AGI. Сэм Олтман из OpenAI ранее заявлял, что AGI будет достигнут к 2025 году, но релиз GPT-5 нанес серьезный удар по этим ожиданиям. Нынешние модели оказались не просто далеки от AGI — они находятся в совершенно другой технологической лиге.

Эксперты начинают пересматривать свои прогнозы. Лагерь «скоро будет» постепенно смещается к лагерю «через десятилетие». Текущие архитектурные принципы генеративного ИИ вряд ли позволят выйти за пределы определенного технологического потолка.

Проблема не в том, что LLM бесполезны — они весьма практичны и демонстрируют впечатляющую беглость естественного языка. Но пытаться достичь AGI через масштабирование текущих архитектур — все равно что пытаться долететь до Луны, постоянно улучшая автомобильный двигатель. Нужна принципиально иная тяга.

Шесть альтернативных путей

Согласно отчету «Envisioning Possible Futures For AI Research», подготовленному группой исследователей включая Дэвида Дженсена и Дэвида Данкса, выделяются шесть перспективных направлений развития ИИ:

  • Нейро-символьное интегрирование — объединение нейросетей с символическими системами
  • ИИ с рассуждениями — модели, способные к логическому выводу и планированию
  • Агентные архитектуры — системы из множества взаимодействующих ИИ-агентов
  • Контекстуальное понимание — модели, учитывающие реальный контекст и окружение
  • Эмерджентное поведение — сложные системы, порождающие интеллект из простых компонентов
  • Когнитивные архитектуры — модели, имитирующие человеческие когнитивные процессы

Смена парадигм

История ИИ знает несколько сменяющих друг друга парадигм: символическая обработка, экспертные системы, статистическое машинное обучение. Каждая из них считалась прорывной, каждая порождала трансформационные приложения, но в конечном счете уступала место новой парадигме.

Авторы отчета отмечают, что исследователям сложно увидеть дальше текущей научной парадигмы. Когда ты погружен в определенную концептуальную рамку, становится трудно представить альтернативные пути развития.

Выход за рамки

Современный ИИ подошел к точке, где простое масштабирование существующих подходов перестает давать качественный прорыв. Добавление процессоров, увеличение памяти и вычислительной мощности не решает фундаментальных проблем с пониманием, рассуждением и адаптацией.

Интересно наблюдать, как индустрия постепенно осознает, что AGI — это не просто очень большая языковая модель. Это как если бы мы десятилетиями улучшали паровые двигатели, надеясь достичь скорости реактивного самолета. Пора искать принципиально иные физические принципы.

Шесть обозначенных путей представляют собой не просто академические исследования — это потенциальные направления, куда могут уйти миллиарды долларов инвестиций, сегодня направляемые исключительно в развитие LLM.

Источник новости: Forbes