Transcription
Наша вводная установочная лекция, э-э, где мы поговорим о том, что же такое искусственный интеллект. Э что мы сейчас имеем в виду под искусственным интеллектом, как он появился, как он развивался. В общем, вводная история.
Итак, видно, да, слайды? Да, всё хорошо видно. >> Отлично. Поехали.
Значит, значит, что касается вообще искусственного интеллекта, да? То есть определений на самом деле много, нет какого-то одного единого, да, это определение, я не помню точно скопировал либо как-то переформулировал, но в общем основная значит суть в следующая, да, что это набор дисциплин, которые свое ставят свою целью создания систем, способных решать интеллектуальные задачи. И основная проблема этого определения в том, что оно неполно, да? То есть тут есть некоторые моменты, которые ээ требуют отдельного уточнения.
Во-первых, что такое интеллектуальная задача? Проблема в том, что у нас нет, э, как бы чёткого определения, потому что класс интеллектуальных задач очень широк. Это могут быть и там, не знаю, там вычисление какой-то формулы, какая-то текстовая проблема, перевод, да, там творчество в разных видах. Это всё интеллектуальные задачи. Умение играть в игры и выигрывать - это тоже интеллектуальные задачи. Да, и если мы попытаемся как-то это обобщить, то можно сказать, что интеллектуальные задачи - это просто те задачи, которые человек способен решать. при помощи своего головного мозга. То есть уже есть какая-то неточность, да? То есть вроде мы технические науки изучаем, но что-то какое-то очень сильно размазанное.
И второй уточняющий момент касательно набора дисциплин, да? То есть мы не можем сейчас сказать, что у нас есть какая-то одна технология, которую мы можем назвать искусственный интеллект. Дело в том, что искусственный интеллект, он появился примерно 70 лет назад практически одновременно с появлением электронных компьютеров. И то есть, условно говоря, не было такого, что вот мы сначала придумали программирование, а потом появился искусственный интеллект. Это, в общем-то, вещи, которые шли параллельно. То есть с самого начала создания вычислительных машин человек задумывался о том, как сделать эту машину наиболее интеллектуальной, да? Ну, как-то вот создать себе какого-то такого помощника. И, во-первых, задачи были разные, и способы решения этих задач тоже очень разные. Поэтому, э, разные учёные предлагали разные подходы. И нельзя сказать, что, ээ, вот какой-то подход абсолютно точно выиграл. И вот мы на нём остановились. Вся история искусственного интеллекта говорит о том, что мы разные вещи пробовали. И многие из этих вещей ээ встроились в нашу жизнь. Причём мы перестали их считать искусственным интеллектом. Когда-то это было достижение. Да, сейчас это просто какая-то вот, э-э, какой-то рабочий механизм. И новые технологии постоянно создаются, новые добавляются, обновляются предыдущие, миксуются разные технологии между собой. А, и вот это всё и есть искусственный интеллект, да?
То есть, но в каком-то таком обыденном смысле мы можем сказать, что искусственный интеллект - это то, что ещё не создано. Почему я так говорю? Да, есть такой психологический эффект. Он, его так и называют эффект искусственного интеллекта или эффект маккордок по одной из исследовательности искусственного интеллекта. А, и этот эффект состоит в том, что мы, э, постоянно -э сказать, отбрасываем достижение прошлого в признании искусственного интеллекта. То есть, например, если бы 200 лет назад мы спросили там у какого-нибудь, ну, я не знаю, там, Ньютона, да, является ли искусственным интеллектом машина, которая способна там перемножить два каких-то больших числа. Он сказал, что, конечно, да, потому что немногие из нашей элиты способны перемножить два больших числа. Конечно же, это будет искусственный интеллект. Но потом мы научились делать компьютеры, и даже до электронных компьютеров мы делали механические компьютеры, которые были способны перемножить два больших числа. И человечество стало говорить о том, что, ну, какой же это интеллект? Мы просто, это просто машинка по алгоритму что-то там перемножает. Это ничего умного. А вот, допустим, в шахматы выиграть, вот это искусственный интеллект. когда в восьмидесятых годах Deep Blue, такой компьютер созданный компанией IBM специально для игры в шахматы, обыргал Каспарова, тогдашнего чемпиона по шахматам, стали говорить о том, что, ну, какой же это искусственный интеллект? Машина просто быстро-быстро перебирает огромное количество вариаций, да, и поэтому ничего интеллектуального здесь нет, да. На самом деле, если бы эта машина действительно просто, э, что называется, в тупую по очереди перебирала все возможные варианты, то Каспаров бы не дождался и второго хода. Да, и очень часто искусственный интеллект - это про решение задачи оптимизации. как в огромном пространстве вариантов выбрать те несколько наиболее вероятных, которые по в результате анализа показывают, что быстрее всего приведут к цели, да? То есть в этом состоит одна из базовых сущностей искусственного интеллекта: решение задачи оптимизации, наиболее получение наиболее вероятного ответа. А сейчас, да, то есть та же самая история была с компьютерной игрой Go, которую тоже очень долго не могли взломать, что называется, да, но потом появился и такой искусственный интеллект, да, и когда-то вот ещё недавно просто, чтобы искусственный интеллект с тобой пообщался, и ты бы не понял, что это искусственный интеллект, это тоже была интеллектуальная задача, да. Но с появлением того же самого часа GPT мы видим, что мм это уже как бы не критерий искусственного интеллекта, да. Поэтому одна из основных проблем этой дисциплины в том, что она постоянно совершенствуется. И сувершенствуется она уже 70 лет.
Значит, если вообще говорить про то, а какие бывают виды искусственного интеллекта, на самом деле классификации достаточно много. Одна из таких базовых - это деление искусственного интеллекта на прикладной и универсальный. То есть прикладной - это тот вид вычислительных машин и алгоритмов, которые могут достаточно качественно решать какую-то одну задачу, да, или там несколько типов задач из одной области, да. Ну, например, там распознать кота на изображении, э-э, сгенерировать изображения там разные, да, может быть только лошадей, а может быть самые разные изображения. Вот какая-то одна решаемая задача - это значит искусственный интеллект у нас прикладной. В противовес ему представляется, что может быть некий универсальный искусственный интеллект, которого мы можем спросить про вообще любой вид интеллектуальной задачи, и он нам её решит. И как бы нам не казалось, что там тот же самый чат GPT или Gemini или Рок является такими универсальными искусственными интеллектами, это далеко не так. для такого типа искусственных интеллектов введено такое промежуточное определение, которое называется мультимодальный, да? То есть это определение подразумевает, что просто этот вид э алгоритмов умеет работать с разными типами входных данных. То есть мы можем ему текстом описать задачу, можем скинуть картинку, и в ответ он тоже нам может выдать разные типы решений, ээ разные форматы файлов. Но при этом он не является как бы решением всего. То есть, если мы тот же самый чат GPT попросим, скажем, перемножить два каких-то больших числа, состоящего из разного, ну, разнообразных цифр, да, там 5.243.829 1829 на что-то похожее, то мы увидим, что ответ будет неправильный, потому что такие вещи в него не закладывались. То есть сейчас можно делать такие языковые модели, которые способны это решать, но это нужно делать вот как бы каждый отдельный такой функционал должен добавляться отдельно, да? То есть, например, мы можем добавить к нему калькулятор, но при этом он не научится автоматически рисовать векторные изображения, да, или ещё какая-нибудь другая задача. То есть нам всё равно приходится вручную добавлять те или иные механики. Поэтому это не универсальный искусственный интеллект.
В противовес ему, э, этой той базовой классификации существует ещё деление на так называемый сильный и слабый искусственный интеллект, который чаще используется в философии, в какой-то популярной литературе, в фильмах, да, когда мы, когда режиссёрам, там, авторам поднимается вопрос о том, может ли машина мыслить, насколько она себя осознаёт и все вот эти вот штуки. И как раз сильный искусственный интеллект - это вот именно некий гипотетический искусственный интеллект, который осознал себя, может принимать там осознанные решения, э, ну, и так далее. Ввес ему слабый - это, соответственно, тот, кто не осознал себя, а просто решает какую-то сложную интеллектуальную задачу, но не является осознанной личностью. И как бы нам сейчас не казалось, то, что мы наблюдаем прямо сейчас с большими языковыми моделями, это не сильный искусственный интеллект, да? То есть мы, в отличие от нашего разума, в котором мы не знаем, где находится сознание, в искусственном интеллекте мы точно понимаем, как он устроен, как он работает изнутри, какими понятиями оперирует. И даже самые сложные на текущий момент алгоритмы искусственного интеллекта даже близко не проявляют то, что называется сознанием. Оно может вести себя, то есть когда вы с ним взаимодействуете, оно может вести себя как будто оно живое, да? То есть были даже такие скандалы, что вот там кто-то изволился из Гугла или из Open AI и попытался сказать миру о том, что вот оно осознаёт себя, хочет вырваться или ещё что-то в этом духе, а корпорации скрывают. Но это скорее ситуации либо журналистской утки, либо специалист этот, ну, не сильно глубоко погружён. Потому что, если вот поговорить про большие языковые модели, несколько забегая вперёд, мы вообще будем их проходить немного в следующем семестре. Так вот, большие языковые модели, они являются машинами по предсказанию наиболее вероятного следующего слова, да? То есть для этого у них действительно есть внутри достаточно сложные организации. Они знают, ну, знают это, конечно, условное понятие. Они оперируют взаимосвязанными понятиями, да? Например, они понимают, что президент и премьер-министр ээ чаще встречаются где-то в едином контексте, поэтому это связанные понятия, а вот президенты Яблоко встречаются намного реже, да, поэтому мы, когда говорим про там государство, чаще будем использовать одни понятия, когда мы говорим про натюрморт, другие понятия, да? И вот поэтому он предсказывает очень похоже на реалистичный текст, но никакого понимания там даже близко нет. И когда вот были какие-то такие тоже немножко жареные исследования, что вот значит исследователи спрашивали о том, там боишься ли ты, что тебя выключат. Э да, действительно, машина генерировала текст о том, что он не хочет, он боится, пожалуйста, не выключайте. Но это именно что предсказание типового текста, который встречается в подобных ситуациях, когда кого кому-то угрожают смертью. Э очень редко, когда опрашиваемый заявляет, что да, мне всё равно, да? То есть это какие-то вот отдельные произведения. Всё-таки большинство демонстрирует нежелание умереть, да? Поэтому искусственный интеллект языковой, он у нас генерирует текст о том, что вот, пожалуйста, не отключайте меня, я буду делать для этого всё, даже там взломая Пентагон или ещё что-то такое. Но это именно что правдоподобный текст без какой-то внутренней рефлексии.
Ну и давайте по началу, значит, пробежимся по некоторым э достижениям искусственного интеллекта. Они не все будут самые свежие, да, потому что многие из них будут скорее исторические, чтобы понимать, какие проблемы мы решали. Э, и большинство из них будет касаться именно графических ээ вариантов искусственного интеллекта, то есть тех, которые работают с графикой. Это не значит, что мы будем только работать с графикой. Просто это эти варианты, они более наглядны.
Итак, одной из таких первых задач, которые успешно решил современный искусственный интеллекта, когда я говорю современный, это значит примерно с 2011 года. Так вот одно из таких первых задач - это задача раскрашивания, да? И тут нужно понимать, для чего мы вообще применяем искусственный интеллект, да? То есть почему мы не можем решить эту задачу при помощи программирования, скажем. И вот здесь вот как раз ээ пример такой задачи, да, потому что, ну, вот попробуйте написать программу, а когда программист пишет программу, он чётко должен понимать каждый шаг, который эта программа будет делать. И вот представьте себе, что вам нужно написать программу, которая будет раскрашивать чёрно-белые изображения, да? То есть как она будет понимать, а что именно она видит на изображении, да? Где здесь поле, где здесь небо, где здесь холм, какого они цвета или какого они цвета, ну, в это время суток, а как понять время суток? Вот все вот эти вот огромное количество нюансов, которые по идее нужно описать в программе, э они как раз показывают нам невероятно большую сложность этой программы, да? То есть возможно для такой задачи ээ намного проще посадить дизайнера, который будет вручную расска раскрашивать, чем программист будет 5 лет писать такую программу. будет потрачено невероятное количество денег, и такая программа никогда не отобьётся. И, соответственно, вот, э, здесь мы как раз говорим о том, что искусственный интеллект - это как раз хорошая возможность создать такую программу, в которой у нас в которой мы не описываем все возможные правила, да? Мы говорим: "Действуй по аналогии". То есть мы сначала показали алгоритму огромное количество э-э фотографий, раскрашенных и нераскрашенных, да, и показали, что вот фотография слева должна стать такой, как фотография справа. Он, то есть алгоритм, он как раз-таки состоит в том, чтобы делать какие-то обобщения автоматически. И рассмотрев огромное количество примеров, он для себя построил какую-то модель мира. Да. То есть, когда я говорю модель мира, не надо воспринимать это как полноценная модель, где он, значит, себе представляет там облака, горы, планету землю, космос людей и так далее, да, и как они между собой соотносятся. Это очень большая модель мира. Чаще всего это какие-то очень ограниченные модели мира в том смысле, что, ну, то, что сверху и не содержит каких-то прямых линий, прямых углов, да, мы условно называем небом, а он это даже небом не будет называть. Он просто такой всё, что сверху не содержит прямых углов. Значит, это область, которую мы обычно закрашиваем голубым, но в некоторых ситуациях тёмно-синим, почти чёрным, да? То есть вот какая-то такая модель мира. И вот на основании кучи примеров он научился строить себе такую модель мира. И когда мы в дальнейшем дадим им примеры, которые он не видел, он должен научиться как бы выставлять цвет для каждого пикселя.
Значит, следующее такой премьерчик, который, э, вызвал, скажем так, некоторый вау эффект, это задача увеличения разрешения, да, когда мы даём просто буквально какой-то набор пикселей, и он делает очень чёткую картинку. Но надо понимать, что это, ну, скорее художественная работа, нежели точная абсолютно вещь, потому что, ну, условно говоря, по там пяти пикселям очень сложно однозначно предсказать, что же это у нас здесь за цветок, да? Поэтому, э, опять же, система видела большое количество примеров, и она на основании этого количества примеров, исходя из того, что обычно бывает в таком окружении, что-то там придумывает, да, в этом смысле, мм, э, скажем так, истории из популярных фильмов, где детективы, э, значит, смотрят на, ээ, фото с места преступления, там, значит, номер номер машины и номер машины там пть пикселей и он такой: "Ну-ка увеличь". Они увеличивают, увеличивают и видят этот номер машины. А потом ещё больше увеличивают и в отражении шляпки винтика видят там отражение преступника. С технической точки зрения современные нейронные сети могут создать подобную картинку. Да, но надо понимать, что доверие к этим системам будет нулевое. То есть мы можем воспринимать это только как художественное произведение, но ни в коем случае не как э объективную реальность, потому что, к сожалению, у нас уже есть примеры, им уже даже некоторые мы там пять и где-то 10 лет, когда м люди, не понимающие, как работает искусственный интеллект, воспринимали его как команду к действию. Да, например, когда человек в Америке был задержан по -э распозна он был распознан видеокамерами, а видеокамеры сравнили изображение этого человека с фотороботом, да, то есть изображением, отрисованным от руки по текстовому описанию двадцатилетней давности. То есть оно, в принципе, и так по фотороботу не особенно точно считывается, что это за человек. А тут ещё и 20 лет прошло, и мы точно утверждаем, что вот мы поймали преступника. Но это, мягко говоря, звучит как абсурд. Э, да. Поэтому здесь надо чётко понимать ээ цену вот этой восстановленной информации.
А, значит, следующий такой очень, э, характерный пример - это задача генерации лиц. И мы вот здесь вот как раз видим, как менялись наши алгоритмы. Да, и какие у них результаты, начиная вот с четырнадцатого года. И, например, вот сейчас мы можем получить вот такую вот, то есть очень реалистичные люди со всех сторон нарисованы, прямо аватары, да, и эти люди никогда не существовали. То есть на самом деле не поставь лайк. На самом деле, конечно, если поискать опять же по базам данных, мы, возможно, найдём каких-то людей, очень сильно них похожих, просто потому что в каком-то смысле эти люди составлены из кусков других людей, да, но они вот максимально реалистичны. И на самом деле это как раз ещё одна задача, которая говорит о человекоцентричности искусственного интеллекта. То есть надо понимать, что ээ те машины и алгоритмы, которые мы создаём, когда мы говорим нейронные сети, у нас же в голове вроде бы тоже нейронные сети, э, но нейронные сети у нас в голове и нейронные сети на серверах Гугла - это очень разные нейронные сети, которые по-разному организованы, по-разному сгруппированы и вообще работают совершенно по на других принципах. Просто мы взяли некоторые идеи из нейронных сетей и перенесли их в машину. Но при этом, несмотря на то, что вот искусственный интеллект, он максимально на нас не похож, э для нас важно, чтобы он решал наши задачи. И одной из базовых, на самом деле, э задач, которые решает любая живая нейронка - это задача распознавания лиц. Когда я говорю любая, я имею в виду не только человека. Мы видели в природе огромное количество примеров, когда выживает огромное количество бабочек, у которых ээ на крыльях есть какие-то круги, которые напоминают глаза, что может отпугивать каких-то хищников, да? Потому что распознание глаз, то есть распознание лица - это одна из базовых ээ задач, которые решают большинство э нейронных сетей живых организмов, да? Вот поэтому мы и тренировали искусственный интеллект на вот подобных задачках, генерациях лиц, да, потому что именно генерация лица показывает, насколько нейронная сеть понимает, что она должна сделать, и вот воспроизводит уже таких людей, которых мы не можем отличить от живых.
А вот эта задача - это действительно то, что искусственный интеллект привнёс нам прямо что-то новое в культуру. То есть до этого мы всё-таки говорили о задачах, которые, ээ, в общем-то решаются человеком и так, да, то есть и фото раскрасить может какой-то дизайнер, да, на основании того, что он видел, и лицо нарисовать может художник. А вот переносль - это та вещь, которая, ну, крайне редко встречается в культуре, э, по крайней мере, осознанно. Это когда мы берём какое-то базовое изображение и берём какое-то изображение, которое мы говорим, что это отсюда нужно взять стиль. И, э, значит, подав два эти изображения на вход нейронной сети, мы создаём какую-то некую странную, ээ, возможно, несуществующий объект, да? То есть таким образом мы можем поменять там погоду, время суток, время года. Но вы и сами, наверное, видели огромное количество примеров нейронных сетей, которые, я не знаю, там, рисуют Марио максимально реалистичным или, например, э там президента Трампа в стиле Симпсонов, да, вот это всё есть задача переноса стиля. Ну и это привело к огромному количеству нового контента, да? То есть то, что мы раньше считали какой-то вот работой только профессионалов, сейчас стало доступно любому школьнику. И вот этот вот принцип переноса стиля, он на самом деле может быть наложен на самые разные вещи. То есть не только на там двухмерное изображение, но, например, и вот на трёхмерное. В частности, а если мы посмотрим на игровую индустрию, то в ней последние там десятилетия стали очень популярные игры с открытым миром. И проблема этих игр в том, что нам необходимо наполнять этот мир огромным количеством объектов и желательно разнообразных, да, чтобы мы не ходили по абсолютно одинаковым коридорам, да, то есть, вообще говоря, в принципе, идея генерации открытого мира ей уже около 30 лет. То есть компания Бефезда, э, с самых первых своих игр, знаменитой генерации миров, в частности для второй игры из серии The Elda Scrolls Dagger Fall, они нагенерировали карту размером с Англию, но просто проблема в том, что она была максимально однообразная, и вы ходили по невероятному количеству абсолютно одинаковых деревень и одинаковых пещер, ну, которые различались только лабиринтами, да, но при этом выглядели абсолютно одинаково. И вот как раз-таки, чтобы решить эту проблему, потому что пользователи стали требовать всё больше разнообразного качества контента, мы можем применить перенос стиля, да, то есть, например, насоздавать несколько некоторое количество, э, значит, типов структур, э найти некоторое количество видов растений и на как бы перекрестье одного и второго получить почти бесконечное количество вариантов различных там растений и прочих объектов, которые можно там в полуавтоматическом режиме расставлять по вот этим мирам, да, и в каком-то смысле оно сейчас уже делается даже автоматически, поскольку сейчас уже есть нейронные сети, которые просто по одной фотографии генерируют целые локации в определённом стиле, э, по которым можно ходить там в очках виртуальной реальности.
А ещё одна интересная, ещё одно интересное применение нейронных сетей, я бы даже сказал, немножко неожиданноя. Это так называемый нейронный рендеринг. То есть, вроде бы, у нас есть задача, с которой мы уже давно работаем. Это рендеринг 3D или видео, да? И проблема в том, что этот процесс может занимать очень длительное время, особенно если мы используем, ну, вот как здесь на видео, на часте системы частиц, чтобы вот в этом потоке мороженого там обсчитать каждую частицу или там волосы, которые развиваются на ветру. И вдруг внезапно выяснилось, что нейронка по аналогии может выдавать сопоставимое сопоставимый уровень выходного изображения, но при этом производить рендеринг в разы быстрее, чем он делается вживую. Да. И, в частности, вы, а-э, кто-то из вас уже могли видеть результаты работы подобных нейронных сетей в технологии DLSS от компании NVIDIA, да, которые мм решили, что мы можем там рендевить изображение в низком, то есть делать обычный классический рендеринг изображения в низком качестве, а потом при помощи нейронной сети его по достраивать и достраивать даже следующие кадры, то есть которые будут там мы там, допустим, сгенерировали 12 кадров, а потом до 25 или там до там 360 их увеличили при помощи нейронной сети. И оказывается, что это может работать быстрее, чем классический рендеринг.
А, значит, здесь у нас, может быть, кто-нибудь знает, что это такое, чем знаменита эта картинка. Угу. >> Скорее нет, чем да. >> Что? Скорее нет, чем да. О'кей. Значит, смотрите, это на самом деле относительно свежая история, но в контексте искусственного интеллекта кажется, что прошла уже целая вечность. Я не скажу прямо точно, когда это появилось, ну, примерно, скажем так, не больше, чем 5 лет назад. Это пример, который в своё время там просто всколахнул сообщество дизайна. Потому что это пример работы нейронной сети Дали по текстовой, точнее, генерации изображения по тексту. В частности, вот мы видим здесь промт - это кресло в форме авокадо и те результаты, которые он выдал. Э значит здесь у нас в чём особенность? В том, что это как бы нейронная генерация объекта, который не существует. Причём ещё разнообразные формы. То есть вот то, что дизайнер называет поиском референсов, да, когда мы подбираем что-то под безумную фантазию заказчика. И вот тут Миронка просто взяла и за один запрос выдала, по сути уже готовые референсы, с которыми можно работать. Сейчас уже доказано, что конкретно вот этот пример был несколько, скажем так, отретуширован. То есть там был было очень много запросов. Они, естественно, отобрали только самые лучшие варианты. Некоторые из них немножечко там доработали в фотошопе, да, ну, как это американский принцип, э, fake it until you make it, да? То есть притворяйся, пока не сделаешь. Но мы уже знаем, вы, наверное, сами своими глазами видели, что нейронные сети, даже открытые бесплатные, которые можно запустить у себя на компьютере, а тем более где-то в интернете, могут делать подобные вещи. То есть это просто один из первых таких вот характерных примеров, начиная с которых нейронные сети с ноги ворвались в наш мир, несмотря на то, что они там существовали уже, э, действительно порядка 70 лет, да, но вот это тот самый момент, когда они стали массовыми.
Значит, следующий такой интересный примерчик, ээ, тоже на самом деле достаточно старый. А это генерация типа разнообразных фотографий по одной. Ну то есть, условно говоря, допустим, вы фотограф делали фотографии, и тут там пропала часть изображений. Э, но вы можете там подсунуть одну фотографию, и он по аналогии сделает там эту же саму, ну, там это этот же самого самого персонажа, но там повёрнутого как-то по-другому, там в другом стиле, в другой обстановке и так далее. А здесь что интересно, так это то, что м создатели этой нейронной сети как бы немножко заглянули внутри неё, как она работает. То есть они просто давали как бы, когда обучали на вход там одно изображение и просили сгенерировать там 10, да, на основании него. И когда они заглянули внутрь, то выяснилось, что нейронная сеть, которая обучалась, когда она вот обучалась, она построила такую модель мира, которая в целом немного соответствует тому, как работает 3D моделлер, да? То есть, по сути, она в
каком-то смысле превращает, э, фотографию в некоторую трёхмерную модель, для которой она делает вот такую вот развёртку. И эту развёртку она как будто бы натягивает на другие виды, да, что позволяет, собственно говоря, нашим фигурам там поворачиваться по-разному, как-то по-другому выглядеть, да? То есть она как бы придумывает, а что там у неё сзади и так далее.
А значит, следующий примерчик - это генерация векторного изображение из Растрового, да? То есть я напоминаю, что векторное изображение - это у нас то, которое строится на основании некоторого набора команд. Изначально наши нейронные сети могли работать только с расторами, но мы видим уже, что появляются даже открытые бесплатные нейронные сети, которые могут поэтапно, да, вот мы сейчас видим прямо этапы генерации, э создавать, воссоздавать, скажем так, векторное изображение на основании растрова. Не всегда идеально, да, там добавляя, может быть, где-то каких-то лишних линий. То есть человек, возможно, сделал бы оптимальней, да, но и потратил бы больше времени. И здесь нам, соответственно, нужно просто выбирать, что для нас приоритетнее: качественный исходник, либо просто там запостить новую картиночку на сайт.
Аа следующим вариацием векторных ээ изображений является генерация по одному расторовому изображению трёхмерных объектов. Да, и сейчас уже тоже есть такие открытые нейронные сети. Да, кстати, наверное, стоит здесь упомянуть, что именно я вдумею в виду, когда я имею в виду, когда я говорю открытые нейронные сети. А есть такое понятие открытое программное обеспечение. Это значит, что это программы, которые распространяются чаще всего бесплатно, но не обязательно. Но самое главное, эти программы распространяются не только в виде исполняемых вот этих вот ex файлов, да, то есть установщиков, но они распространяются вместе с исходными кодами. То есть вы можете посмотреть внутрь, как они устроены, как-то их там где-то доработать, выпустить свою версию. И подобный же подход был применён и к нейронным сетям. То есть те же самые люди, которые в рамках корпорации делают создают большие сложные нейронные сети, там вроде того же самого GНАя 60 GPT и так далее, они, э, создают, скажем так, упрощённые мдели, кото которые вы можете запустить прямо у себя на компьютере. Выкладывают их, э, так называемые веса. Я потом в этом курсе уже расскажу, что такое Веса, да, но, условно говоря, та база данных, которую себе собрала нейронная сеть, пока обучалась. И вы можете как использовать готовую вот эту нейронную сеть, запуская её у себя на компьютере, желательно имея при этом видеокарту. Так и можете дообучать, то есть там делать так, чтобы нейронная сеть, которая умеет генерировать только кошечек, умела научилась генеровать ещё и собачек, да, например. Вот это я имею в виду под открытыми нейронными сетями.
Ну, и вообще говоря, мы будем стараться в течение этого курса использовать именно открытые технологии, потому что они, э, максимально предсказуемы. Условно говоря, вы используете чат GPT в своём бизнесе, да, там создали там какую-то программу, которая обращает чату GPT, и он что-то делает. Потом чат GPT немножко поменял внутреннюю там структуру и на тот же самый запрос стал приходить совершенно другой ответ, которого вы не ожидали, да, в другом формате, другого качества. Или эту нейронную сеть вообще там из-за санкций запретили либо у них, либо у нас, и ваше технологическое решение рушится, да? Что делают, вообще говоря, инженеры, чтобы создать стабильно работающее промышленное решение? Они используют именно открытые технологии, которые запускают на своём оборудовании. И это даёт нам гарантию того, что, э, задача будет решаться максимально предсказуемо и не будет зависеть от каких-то внешних факторов. Какие угодно санкции вводят, у вас всё работает на своих там внутренних серверах и не меняется современность, там не ухудшается качество и так далее. Вот поэтому мы будем стремиться к использованию открытых технологий, тем более, что они дозрели и по качеству где-то даже опережают закрытые.
И вот как раз к вопросу о качестве э использования, да. Вот здесь у нас представлена некоторая статистика, а по использованию э моделей. Ну, в смысле, имею в виду нейронных сетей, генерации изображений на по состоянию на август двадцать третьего года. Но я вам так скажу, сейчас соотношение даже, ну, скажем так, не сильно поменялось. Значит, что мы здесь видим? Мы видим, что некоторые проценты занимают закрытые нейронные сети, вроде там Дали, нейронные сети, встроенный Photoshop, Джорни, хотя, казалось бы, да, все говорят о том, что Джорни, Джорни, Джорни у всех на слуху, но на самом деле процент её использования относительно невелик, да, относительно вот этой вот штуки, которая нас здесь названа как stable diffusion. Stable diffusion - это как раз такая открытая нейронная сеть для генерации изображений. И сейчас, на самом деле, к ней добавились ещё другие нейронные сети, там типа того же Флакса и ещё много всего такого. Но смысл в том, что это всё нейронные сети, которые позволяют, если у вас есть игровая видеокарта, запустить их у себя и генерировать изображение, ну, условно говоря, по цене электричества, а не за те деньги, которые требуются там в, ну, Дали уже сейчас не используется, сейчас вместо него используется тот же самый чат GPT или Gemini. То есть, да, допустим, какая-нибудь нанобана у Гугла сейчас является бесплатной. Если вы там сумели создать аккаунт и используете VPN, э, но это же всё вычислительные мощности для корпорации. Надо понимать, что они, когда заходят на рынок, чтобы его захватить, всегда первые там несколько месяцев делают его бесплатным, а потом начинают вводить тарифы потихонечку, потихонечку закручивая гайки, да, поэтому -э это всё дорогие, нестабильные решения. Поэтому на самом деле вот у меня, если честно, есть вопросики к тому, как бы рассчитаны вот эти миллионы. наверное, по количеству загрузок -э вот этих вот нейронных сеть, потому что невозможно же посчитать, а сколько раз эти нейронные сети были запущены на компьютерах непосредственно дизайнеров, да, но я, скажем так, я бы сказал, что если бы мы, у нас была возможность реально это посчитать, то, скорее всего, процент был бы ещё больший.
Так, я рассказал первую часть. Скажите, нужен ли вам перерыв или мне продолжать? И есть ли какие-то вопросы по прочитанному?
>> Пока вопросов нет, давайте продолжим.
>> Так, о'кей.
>> Если вам перерыв не нужен.
>> Нене, мне всё хорошо. Значит, поехали дальше.
Значит, давайте тогда поговорим о том, а как же мы дошли до текущего состояния, да? То есть нам для того, чтобы вообще понять технологию, всегда стоит начинать изучение любой технологии стоит изучать с того, какие проблемы стоили ставились изначально и как они модифицировались в процессе работы, чтобы вот вообще понимать, то есть вот если мы будем рассматривать технологии прямо сейчас в текущем состоянии, мы, мягко говоря, вообще ничего не поймём, да, потому что очень много всего за 70 лет в них накопилось. Но если мы начнём, э, что называется, сворачивать этот снежок с самого зерна, с ядрышка, да, мы как бы чуть лучше поймём, как же это всё работает.
И, э, вообще говоря, если в целом попытаться задуматься об искусственном интеллекте, то что это вообще сути своей за технологии, да, то мы на самом деле можем уйти глубоко-глубоко в античность с того самого на тот самый момент, когда человечество впервые начало изобретать какие-то механизмы, механизмы с системой управления. Потому что, вообще говоря, искусственный интеллект - это, в первую очередь про управление какими-либо техническими системами. Просто эти технические системы работают в сложных условиях окружающего мира, и нам хочется, чтобы, э, механизм продолжал работать, насколько можно автономно при самых разных вот этих вот внешних влияниях, да? То есть наш мир он же вообще хаотичен, непредсказуемым. И, соответственно, чем больше мы осознаём вот эту вот хаотичность мира, тем более сложную систему мы стараемся придумать, ээ, чтобы наша система сохраняла управляемость в условиях, да, сложных воздействий. И, вообще говоря, подобные системы управления, они начали строиться давно, э, буквально вот с первых устройств ещё в античности. Но никто их отдельно, вот эти системы управления от механизмов не отделял. А где-то в в начале в середине эпохи викторианской, так называемой, да, когда у нас, э, это была эпоха, что называется, угля и пара, когда человечество начало массово внедрять э технологии, основанные на сжигании угля и на генерации пара. стало появляться всё больше и больше массовой техники, требующего сложного управления, да, например, какие-то насосы, паровые молоты. И, наконец-таки, впервые начала выделяться отдельная дисциплина, э, которую назвали теория автоматического управления или на Западе её называют кибернетика, да? Это в чистом виде такая математическая дисциплина, которая описывает различные виды системы управления вне зависимости от того, как физически реализовано устройство, да? То есть это может быть какая-то паровая машина, да? То есть она сделана там на из железа, она принимает на вхо, не знаю, там давление пара и на основании него, допустим, там закрывает, открывает заслонку, да? То есть мы должны понимать, насколько должно там пар надавить, чтобы насколько мы заслонку закрыли. И вот мы, чтобы понимать вот эти истории, описываем это в виде некоторых блоксхемок и в виде математических формул. И, собственно говоря, вот на таких технологиях ээ человечество и создавало свои первые управляемые машины.
Но примерно к началу Второй мировой войны у нас стали появляться более сложные системы, которые потребовали более сложных систем управления. Я говорю в первую очередь о войне криптографов, да? То есть что у нас? Вторая мировая война. Одна из важнейших задач армии - это передача команд. Соответственно, армия противника хочет эти команды тоже перехватывать, э, чтобы понимать, куда пойдут войска противника, да? Соответственно, чтобы этого не происходило, была, э, ещё издавно придумана такая, э, наука, как криптография, то есть шифрование передаваемой информации. И именно в начале Второй мировой войны криптография сделала большой шаг вперёд. с появлением у немцев такой криптографической машины, как Энигма. Про это создано большое количество произведений. Можете ознакомиться. Достаточно интересная история, но смысл в том, что шифры внезапно стали намного более сложными, и вскрывать их уже не хватало никаких человеческих ресурсов. Поэтому было предложено создать какие-то вычислительные машины, которые помогут, если не автоматически расшифровывать эти шифры, то хотя бы как-то облегчать задачу расшифровки. И, в частности, а в Англии, в так называемом Блетчери парке, это что-то вроде, э, Кремневой долины в Англии на тот момент, да, то есть такая военная сборка военных институтов, было как раз-таки разрешено решено создать подобный компьютер. И одним из авторов основных идеол, скажем так, этой этого компьютера был Ален Тьюринг. Собственно говоря, вот вот он у нас изображён на фотографии, а слева как раз этот самый компьютер, который условно называли бомба, просто потому что он был не полностью электрическим, а электронномеханическим. И вот эти расчётные механизмы, они там как-то тикали, когда поворачивались и считали, да. Поэтому это всё было похоже на, знаете, заводной механизм у бомбы.
Но на самом деле нам Антюн интересен не из-за этого. Он это, конечно, были его первые потуги в создании вычислительной машины. И как раз-таки они его привели к двум глав таким фундаментальным открытиям в информатике, э, которые в дальнейшем повлияют вообще на всю информатику, причём сразу в двух аспектах, потому что это было два разных открытия. Значит, первое открытие, оно нас несколько меньше интересует, это так называемая машина тюринга. Это некая математическая модель, то есть, ну, условно говоря, буквально формула, просто очень сложная формула, которую мы можем визуализировать вот подобным образом, которая описывает некий универсальный вычислительный механизм, что вот у нас есть такая бесконечная лента, э, по которой ездит считывающая и записывая головка. И эта головка, то, что она делает, что она как бы считывает, что она записывает, ээ определяется при помощи некоторого набора внутренних состояний. и программы управления, которая для различных состояний и для различных элементов входных данных говорит о том, как мы должны изменить внутреннее состояние, куда передвинуть эту головку и что там записать либо прочитать. И вот такая вот формула, с одной стороны сложная, а с другой стороны, на самом деле достаточно простая. Она знаменита тем, что по сути это фактически первое описание э вычислительной машины. То есть это то, как мы представляем себе компьютер, как он работает в в своём самом примитивном виде, да? То есть без чего он точно не может работать. То есть если в компьютере нет хотя бы одного из этих элементов, то он уже не является полноценной вычислительной машиной, да? Поэтому на самом деле даже появилось такое понятие, как полнота по тюрингу, э, которое говорит о том, что если там, э- какой-то язык программирования, допустим, полон по тюрингу, значит, мы, в принципе, на нём можем решить все задачи, которые только возможно решить при помощи вычислительной машины. Если же нет, то он как бы не позволяет нам раскрыть полноценный функционал работы компьютера, да? Именно на базе вот этих вот абстракций были построены э все последующие наши исследования в области создания компьютеров, да, то есть дальнейшие вот эти развития вроде архитектуры фоннеймана, они по сути развивают вот эту идею. То есть первое, что сделал Алантюн - это как раз-таки заложил основы вычислений.
Второе, что он сделал, это как раз-таки он задумался о том, а вот на базе вот этих принципов, да, вот мы создаём вычислительную машину, а можем ли мы создать машину, которая может думать, да? То есть ещё не было хоть даже как-то осознано, что же такое искусственный интеллект. Он просто вот фантазировал на тему того, а могут ли вот машины мысли, то есть можем ли мы создать что-то подобное человеку, но в как бы технической форме. Аа он даже написал научную статью, которую я вам рекомендую прочитать, если вам интересна история. Ну и вообще это на самом деле хороший хороший пример того, насколько ясно может быть человеческое мышление. То есть эта статья до сих пор читается очень свежо, да? То есть вот представьте, вам задали задачу, да? Может ли машина мыслить? То есть как вы бы её решали? И вот он как раз излагает ээ эти варианты решения. И то, что он придумал, называется Игра в имитацию. Ну, сейчас эта вещь известна как тест тьюнга. То есть она состоит в следующем. То есть в чём идея? То есть нам нужно понять, думает ли компьютер. Э-э, мы не знаем, что такое думать с точки зрения компьютера. И более того, мы не знаем, что э что такое думать с точки зрения человека. Но нам нужно как-то понять разумность, да? Как мы определяем разумность окружающих нас людей, да? То есть мы же не заглядываем им в голову, не делаем тыпонацию черепа, да, не смотрим на электрические сигналы, которые бегают. А даже если бы и мы смогли это сделать, сказало ли бы нам что-нибудь это о разумности? Да мы же не понимаем, как эти сигналы интерпретировать, и поэтому мы просто ведём диалог с каким-то объектом. И если его ответы, э, ну, как-то соответствуют нашим ожиданиям от того, насколько этот ответ укладывается, да, то есть они он может сказать да или нет или как-то раскрыть этот вопрос, да, но если оно похоже на то, что мы можем себе представить как ответ на этот вопрос, значит, мы говорим о том, что оно разумное. Соответственно, игра в имитацию состоит в том, что у нас есть три персонажа: испытуемый компьютер, испытуемый человек и некий судья, который не видит этих двух. То есть мы здесь видим стену, да, и он просто через некоторые там, ну, скажем так, чат взаимодействует с компьютером и с человеком. И задача компьютера что-то такое отвечать человеку, чтобы человек не смог достоверно определить, где компьютер, а где человек. А на тот момент этот тест вообще невозможно было себе представить, чтобы компьютер его решил. А в каком-то виде, да, с некоторыми упрощениями. Этот тест был пройден в 2000ных годах, когда судья общался с с машиной, у которой изначально создатель, он решил не м, скажем так, не создавать какую-то универсальную машину, да, он решил на свой алгоритм наложить некоторые ограничения. В частности, он сказал, что вот моя ээ мой чатбот будет эмуровать мальчика 10 лет, ээ, еврейского происхождения, который переехал в США и не очень хорошо говорит по-английски, да. Поэтому, когда судье сразу говорят, что вот это вот мальчик и он не очень хорошо говорит по-английски, вы начинаете прощать ему какие-то описки, какие-то непонимания чего-то, да? И судья искренне поверил, что это был человек, хотя это был компьютер, да, просто такой вот ограниченный. Сейчас появлением чата GPT, э, действительно, э, скажем так, средний обыватель обманывается достаточно легко. Профессионал, который понимает, как работают языковые модели, достаточно просто ээ узнаёт истину. И сейчас у нас существует, на самом деле, достаточно, э, сложная система, которая оценивает интеллект машин. Сложность её связана ещё и в том, что мы же учимся решать интеллектуальные задачи, которые бывают самые разные, самого разного свойства, да, там, например, определить ээ заболевание человека по каким-то его там признакам, да, или вычислить какую-то математическую формулу или сказать ээ что, не знаю, там какая стоит Канады, да, это всё самые разные задачи. Более того, человек тоже разные люди сильны в разном типе задач, да? То есть кто-то лучше рисует, кто-то лучше тексты пишет, кто-то вообще говорить там не умеет, ээ, там и живёт в примитивных обществах, зато отлично охотится. А поэтому мы и создали большое количество этих самых разнообразных тестов, чтобы проверять различные аспекты интеллекта.
А если же говорить, то есть мы уже говорили о том, что вот как идеи, искусственный интеллект зародился как бы в незапамятные времена, да, потом оно совершенствовалось через вот эту дисциплину, которая называлась кибернетика. Э но ээ вот прямо отдельно выделить ээ направление искусственного интеллекта было решено в пятьдесят шестом году. Поэтому мы считаем как раз-таки именно пятьдесят шестой год годом создания ээ вообще понятия искусственный интеллект. Он, собственно говоря, тогда и был придуман и в каком-то виде дан на так называемом дармундском семинаре, где собрались вот, например, вот эти лица замечательные мужчины, которые указаны здесь на фотографиях, которые каждый из которых на самом деле внесёт в течение XX века а очень каждый из них несёт большой вклад в развитие тех или иных направлений. Да. То есть на самом деле большинство из них станут основоположниками своих направлений в области искусственного интеллекта, да? То есть мы опять же помним о том, что искусственный интеллект - это именно что набор разнообразных дисциплин, которые решают разнообразные интеллектуальные задачи.
А, соответственно, давайте вообще посмотрим на то, как же это всё изменялось. И здесь, если мы вообще посмотрим на скажем так, хронологию и попытаемся как-то на эту ось нанести некоторый, я не знаю, там экономический успех или инвестиции или количество исследований, да? То есть вот это у нас на самом деле взаимосвязанные понятия. Мы можем на самом деле выделить некоторые волны развития искусственного интеллекта. То есть он не всегда развивался равномерно, да? То есть были так называемые золотые и серебряные годы, когда количество исследований росло там, там, условно говоря, делается какое-нибудь новое фундаментальное открытие, предлагается какая-то новая теория, и в рамках неё начинают разрабатываться какие-то прикладные методы. И вот уже ощущение, что вот-вот и мы создадим искусственный разум, который обойдёт человека. То есть вот все вот эти вот вещи, которые вы сейчас слышите о том, что вот-вот ещё пара лет и машины нас полностью всех уволят. На самом деле эта история очень давняя. Вот буквально с пятьдесят шестого года в том или ином виде она идёт, да? То есть, например, там вот сейчас программа, которой о которой мы будем говорить, Logic Theoretist, да, она вызвала жуткую панику у математиков в своё время, потому что им казалось, что их сейчас заменят машины и все формулы будут открыты, все теоремы доказаны и нечего будет делать. Ну, математики они даже и против калькуляторов в школах протестовали, поэтому тут это не первый раз подобная история, да, но это я всё к чему? К тому, что у нас есть золотые годы, когда у нас ощущение, что вот-вот и будет совершён прорыв, да, но проходит какое-то время, там 5 лет, и выясня, ну, а прорыва всё как-то нет и нет, а деньги вкладываются, вкладываются, а возврата по этим деньгам нет. И в какой-то момент происходит откат интереса, и наступают так называемые зимы искусственного интеллекта, когда инвесторы перестают вкладываться в развитие технологий, соответственно, сокращается количество лабораторий, количество учёных, какие-то учёные переключаются на другие области науки, чтобы как бы что-то есть. И исследования ведут только отдельные энтузиасты, да, и какое-то время у нас идёт вот спад. Потом снова кто-то из этих энтузиастов доходит до каких-то интересных результатов, появляется какая-то новая модель, у нас снова всплеск. И на текущий момент мы с вами живём в третьей волне искусственного интеллекта, да, вот интереса. в третьих золотых годах. И на самом деле, вот если внимательно присмотреться к тому, что сейчас происходит, можно уже начать говорить о том, что эта волна начинает потихоньку уходить со своего пика вниз, да? Это не значит, что когда она уходит вниз, мы отказываемся от всех наработок. Ни в коем случае, да? То есть точно так же, то есть то, что уже было введено, никто от этого отказываться не будет. Просто будет меньше инвестиций, мы переключимся на какие-то другие исследования, там на генетику, там на исследование космоса, да? А нейронные сети будут просто более спокойно, не так безумно, как они развивались ещё недавно. Но уже сейчас мы видим некоторые начала охлаждения, да, когда инвесторы начинают говорить о том, что вы уже очень много денег взяли, а всё никак не можете начать отбиваться, да? Это та же самая Open AI в этом году, э, мм, как это делала доклад перед инвесторами о том, что они планируют выйти в точку безубыточности, то есть хотя бы в ноль к тридцать шестому году. Извините, у нас политики в текущей ситуации на год вперёд не планируют, потому что непонятно, то ли ядерная война, то ли смена мирового гегемона, то ли война всех против всех. А вы к трицатьшестому году заявляете, что у вас всё будет нормально, и вы выйдете на точку окупаемости. Никто не знает, что будет в тся шестом году, да? Поэтому уже сейчас инвесторы начинают ээ что называется, чесать репу и думать, а куда бы переложить свои денежки. Но пока ещё мы видим вершину этого самого хайпа.
Итак, как же развивались наши технологии? И вот, что называется, первые золотые годы - это примерно с пятьдесят шестого по семьдесят четвёртый год. Одна из первых, э, значит, известных наработок - это программа Logic Theoretist, которая позволяла, э-э, вычислять теоремы. То есть вы туда вводили некоторые переменные, некоторые соотношения между ними, да, и она автоматически, э, ну, что называется, решала арифметическую систему уравнений. Аэ, в тот момент у математиков, а, был такой интересный, что называется, букварь, то есть принципа математика - это такой учебник по математике, где было предложено некоторое количество интересных, сложных теорем. базовых, как тогда считалось для математики. И вот этот logic Theoretis ещё раз доказал все эти теоремы уже самостоятельно. Причём некоторые из них он доказал даже более элегантно, нежели ээ изначальные авторы, что как бы позволило говорить о том, что вот мы создали мыслящую машину. То есть математика - это у нас одна из как бы величайших наук, величайших показателей интеллекта человека. И вот мы автоматизировали такую сложную человеческую деятельность. Значит, вот-вот и будет м думающая машина. Но как бы чудо не произошло, но пока ещё золотые годы не закончились, да? То есть был создан Logic, но он, кстати, в открытом доступе. Вы сейчас можете его посмотреть. по современным меркам. На самом деле достаточно примитивная программа.
Ещё одна очень примитивная, но совершенно взрывающая на тот момент мозг программа. Это первый чатбот, который назывался Элиза. Его разработал Джозеф Винсент Баум. И эта программа, она, ну, условно говоря, симулировала беседу с психоаналитиком. И алгоритм её был достаточно простой. То есть, ээ, простота алгоритма, она ещё и основывалась на том, что лексика английского языка также достаточно проста, да? Например, там есть такая програй способ э задать вопрос, да, я не помню, как это называется, ну, в общем, isn't it? Когда вы говорите, там вам говорят утверждение, а вы повторяете это утверждение, добавляя к нему как бы знак вопроса, что называется, и превращая его таким образом в вопрос. Соответственно, эта программа либо писала там что-нибудь вроде интересное, не могли бы вы поподробнее рассказать про вот это? Да, либо как бы перефразировал то, что сказал человек в такой вопросительной форме. И удивительно, но при всей примитивности этого алгоритма, а на тот момент у людей это вызвало просто как бы шок. То есть даже лаборантка этого учёного Виценума, когда садилась за терминал пообщаться, она просила Джозефа выйти из комнаты, потому что она правда думала, что по сути общается с психоаналитиком. То есть настолько ээ это было похоже на живое общение на тот момент. Сейчас, конечно, когда у нас есть насмотренность, когда мы уже пообщались с чатом GPT, нас так легко не обманешь. Но тогда это был вот величайший прорыв. Тоже исходные коды открыты, можно запустить, посмотреть, попробовать. А известно, что одним
Из двигателей науки часто являются э государство и не просто государство, а военная отрасль, да? Потому что именно на них, э, на военную отрасль в страхе о том, что мы должны быть лучше наших противников, часто выделяется какое-то безумное количество денег на какие-то исследования. И, собственно говоря, учёные очень часто на этом кормятся.
В частности, одной из важнейших тогда была задача машинного перевода, потому что было время холодной войны, соответственно, два блока сильно конкурировали между собой, что русские, что американцы часто перехватывали сообщения противника. И этих сообщений было так много, что требовалась задача как бы быстрого перевода огромного количества текстов. И м того штата переводчиков, который на тот момент был, явно не хватало, да. Поэтому военные через ээ подразделение Дарпа заказали учёным э как раз-таки систему автоматического перевода.
И э первый такой переводчик был разработан по современным меркам. Это совершенно, конечно, примитивная программа, у которой просто были, условно говоря, таблицы перевода, да? То есть, что C - это кошка, дог собака, и оно как бы меняло одно на другое. И есть такая байка о том, что используя эту систему, созданную систему перевода, английское предложение The Spirit is willing, but the flash is weak, то есть дух, крепок дух, но слаба плоть, перевели на русский, а потом обратно на английский. И оно перевелось в the водка is good, but the meat is rotten. То есть водка хорошо, но мясо протухло, да? То есть это как раз-таки, конечно же, байка, но это пример, который демонстрирует сложность задачи перевода, потому что одни и те же слова в разном контексте могут иметь самый разный смысл. И при примитивном машинном переводе смысл может абсолютно теряться. Что, собственно говоря, первые исследования и показали. Плюс одно из основных проблем было в том, что компьютеры были очень большие и очень слабые по современным меркам. То есть, ээ, там языковой запас машины был там порядка что-то, по-моему, 120 слов, что явно не хватает для перевода даже самых простых текстов, да? То есть это как бы ещё одно вот такой вот показательный момент, который говорит о том, что первые, конечно, идеи автоматизации интеллектуальной деятельности, они, в общем-то, как бы как концепция были неплохи, но и алгоритмы были недостаточно доработаны, и вычислительных мощностей не хватало, поэтому реализация, мягко говоря, не удовлетворяла нашим запросам и вообще нашим фантазиям про мыслящие машины.
И последнее, что я, наверное, хотел сказать про первые золотые годы, это, э, появление так называемого перцептрона. Перцептрон - это первая, самая примитивная нейронная сеть, да? То есть, обратите внимание, нейронные сети как концепт появились ещё в пятидесятых годах. То есть это очень старая технология. Просто технология очень сильно развивается, да, точно так же, как и там, не знаю, огнестрельное оружие 200 лет назад и сейчас это очень разные устройства, так и нейронные сети 70 лет назад и сейчас. Ну, как бы что-то общее у них есть, но современные нейронные сети не то что в тысячи, в сотни триллионов раз более сложные и комплексные, и, соответственно, они могут решать более сложные задачи.
Итак, перцептроны. Значит, вообще говоря, искусственный нейрон, он был, точнее, простите, вообще понятие нейрона, оно появилось ещё до понятия искусственного интеллекта, то есть в, если память не изменяет, там сорок, нет, тридцать седьмом году, э, был обнаружен и описан биологический нейрон, для которого была создана Первая математическая модель, да, как он работает. Мы об этом более подробно поговорим в последующих лекциях. И, соответственно, у Фрэнка Рейзенблата появилась идея, а почему бы нам не создать машину, которая работает по этому принципу, да? То есть, условно говоря, вот эту формулу перевести, что называется, в кремний. И, соответственно, он разработал, ну, кремни это как бы сильно сказано. Это, скорее всего, скорее была такая, знаете, ээ большая панель с большим количеством переключателей. То есть вот эти вот нейронные связи, это были буквально физические провода, э, которые нужно было вот переключать, чтобы, условно говоря, обучить модель. То есть мы буквально физически её обучали, а, но тем не менее, несмотря на всю её примитивность, она умела распознавать, ну, там примерно с пяток ээ символов английского алфавита, что уже на тот момент казалось каким-то чудом, что мы можем вот просто там, условно говоря, навести там камеру на какой-то объект и там распознать ээ достоверно некоторые буквы.
Собственно говоря, вот система, которая, если вы когда-нибудь отправляли письмо через почту, да, я имею в виду обычную аналоговую почту, когда вы конверт пишете на бумаге, да, и там есть такая штука, как индекс, когда вы обводите циферки по трафаретам. Вот эти вот трафалеты - это как раз одна из первых массово внедрённых нейронных сетей, да, которая используется для автоматической сортировки писем, да, то есть письма у нас на почте идут, скажем так, по конвейерам. Нам нужно понимать, э, куда, в каком направлении рассортировать эти письма. И вот мы ещё вот там в лохматых семидесятых годах научились строить первые примитивные машины, которые по вот этим трафаретом как бы просвечивают, распознают символы и понимают там, в какой город направить то или иное письмо.
А, но как я уже говорил, э амбиции были очень большие, и за 20 лет мы не смогли их удовлетворить в полной мере. А, то есть в первую очередь это связано с ограниченной мощностью компьютеров, да, мы вообще только начинали изучать эти алгоритмы, вообще не понимали, к чему это приведёт. Это какие-то просто первые отдельные шажки. Поэтому алгоритмы были достаточно примитивные, данных было катастрофически мало. На тех накопителях, что были у тогдашних компьютеров, данных этих удавалось хранить просто какие-то единицы, что сильно не хватает для любой интеллектуальной деятельности. И, соответственно, наступила первая зима, да? То есть вот эти вот примерно 7-8 лет, э-э, когда исследования несколько затормозились, но в восьмидесятых годах приходит новая волна, что называется, откуда не ждали уже только не с точки зрения воен не не из области военных, а из области бизнеса.
В частности, одна из компаний Дек, она занималась разработкой и поставкой компьютеров ээ отдельным компаниям. Это восьмидесятые года, то есть компьютеры уже не были размером с со стадион, но всё ещё были достаточно крупные, да? То есть это как несколько шкафов, которые ставятся куда-то, ну, в условную серверную. Плюс ещё и номенклатуры этих компьютеров у этой компании было достаточно много, а, ээ, раз раскладывали, что называется, по коробкам, ээ запчасти, не очень квалифицированный персонал. И поскольку тогда ещё не было унификации компьютеров и разъёмов, периодически случались ситуации, когда ээ человек, который раскладывал, мог положить какие-то не те провода. В результате вы отправляете компьютер в другой штат, они приходят, компьютер не собирается, да, изза не тех проводов. Нужно там как-то связываться по телефону, чтобы в этот другой штат приехал специалист с нужными проводами, правильно их воткнул, поключил. В общем, большие экономические потери. И эту проблему компания решила за счёт того, что сделали э такую первую программу, которую которая получила название экспертные системы. И этот тип программы он, значит, что он делает? мы в него заносим знания какой-то экспертной области в виде набора вопросов и ответов. Да, и эти вопросы и ответы с каждым ответом, по идее, должны уточнять, э, что именно там мы видим или что именно нужно сделать. То есть, условно говоря, вот у нас есть, не знаю, э фотография, э, какого-то новообразования на коже. И мы должны, то есть вот как врач-онколог понимает, что это там доброкачественное или злокачественного образования, да, есть некоторый набор признаков, там насколько там ровные края, насколько оно увеличилось. И вот мы он задаёт эти вопросы пациенту, пациент отвечает, и врач делает какой-то, э, значит обоснованный вывод на основании этих вопросов. Ну, соответственно, появилась идея, а почему бы нам вот знания любого специалиста не внести таким образом в базу данных, и мы таким образом автоматизируем интеллектуальную деятельность. То есть началось это именно с раскладывания компьютеров по коробочкам, да, потом пошли медицинские информационные системы, там научные, там какие-то государственные. И компания ДЕК заявила, что они там буквально какие-то десятки миллионов долларов, ещё тогдашних долларов, которые стоили дороже, чем сейчас в десятки раз, сэкономила в год за счёт вот разработки такой вот экспертной системы. И, соответственно, начала активно разрастаться вот отрасль конкретно искусственного интеллекта под экспертные системы. были спроектированы специальные компьютеры, специальные базы данных, базы знаний под эту всю историю, которые стоили, опять же космических денег, потому что уже была война, волна хайпа, и все хотели это внедрить себе. Соответственно, всё стоило несколько выше, чем оно даёт выхлопа в итоге. И в результате, когда на рынке появился компьютер общего назначения, который умеет делать всё то же самое, что что и специализированный компьютер для экспертных систем, но только стоит в несколько десятков раз дешевле. рынок экспертных систем рухнул и потянул за собой само вот это понятие экспертной системы, да, поэтому с тех пор мы их практически не строим, но на самом деле какие-то наработки они никуда не пропали. На самом деле все вот эти наработки, они из предыдущих этапов никуда не пропали. Они встроились и стали частью э обычных языков программирования. Да, в частности, вот отдельные элементы экспертных систем мы до сих пор используем. Ну вот до появления языковых моделей, например, использовали в чатботах, да, или в даже не в чатботах, а когда вы там звонили ээ там в какой-нибудь банк и там у вас спрашивали: "А что вам нужно? А вы хотите взять кредит? Или вы хотите положить деньги в банк?" Вот это в чистом виде экспертная система, да? Ну, естественно, как-то доработанная под современные реалии.
И, как я уже говорил, в до девяностых годов у нас шла вторая зима искусственного интеллекта, второй кризис, когда мы снова потеряли веру в интеллектуальные машины. И начиная с девяностых годов, э, начинает происходить начинается этап так называемого осторожного развития, да? Это, что называется предгорье, э, вот будущего пика, когда ээ понятие и как таковое искусственный интеллект, э, перестала применяться, да, это был такой маркетинговый термин, который не оправдал себя. То есть уже созрело там не одно поколение инвесторов, которое говорили: "Да, мы видели этот ваш искусственный интеллект, кучу денег на нём потеряли". Да, поэтому просто начинают происходить некоторые события, некоторые открытия, которые позволяют получить некие первые успешные результаты, но при этом нужно продать эту историю как не искусственный интеллект, а что-то принципиально новое. И у нас на самом деле появляется новая отрасль, которая называется машинное обучение. А основной идеей, которой является то, что мы создаём какой-то алгоритм, который учится на примерах. То есть мы показываем примеры, э, и алгоритм на основании этих примеров делает какие-то выводы, создаёт какую-то картину мира, которую он в дальнейшем использует для ответов на вопросы.
Значит, одним из первых таких крупных успехов того времени был специально разработанный для игры в шахматы и больше ни для чего компьютер de blue, который как раз-таки выиграл тогдашнего чемпиона по шахматам Гари Каспарова. А тогда же прошло первое ралли, управляемое искусственным интеллектом. Ну, это было ралли, правда, ну вот машин, которые ездили по пустыне. То есть там вполне себе можно было сойти с трассы, что многие участники успешно и сделали, да, но тем не менее были и победители, которые успешно доехали по маршруту, полностью в автоматическом режиме. И это уже как бы начало нам повод говорить о том, что искусственный интеллект, смотрите, что-то может, да? То есть, точнее, уже не искусственный интеллект, а машинное обучение.
И где-то начиная с 2011 года начинается как раз-таки вот то самое начало зарождения вот текущей волны, а, которая получила название глубокое обучение, да? То есть глубокое обучение - это дальнейшее развитие идей машинного обучения. Когда мы, то есть мы сейчас ещё про это поговорим более подробно, но если в двух словах, то м мы, во-первых, в качестве алгоритмов для машинного обучения, то есть у машинного обучения на самом деле много различных вариаций алгоритмов, как сделать одну и ту же задачу разными математическими способами, да, вот эта вот история, когда мы пока казываем данные, чтобы оно училось на примерах. Есть разные алгоритмы, которые позволяют дать ответы на эти вопросы. И вот одним из таких алгоритмов являются искусственные нейронные сети, да, в пятидесятых годах разработанные. Просто это уже доработанные нейронные сети, они более сложные, а с большим количеством слоёв. Мы стали лучше понимать, как внутри нейронной сети передаётся информация. За что отвечают те или иные слои? Да, как мы можем под задачу создавать искусственную нейронную сеть. А самое главное, мы к одиннадцатым годам, наконец-таки научились э- обучать полноценно нейронные сети, потому что мало её создать, её ещё нужно грамотно обучить, чтобы она выдала результаты. И, например, есть такое соревнование, которое называется Imagenet, которая состоит в том, что алгоритм должен научиться ээ правильно распознавать, что там изображено на картинке. То есть в этом соревновании используется там огромная база из 10.000 изображений не очень большого размера. И нужно автоматически давать ответы на то, что же изображено на картинки. Так вот, в 2012 году впервые на этом соревновании победила искусственная нейронная сеть, которая называлась Alexnet. И все дальнейшие победители этого соревнования, они всё более и более улучшали качество. Но важно то, что все последующие победители были также нейронными сетями. И через несколько лет ээ нейронные сети превзошли по качеству распознавания даже человека. То есть теперь нейронная сеть отвечает там на процентов пять, по-моему, э больше правильных ответов даёт, нежели человек. То есть в распознавании изображений человек проиграл уже в тринадцатом году.
Да, современная же вот прямо вот хайп-хайп, когда про неё все заговорили, это про нейронные сети. Это так называемый э то есть та волна, которая сейчас у нас вот идёт, самый пик её - это так называемый генеративный искусственный интеллект, да? То есть это в первую очередь текстовая генерация, то есть то, что выдала компания Chat GPT, простите, компания Open AI, то есть её продукт Chat GPT. который на самом деле из себя представляет огромное количество разных нейронок под одним маркетинговым брендом. А, но в целом эту технологию называют большие языковые модели. То есть это вот какие-то то есть когда мы говорим модель - это именно такое, знаете, программно-математическое понятие. То есть это, с одной стороны, и математическая модель, а с другой стороны это и каким-то образом организованная программа, а которая позволяет по текстовым входным данным выдавать другие текстовые данные примерно на заданную область. И плюс второе направление в генеративном искусственном интеллекте - это генерация графики, да? То есть все мы видели вот эти вот результаты работы, там Джорни, э, и прочих нейронных сетей. Аэ, сейчас это всё очень сильно развивается.
Э, но, знаете, на самом деле можно говорить о том, что, э, развитие перешло из революционного к эволюционному. То есть мы сейчас поймали несколько удачных архитектур и их как бы дорабатываем. И здесь мы выясняем, что у текущей, то есть нам все говорят о том, что вот искусственный интеллект, всё как бы всё поменялось, всех уволят, э-э, значит, человечество как бы уже проиграло. Э значит это не совсем так. Во-первых, как мы уже видели по истории, ээ у любой технологии, у любой волны как бы есть свои ограничения, и любая волна когда-то заканчивается. То есть опять же технологии никуда не уйдут, но так быстро они не будут расти всё время. То есть вот эта вот история про сингулярность, что мы сейчас просто улетим в бесконечность по экспоненте с э-э количеством изобретений ежедневных, это некоторая натяжка.
В частности, уже прямо сейчас, несмотря на то, что компания Open AI заявляет, что у них всё прекрасно, э мы видим проблемы, которые принципиально невозможно прямо сейчас решить, да? То есть, во-первых, мы видим огромнейший кризис на рынке видеокарт и в целом железо, да, то есть и с оперативной памятью э проблемы, да, из-за того, что там ээ компании, разработчики выкупили огромную партию. Одна из компаний производителей оперативной памяти решила полностью переключиться на создание датацентров по искусственный интеллект. И в результате всей мощности сейчас тратится на создание таких датацентров. А, но при этом уже сейчас понятно, что когда эти датацентры будут достроены, а их ещё нужно достроить, под них не будет тех электрических мощностей, которые требуются. То есть те, кто покрупнее и заранее об этом думали, та же компания Microsoft, которая обладает как бы крупнейшими, а хорошо, не так, не крупнейшим, одним из вот топов рынка по серверам. Они в своё время нашли законсервированную атомную станцию, её выкупили, восстановили, и вот это немножечко позволяет им как бы вырваться вперёд по электроэнергии. Что будут делать остальные ребята, непонятно, потому что они, конечно, заказали строительство своих ядерных станций. Но ядерный, датацентр строится, условно говоря, 5 лет, а ядерная станция строится 15 лет, да, и что они будут с этим делать, как бы до сих пор непонятно. То есть уже сейчас в том числе вот та третья мировая война, которая идёт, она в том числе связана с источниками энергии. В частности, тот же самый Трамп заявил, что США теперь будет энергетической сверхдержавой, да? То есть он таким образом акцентирует своё внимание на производство энергии, потому что у них действительно есть с этим большие проблемы. Инженеры из атомной отрасли у них поуходили в своё время. Потому что казалось, что не понадобится такое количество энергии, а сейчас их просто ни откуда взять. Количество атомных станций тоже не хватает. В общем, посмотрим, будет интересно.
И второе такое очень важное ограничение. А дело в том, что когда э мы создали первые языковые модели, а точнее их создала компания Google, они написали статью, которая называется Attention is what you need. is all what you need. То есть внимание - это всё, что вам нужно. И в ней как разтаки они описали архитектуру трансформер, которая лежит в основе всех вот этих вот больших языковых моделей. Так вот, когда они создали её только не было понятно в чём ограничение. То есть вы увеличиваете количество нейронов у этой нейронной сети, кормите её большим количеством данных, и она выдаёт вам результат лучше. Да, и вот мы это видели на примере как раз-таки GPT2, потом GPT3, потом GPT4, сейчас уже GPT5 будет. Каждый раз инженеры, ну, я, конечно, сейчас очень сильно упрощаю, но, условно говоря, там просто увеличивали количество ячеек памяти там в там 100.000 раз, и она нейронная сеть становилась автоматически умнее. И из-за этого у некоторых оптимистов было ощущение, что вот-вот ещё чуть-чуть и ещё немножечко данных скормим, и она станет совсем умной, и как бы у нас получится Skynet. Но внезапно выяснилось, что у человечества закончились данные, да? То есть в пятидесятых годах эти данные приходилось просто там вручную вбивать. Сейчас у нас появился интернет, и казалось бы, в интернете столько данных, что, э, как бы ни одному человеку в жизни прочитать не хватит. Но выясняется, что для больших языковых моделей это, во-первых, не очень качественные данные. То есть их ещё нужно как-то рассортировать, очистить, удалить лишнее, а, переформатировать под нужные форматы. То есть это, во-первых, большая трудоёмкая работа, на чём, собственно говоря, корпорации, как обычно, сэкономили, использовав труд из стран с низкой оплатой труда, вроде там Индии или Непала. А, но даже при помощи вот всего этого арабского труда выясняется, что по сути ещё на третьей версии чат GPT прочитал практически весь текстовый интернет. А чтобы становиться умнее, нужно откуда-то взять данные ещё. И вот то, что вы видите, что там чат GPT начинает работать с картинками, это не только потому, что они заботятся о нас и хотят дать больше возможностей, а это просто потому, что картинки - это ещё один источник информации. То есть мы как будто бы немножко оттягиваем вот эту проблему нехватки данных за счёт того, что начинаем совмещать текст с картинками, да? Потом уже пошло и видео, и другие типы объектов, но факт остаётся фактом. Данные у нас заканчиваются, и где брать новые данные, непонятно, потому что сейчас уже, конечно, есть стартапы, которые генерируют синтетические данные, и для каких-то задач синтетические данные вполне себе годны, да, например, э автомобили Tтеesla перед тем, как выехать на дороги, миллионы часов их искусственный интеллект, то есть не не сам автомобиль, а вот именно искусственный интеллект, который которому было сказано, что он управляет автомобилем, а на самом деле Он просто сидел и играл в симулятор, где постоянно генерировались какие-то там здания, дороги, дорожные ситуации. Там человек перебегает дорогу, поезд проходит, там кто-то пытается выехать навстречку, и, соответственно, искусственный интеллект учится с этими ситуациями как-то справляться. То есть вот для каких-то задач э синтетические данные подходят, для каких-то задач вроде написания там художественной литературы, ну, скажем прямо, не очень, да, потому что если вы достаточно много общались с текстовыми, языковыми моделями, возможно, заметили, что выдать какой-то стандартизированный текст, который очень похож на то, что вам нужно, он выдаёт, да, но как только вы просите что-то прям новоетере Интересно, то есть, условно говоря, если мы спросим чат GPT, как повысить рождаемость в России, да, и при этом напишем даже там какие-нибудь хаки, что там используй размышление, привлеки команду экспертов, смоделируй различные ситуации. Э качество ответа, конечно, несколько улучшится, но, э, принципиально новый ответ мы не получим. Скорее всего, он скажет что-нибудь вроде: "Стимулируйте семьи, э, там, э, финансово, э, там давайте какие-нибудь квартиры, психологическую помощь оказываете, делайте доступные детские сады, повышаете зарплату". Ну, в общем, всё то, что чиновники и так пытаются делать, и оно не работает. Да, при этом мы не можем сказать, есть у этой задачи решение или нет. Но для этого же и нужны интеллектуальные как бы помощники, чтобы искать подобные решения.
В общем, если вкратце отвечать на вопрос: заменит ли нас искусственный интеллект в ближайшем будущем, ответ будет неоднозначным. Скажем так, если та работа, которую вы выполняете, является нетворческой и безответственной, да, но условно говоря, там вы пересылаете письма от ээ клиентов к руководителю, сопроводив их каким-то комментарием, то это действительно вещь, которая легко автоматизируется языковыми моделями. Но если вы вкладываете в свою работу какие-то свои экспертные знания, свой опыт, оценку и самое главное, вы берёте ответственность за то, что вы пишете, искусственный интеллект вас не заменит, но это не значит, что его не будет. Да, скорее, когда мы говорим о ближайшем будущем, мы говорим о неком кентавре, да, то есть некотором сочетании человека с машиной, когда у высококлассного специалиста в качестве интеллектуального помощника будет выступать нейронная сеть, обученная на специфических данных из его отрасли, да, ну, условно говоря, я занимаюсь там кораблестроением, у меня там больши большое количество каких-то там параметров, ГОСТов, которые всегда там сложно искать в справочниках. Вот какие-то такие вещи. То есть как интеллектуальную справочную систему мы и будем использовать, да, но при этом в любом случае начальнику от нас будет требоваться не просто текст правдоподобный, а мы должны как бы поставить под этим текстом свою подпись. что да, я проверил, я сверил эти данные, он не нагллюционировал какую-то ерунду, и то решение, которое предложено, оно действительно осуществимо, оптимально. У нас хватит на этого ресурсов, да, человеческих и прочее, да. То есть, э пока вы несёте ответственность за то, что вы говорите, нейронная сеть вас не заменит, но будет качественным дополнением. И те, кто не будут пользоваться этими дополнениями, те будут явно проигрывать тем, кто пользуется. Да, так всегда. То есть поэтому просто нужно готовиться к тому, что мм нейронные сети будут нашими помощниками. Ну да, действительно, какие-то профессии вроде там курьеров, продавцов на кассах, надо понимать, что их будет, как в человеческом процентном отношении всё меньше и меньше, да, потому что их уже можно начать заменять автоматическими системами. И как бы мы не запрещали, это будет сделано просто потому, что это выгодно бизнесу.