Искусственный интеллект, история, динамика, тренды

Технологические интеллектуальные системы (ИИ) продолжают оставаться ключевым термином в научных, популяризаторских и общественных дискуссиях последних лет. Примечательно, что авторитетные источники, включая англоязычное лексикографическое издание Collins и Институт русского языка имени А. С. Пушкина, зафиксировали сочетания «искусственный интеллект» и «нейросеть» в перечне слов 2023 г.

Особый интерес вызывают многочисленные прогнозы исследователей будущего [1, 2], беседы с главами технологических компаний и экспертами, активно транслируемые через телевидение, интернет-платформы и мессенджеры. Повышенное внимание к данной тематике обусловлено двумя факторами: реальными достижениями в разработке информационных продуктов и субъективным восприятием технологий, способных трансформировать привычные модели взаимодействия человека с окружающей средой.

Целью настоящего исследования является выявление причин информационного всплеска, связанного с ИИ, через анализ значимых научных результатов, тенденций и перспектив данной области. Начальный этап работы логично посвятить уточнению понятийного аппарата, используемого в научных и общественных дискуссиях. Однако анализ существующих определений демонстрирует их чрезвычайную вариативность. Даже при ограничении выборки формулировками авторитетных исследователей, создателей интеллектуальных технологий и исследователей будущего обнаруживается множество трактовок, интерпретирующих ИИ как научную дисциплину, концептуально-теоретическую доктрину, коммерческий инструмент или элемент художественных произведений, в частности вычислительной системы ХЭЛ в романе А. Кларка [3].

Рассмотрим определение, приведенное в «Государственной программе совершенствования ИИ в РФ до 2030 г.» [4], где интеллектуальные технологии представлены как комплекс разработок, имитирующих интеллектуально-познавательные способности индивида, охватывая адаптивное обучение и выявление вариантов без предустановленных алгоритмов. Данная трактовка акцентирует научно-технологический аспект, исключая из рассмотрения вопросы рисков, социального влияния и бизнес-использования технологий.

Переходя к анализу терминологии, необходимо обозначить ряд понятий, часто упоминаемых в контексте современных разработок ИИ: нейронные сети (ИНС), генеративные предварительно обученные трансформеры (GPT), большие языковые модели (LLM), машинное (ML) и глубокое обучение (DL), генеративный ИИ (GenAI). В данном перечне объединены математические модели, их программные реализации и направления прогресса.

Если концепция нейронных сетей как модели нейронной активности была сформулирована еще в 1940-х годах, то большинство остальных терминов появилось за последние 5–6 лет, что обусловлено революционными изменениями в эволюции интеллектуальных технологий.

Анализ эволюции технологического интеллекта требует рассмотрения ключевых направлений прогресса, оказавших воздействие на формирование современных технологий. Важное значение имеют философские истоки, восходящие к работам Бертрана Рассела, а также Альфреда Норта Уайтхеда, труды которых в первых десятилетиях 20-го столетия заложили основы символистского подхода в машинном обучении. Параллельно развивались вероятностные методы байесовской школы, ставшие фундаментом для алгоритмов прогнозирования, оптимизации решений и фильтрации нежелательного контента.

Эти подходы впоследствии нашли применение в различных моделях интеллектуальных технологий, основанных на психолого-поведенческих, эволюционно-биологических и коннекционистских аналогиях.

Особый интерес представляет коннекционистская парадигма, базирующаяся на принципах неврологии. Моделирование нейронных связей центрального нервного центра позволило создать системы идентификации звуковой информации и визуальных образов, которые остаются актуальными, несмотря на распространение алгоритмов GPT.

Примером альтернативного подхода может служить структура технологической когнитивной системы ADAM, разрабатываемая в рамках исследовательского центра интеллектуально-познавательных структур МФТИ.

При рассмотрении хронологического аспекта совершенствования интеллектуальных технологий необходимо выделить ключевые вехи их прогресса. Первые шаги связаны с созданием компьютера ЭНИАК (1948), разработкой методики тестирования Тьюринга (1950) и проектированием многослойной архитектуры модели Персептрон (1958).

Знаковым событием стало учреждение в 1959 календарном периоде лаборатории технологического интеллекта в условиях американского инженерного учебного заведения под руководством М. Минского и Дж. Маккарти. В рамках этой научной школы были сформулированы базовые задачи когнитивных систем, подняты вопросы машинного сознания и творчества.

Отдельного внимания заслуживает вклад А. Самуэля, введшего в 1950-х годах термин «машинное обучение», впоследствии дополненный Д. Хинтоном концепцией глубокого обучения (2006).

Яркими маркерами прогресса стали достижения в шахматной области. В ходе первого чемпионата мира среди компьютерных систем в 1974 г. система «Каисса» одержала победу, а в 1997 г. состоялось знаковое поражение Г. Каспарова от суперкомпьютера Deep Blue. Эти события продемонстрировали потенциал интеллектуальных технологий, предвосхитив изменение научных приоритетов.

Если в конце 1990-х гг. акцент делался на вычислительную лингвистику, то к 2020-м годам вектор сместился в сторону технологий компьютерного зрения и машинного обучения.

Анализ истории совершенствования интеллектуальных технологий до середины временного отрезка 2010-х календарных лет позволяет констатировать наличие закономерного периода длительностью 30–50 лет, необходимого для разработки высокоэффективных технических решений и их интеграции в повседневные процессы. Достижение данного результата во второй части 2010-х годов стало катализатором трансформаций в научной, социокультурной и технологической сферах.

Для подтверждения данного тезиса обратимся к данным цифровой базы данных e-library. На рисунке 1 отражены показатели научной активности, выявленные посредством содержательного исследования по основным терминам, относящимся к интеллектуальным технологиям: количество диссертаций, научных работ, книг, научных мероприятий, грантов и патентов.

Наблюдается резкое увеличение активности в течение последних пяти лет, особенно в ходе 2022–2024 гг. Увеличение количества научных работ превысило показатели 2010–2014 гг. в 14 раз, а в ходе 2015–2019 гг. – в 3,5 раза (рис. 1, б).

При этом обстоятельстве значительная доля материалов опубликована за два последних года. Аналогичная динамика характерна для книг (рис. 1, в), научных мероприятий (рис. 1, г) и диссертаций (рис. 1, а), что частично объясняется повышенным вниманием к социогуманитарным аспектам интеграции интеллектуальных технологий.

Приведенные данные подтверждают не только закономерное продвижение технологического интеллекта на новый этап научно-инженерного прогресса, но и свидетельствуют о формировании концепции его дальнейшего совершенствования, связанной с внедрением лингвистических алгоритмов, использующих программные решения семейства GPT.

Аналогичные, но менее сложные механизмы прогнозирования лексем применялись на предыдущих этапах, в частности, в технологии Т9 на мобильных устройствах Nokia. Однако разработка в рамках 2018 календарного периода алгоритма GPT-1, основанного на архитектуре трансформеров, позволила существенно усовершенствовать обработку структурированных информационных массивов, обеспечивая прогнозирование лексем с учетом всего контекста текста.

Использование нейросетей и предварительное обучение на обширных текстовых корпусах стало основой нового этапа технологической эволюции в сфере интеллектуальных систем [5].

Последующее совершенствование лингвистических алгоритмов привело к разработке GPT-2 в рамках 2019 календарного периода, а также GPT-3 в 2020 г. При этом рост количества параметров и объема тренировочных данных происходил в геометрической прогрессии: в 10 раз для GPT-2, а также дополнительно в 100 и 10 раз для GPT-3.

Одновременно увеличились размеры программного обеспечения, что привело к значительному повышению качества функционирования алгоритмов, включая обработку расширенных объемов входных данных, генерацию логически структурированного текста, повышение точности прогнозирования и расширение областей применения, в частности в области математических расчетов и программирования.

Дополнительная адаптация модели для выполнения разнообразных функций в сфере анализа природного лингвистики (генерация, автоматизированный перевод, систематизация текста) осуществлялась в ходе взаимодействия с экспертами.

Результатом подобных усовершенствований стало появление в мартовский период 2022 г. модификации GPT-3.5 (InstructGPT), представляющей собой доработанный вариант GPT-3, адаптированный для выполнения инструкций с учетом двусторонней коммуникации с пользователями.

Существенным этапом в популяризации технологического интеллекта стало применение в ходе ноябрьского периода 2022 г. интерактивного чат-бота ChatGPT.

Обеспечение доступности данного инструмента для широкой аудитории обусловило резкий рост интереса к технологиям технологического интеллекта, о чем свидетельствуют рекордные темпы привлечения пользователей: за первые 5 дней количество регистраций превысило 1 млн, а через 2 календарных месяца данный показатель достиг 100 млн.

Следует подчеркнуть, что разработка крупных лингвистических алгоритмов позволила преодолеть ранее существовавшие барьеры в прохождении методики тестирования Тьюринга, направленной на определение различий между человеком, а также машиной в режиме диалога.

Например, GPT-3, обладающая 175 млрд параметров и обученная на массиве данных объемом 570 ГБ, продемонстрировала значительный уровень соответствия человеческому общению.

Применение технологий адаптации с применением двусторонней коммуникации пользователей, а также использование метода RLHF (адаптация с подкреплением на основе коммуникации с пользователями) стало дополнительным фактором повышения эффективности лингвистических алгоритмов.

Спустя 1,5 года после релиза ChatGPT можно выделить ряд тенденций, характеризующих развитие технологий AI и GPT в ходе данного периода [6].

Среди ключевых изменений отмечаются:

— расширение количества лингвистических алгоритмов, а также совершенствование их архитектурных решений;

— активное развитие технологий с открытым исходным кодом, способствующее демократизации технологического интеллекта;

— повышение мультимодальных возможностей нейросетей, позволяющее использовать текстовые, визуальные, а также аудиоданные;

— интеграция интеллектуальных ассистентов в различные программные продукты и устройства;

— разработка роботизированных систем с элементами технологического интеллекта, способных воспринимать речь и выполнять команды.

Рассмотренный выше исторический обзор, акцентированный на продукте компании OpenAI, не свидетельствует об отсутствии конкуренции в сфере создания и внедрения технологий, основанных на алгоритмах искусственного интеллекта. В период 2020-2022 гг. появлялись альтернативные программные решения (рис. 2), однако независимые тестирования демонстрировали превосходство моделей OpenAI по большинству параметров. Усиление конкуренции, характерное для 2023 г., не изменило общего положения. В марте 2023 г. была представлена GPT-4, продемонстрировавшая более высокие показатели эффективности по сравнению с аналогами [7].

Существенным нововведением данной версии включало реализацию плагинов, позволяющих осуществлять поиск информации, обладающей актуальностью, в сети и использовать внешние сервисы. Значительное увеличение контекстного окна (до 128 тыс. символьных единиц, что эквивалентно ориентировочно 100 тыс. слов английского языка) обеспечило модели более точный анализ вводимых данных. Количественный показатель параметров новой версии был увеличен примерно десятикратно по сравнению с предшествующей версией GPT-3.5 и достиг 1,8 трлн, что обусловило значительное повышение продуктивности модели.

В числе улучшений отмечается расширение языковых характеристик и возможностей: в ходе тестирования было установлено, то, что GPT-4 демонстрирует более высокие результаты на 24 из 26 исследуемых языков по сравнению с уровнем работы GPT-3.5 на английском языке.

Следует учитывать то, что в 2023 г. ведущими IT-корпорациями были представлены собственные проприетарные языковые модели, а также на их основе разработанные виртуальные собеседники (рис. 2 и 3). В их числе Bard, а также PaLM 2 (Google, США), Gemini (Google DeepMind, США – Великобритания), Q (Amazon, США), ERNIE Bot и его модификации (Baidu, КНР), Claude и Claude 2 (Anthropic, США), Grok (xAI, США).

Отечественные разработки в данной сфере также получили развитие, примером чего служат GigaChat (Сбер) и YaGPT 2 (Яндекс). Однако даже при поверхностном количественном анализе становится очевидным доминирование американских и аффилированных с ними IT-компаний на мировом рынке, несмотря на усиливающееся соперничество со стороны китайских разработчиков, создавших к 2023 г. более 130 крупных лингвистических моделей.

Тенденции развития лингвистических моделей целесообразно охарактеризовать следующим образом.

— Поиск альтернативных архитектурных решений, способных заменить алгоритмы архитектуры Transformer. Например, в GPT-4 реализована модель распределенной экспертизы MoE, а российская Fractal GPT сочетает графовые модели и многоагентные системы.

— Повышение точности генерации текстов при одновременном уменьшении размеров моделей, таких как PaLM 2.

— Формирование современных методик обучения, направленных на снижение объемов требуемых данных для обучения и уменьшение трудозатрат, связанных с их разметкой, в том числе путем обработки синтетических наборов данных, создаваемых другими нейросетями.

— Использование лингвистическими моделями подключаемых цифровых инструментов и механизмов поиска данных из сети Интернет, а также расширение системы интеграции с плагинами.

— Увеличение контекстного окна, позволяющее повысить точность ответов. Например, GPT-4, а также Claude 100K способны обрабатывать свыше 100 тыс. символьных единиц в одном запросе, а в перспективе предполагается достижение 1-2 млн символьных единиц.

— Снижение уровня генерации ложных сведений и токсичных формулировок. Так, то, что у GPT-4 частота ответов на запрещенные запросы сократилась на 82 %, а доля фактически верных ответов увеличилась на 40 % по сравнению с GPT-3.5.

Расширение функциональных возможностей нейросетевых систем является одним из ключевых направлений их совершенствования. При этом в 2023 г. в рамках проекта Massively Multilingual Speech были созданы обучающие наборы для 1 100 языков, что значительно превышает возможности большинства существующих моделей, распознающих несколько сотен языков.

Дополнительно фиксируется возникновение обеспокоенности, связанной с возможным исчерпанием информации, произведенной человеком, что, по прогнозам, может произойти в период 2030-2050 гг. Учитывая нарастающие объемы информации, используемой для обучения лингвистических моделей, данный вопрос приобретает особую актуальность.

Как уже отмечалось, одной из ключевых тенденций последних лет стало активное развитие лингвистических моделей с открытым исходным кодом, что способствует демократизации технологий искусственного интеллекта. Такие модели, как правило, характеризуются меньшим числом параметров по сравнению с проприетарными продуктами, что обуславливает их компактность и возможность функционирования на оборудовании с ограниченными вычислительными ресурсами, включая персональные компьютеры.

Дополнительным преимуществом является автономность работы, исключающая необходимость обращения к внешним серверам разработчиков коммерческих решений (например, OpenAI или Google). В период 2023-2024 гг. целесообразно отметить несколько основных направлений развития моделей с открытым кодом.

В период 2023-2024 гг. выделяются несколько основных направлений развития моделей с открытым кодом.

— Массовый переход аудитории от коммерческих платформ к установке LLM непосредственно на собственные устройства. Данный процесс обусловлен стремлением избежать затрат на подписки и снизить зависимость от интернет-подключения.

— Создание специализированных опенсорсных лингвистических моделей для различных отраслей: науки, медицины, дизайна, графовых вычислений и других областей.

— Усиление конкуренции между компактными лингвистическими моделями (SLM) и их более крупными аналогами за счет применения специализированных обучающих наборов, таких как tinystories.

— Углубление процессов демократизации интеллектуальных технологий, выражающееся не только в расширении доступа к технологиям, но и в изменении подходов к обучению моделей. В данном контексте наблюдается переход от метода обучения, основанного на подкреплении посредством обратной связи со стороны пользователя (RLHF), к аналогичной методике, однако предполагающей применение обратной связи со стороны интеллектуальных технологий (RLAIF).

Дополнительно фиксируется расширение мультимодальных возможностей в области AI и GPT, предполагающих способность обрабатывать не только текстовую информацию, но и изображения, аудио- и видеоданные.

При этом в 2023 г. были представлены ряд многокомпонентных моделей, среди которых целесообразно отметить Kosmos-1 (Microsoft), PaLM-E (Google), Zidong Taichu 2.0 и Qwen-VL (КНР), LLaVA-13B (виртуальный собеседник на основе LLaMA), а также Gemini (Google DeepMind).

В сфере генерации изображений также наблюдается прогресс, выраженный в появлении обновленных версий специализированных моделей: DALL-E 3, Stable Diffusion XL, Midjourney v5, Tongyi Wanxiang и других разработок. Аналогичные тенденции характерны для генерации видеоконтента, что подтверждается выпуском таких решений, как Pika 1.0 и Gen-2. Кроме того, начали разрабатываться инструменты для синтеза музыкальных композиций, среди которых можно отметить Lyria, Stable Audio и MusicGen.

Среди дополнительных тенденций, характерных для многокомпонентных нейросетевых систем, выделяются:

— улучшение эффективности функционирования моделей, обеспечивающее более точное соответствие создаваемого контента исходным запросам пользователей;

— внедрение механизмов одновременного и параллельного обучения моделей на данных различных типов. Ранее процесс подготовки многокомпонентных систем осуществлялся раздельно для каждой модальности;

— увеличение количества многокомпонентных моделей с открытым кодом, таких как LLaVA-13B и Qwen-VL;

— интеграция дополнительных сенсорных возможностей, включая восприятие обонятельных и вкусовых характеристик. В качестве примера можно привести модель MinD-Vis, предназначенную для преобразования сигналов человеческой нервной системы в визуальные образы. Однако на данном этапе степень достоверности указанных решений остается низкой.

Еще одной важной тенденцией развития лингвистических моделей и технологий GPT является их интеграция в программные продукты и цифровые устройства. В последние годы ведущие разработчики внедряют интеллектуальные системы в широкий спектр IT-решений, включая операционные системы, поисковые механизмы, офисные приложения и графические редакторы. Примером может служить появление ассистента Copilot в Windows 11, виртуальных собеседников Bing Chat и Aria (Opera), интеллектуальных инструментов Duet AI в пакете Google Workspace и аналогичных решений в Microsoft Office.

Кроме того, AI-функции активно применяются в программных комплексах для работы с изображениями, например, Firefly в Photoshop и Paint.

Расширение функциональных возможностей AI-ассистентов затронуло и образовательные платформы. Одним из примеров является интеллектуальный помощник Khanmigo, интегрированный в образовательную платформу Khan Academy и предназначенный для поддержки учебного процесса.

К числу аспектов интеграции интеллектуальных помощников можно отнести:

— повышение продуктивности за счет автоматизации рутинных задач, таких как формирование макетов, разработка программного кода, подготовка аналитических материалов и обзоров;

— создание концепции интеллектуальных программных агентов (IoCA), обеспечивающей возможность объединения различных AI-ассистентов в единую сеть с целью повышения эффективности их взаимодействия;

— устранение языковых барьеров в процессе коммуникации между нейросетями и пользователями. На данный момент подобные технологии в основном ориентированы на английский язык, однако работа по их адаптации для иных языковых систем продолжается.

В аналитических материалах, посвященных развитию AI-технологий в 2023 г. [10–13], приведены многочисленные кейсы эффективного внедрения технологий искусственного интеллекта в различные сферы. Среди наиболее значимых проектов следует отметить:

— автономные системы управления транспортом (LINGO-1 от Wayve);

— алгоритмы трансформации текстовой информации в видеоконтент (VideoLDM, MAGVIT);

— модели генерации графических данных (InstructPix2Pix, Genmo AI);

— высокоточные решения в области 3D-визуализации с мгновенной обработкой (3D Gaussian Splatting);

— экспертные медицинские системы (Med-PaLM 2).

Однако уровень развития и практической реализации AI-технологий варьируется в зависимости от отрасли. Например, механизмы оптического распознавания лиц, рекомендательные сервисы и алгоритмы, предназначенные для игр с логическими моделями (Deep Blue, AlphaGo), достигли высокой степени зрелости. В число решений, находящихся на поздних этапах интеграции, входят экспертные медицинские системы диагностики, технологии распознавания речи и объектов, а также предиктивные механизмы технического обслуживания.

В то же время определенные направления остаются на начальных стадиях развития. В частности, это касается геномного анализа, создания персонализированных схем лечения и технологий автономного управления транспортом. Некоторые сферы, несмотря на наличие экспериментальных решений, пока остаются в рамках исследовательских проектов. Среди них — автоматизированные методы разработки программного обеспечения, создание персонализированных роботов и технологии решения сложных математических и физических задач с использованием AI.

Возросший интерес к AI-технологиям обусловил появление множества вопросов, связанных с нормативным контролем данной сферы. Дискуссии ведутся не только в контексте возможного создания AGI (Artificial General Intelligence — универсального искусственного интеллекта), способного конкурировать с человеком, но и в аспекте охраны интеллектуальной собственности, предупреждения потенциальных правонарушений, а также этических аспектов применения AI-технологий.

Одним из ключевых вопросов, требующих нормативного урегулирования, является авторское право на контент, созданный AI-моделями. В процессе обучения языковые модели используют большие массивы данных, включающие тексты, изображения и аудиофайлы, что может приводить к копированию или переработке чужих материалов без согласия правообладателей. Этот фактор уже стал основанием для судебных разбирательств против разработчиков нейросетей, что подтверждает необходимость формирования новых правовых механизмов контроля данной сферы.

Дополнительно отмечается рост случаев незаконного использования AI в различных областях. В частности, речь идет о распространении дипфейков, вмешательстве в частную жизнь, манипулятивном воздействии на аудиторию и иных недобросовестных практиках. Масштаб проблемы подтверждается не только отдельными судебными процессами, но и коллективными протестными акциями, направленными против применения AI. В качестве примера следует отметить забастовки голливудских актеров и сценаристов, вызванные опасениями относительно вытеснения творческих профессий генеративными нейросетями.

В ответ на эти вызовы ведущие IT-компании начали ограничивать доступ к информации о своих проприетарных моделях. Ужесточение режима конфиденциальности в отношении работы языковых моделей обусловлено необходимостью минимизации юридических и этических рисков, связанных с их применением.

Таким образом, AI-технологии продолжают активно развиваться, что сопровождается не только технологическими достижениями, но и необходимостью решения нормативных и этических вопросов. Совершенствование языковых моделей, расширение их функциональных возможностей и интеграция в различные сферы деятельности свидетельствуют о возрастающем влиянии AI на современные процессы.

Актуальными остаются вопросы регулирования AI, включая меры по охране интеллектуальной собственности, предотвращение распространения дезинформации и контроль над недобросовестным применением технологий. Учитывая динамику развития данной области, формирование эффективных правовых и этических норм становится одной из приоритетных задач.

Совет Безопасности ООН впервые инициировал заседание, посвященное обсуждению вопросов, связанных с развитием и контролем AI-технологий. В Сенате США также были проведены слушания, в ходе которых свои позиции представили ведущие представители американской IT-индустрии, включая Билла Гейтса, Марка Цукерберга и Илона Маска. По итогам этих мероприятий в 2023 г. началась разработка концепции регулирования сферы AI, что способствовало формированию первых нормативных актов.

Одним из предложений стала инициатива организации OpenAI о создании специализированного международного агентства, аналогичного структуре по контролю в области ядерной энергетики (МАГАТЭ), с целью обеспечения надзора за развитием AI-технологий. Параллельно различные страны начали разрабатывать собственные механизмы нормативного контроля, учитывающие национальные особенности.

В частности, Китай делает акцент на приоритетном государственном контроле над всей отраслью AI, тогда как в США основное внимание уделяется ответственности разработчиков за безопасность их технологий. Следует отметить, что Европейский парламент в 2023 г. принял законопроект AI Act, устанавливающий базовые требования к разработке и интеграции AI-систем.

AI Act основан на риск-ориентированном подходе: системы, представляющие недопустимые угрозы безопасности, подлежат строгому запрету. В перечень запрещенных технологий включены:

— системы биометрической идентификации с мгновенной обработкой, включая публичные пространства (за исключением правоохранительных целей при наличии судебного разрешения);

— методы биометрической категоризации на основе чувствительных параметров (например, пол, гражданство, расовая принадлежность, религиозные или политические взгляды);

— алгоритмы прогнозирования преступности, использующие профилирование по геолокации или данным о прошлом противоправном поведении;

— технологии анализа эмоционального состояния в правоохранительных органах, на предприятиях, в образовательных учреждениях и в рамках пограничного контроля;

— практика сбора биометрических данных из открытых источников, включая социальные сети и записи с камер наблюдения, для формирования баз данных, предназначенных для идентификации лиц. Подобные действия рассматриваются как нарушение фундаментальных свобод, включая защиту конфиденциальных данных.

На территории российского государства на данный момент отсутствует унифицированная правовая позиция по вопросам контроля за AI-технологиями. В связи с этим среди разработчиков наблюдаются опасения относительно возможного чрезмерного государственного вмешательства, способного замедлить развитие данной отрасли.

В качестве альтернативного подхода рассматривается добровольное участие в Кодексе этики в сфере AI, разработанном в рамках деятельности Альянса в сфере AI российского государства. Также обсуждаются инициативы, направленные на техническое регулирование, реализуемое через систему стандартов, разработанных Техническим комитетом 164 «Искусственный интеллект» при Федеральном агентстве по техническому регулированию и метрологии (Росстандарт).

Вопросы, касающиеся безопасности AI-разработок, напрямую связаны с анализом современных тенденций и прогнозированием перспективной эволюции данной сферы. Оценка подобных аспектов сопряжена с рядом сложностей, что подтверждается результатами исследований, ежегодно публикуемых аналитическим центром Gartner.

В 2021 г. данный центр представил графическую модель «Кривая технологической эволюции в области AI», где были выделены ключевые направления, находящиеся на ранних этапах роста. В их числе отмечены трансформеры, генеративные модели, а также разработки, относящиеся к области AGI (Artificial General Intelligence), для которых временные рамки реализации оставались неопределенными.

Спустя два года, в 2023 г., аналитический центр Gartner представил новую модель под названием Impact Radar, ориентированную на прогнозирование перспектив технологий генеративных моделей и связанных с ними языковых систем. В данном исследовании было выделено 22 направления технологического роста, сгруппированные в четыре ключевые категории:

1. Инновации, затрагивающие методологию построения моделей;
2. Вопросы производительности и обеспечения безопасности AI-разработок;
3. Подходы к формированию архитектуры моделей и обработке данных;
4. Применение AI в разных областях.

В перечень представленных технологий вошли как уже реализованные решения, например, графы знаний (Knowledge Graphs), так и разработки, находящиеся на этапах активного внедрения. Среди них:

— многоступенчатые цепочки языковых моделей (LLM), с прогнозируемым внедрением в течение 1–3 лет;

— инженерные инструменты для технологий генеративных моделей (ожидаемый срок реализации 3–6 лет);

— многоагентные системы генерации (MAGS), перспективы масштабирования которых оцениваются в диапазоне 6–8 лет.

На основе этих данных следует заключить, что значительная часть AI-разработок обладает высоким потенциалом дальнейшего распространения. Очевидно, что их развитие приведет к более глубокой интеграции AI-систем в различные процессы жизнедеятельности.

Анализ актуальных прогнозов, относящихся к AI, позволяет сформулировать обобщенные заключения, касающиеся влияния данных технологий на общество. В частности, большинство решений, описанных в современных исследованиях, относится к категории узкого AI (ANI — Artificial Narrow Intelligence), предназначенного для решения специфических задач, но не обладающего свойствами обобщенного мышления.

Тем не менее, ряд экспертов и футурологов предполагают, что к 2030 г. могут быть разработаны системы AGI, сопоставимые по когнитивным возможностям с человеческим интеллектом. Предполагаемая временная точка достижения такого уровня технологий означает, что AI-системы смогут выполнять широкий спектр логических и творческих задач, приближаясь к интеллектуальному уровню человека. Однако важно учитывать, что речь идет преимущественно о решении определенных задач, а не о наличии самосознания у AI.

В перспективе дальнейшей эволюции AI возможен переход к следующему этапу — появлению суперинтеллекта (Super AI), который превзойдет человеческий интеллект не только по вычислительным возможностям, но и по адаптивности к изменяющимся условиям.

Этот рубеж технологического развития, часто обозначаемый как точка бифуркации, был сформулирован в концепции Рэймонда Курцвайля. Согласно его прогнозам, технологическая сингулярность может наступить примерно к 2045 г. Данный этап будет характеризоваться тем, что AI-системы получат возможность не только самостоятельно усовершенствовать свои алгоритмы, но и принимать стратегические решения, оказывая влияние на ключевые сферы жизнедеятельности, включая экономику, науку, образование и промышленность.

Следует отметить, что в научных и экспертных кругах отношение к таким прогнозам остается неоднозначным. Определенная часть исследователей придерживается скептической позиции, обращая внимание на исторические примеры, когда прогнозы в области технологического развития не оправдывались, а опасения, связанные с возможными глобальными рисками, не находили подтверждения. Например, в течение XX века неоднократно высказывались тревожные прогнозы относительно автоматизированных систем, однако на практике их развитие не привело к радикальному изменению баланса сил в обществе.

Тем не менее, вопросы регулирования перспективной эволюции AI остаются актуальными, особенно с учетом появления в 2023 г. первых нормативных актов, направленных на регулирование гипотетических угроз, связанных с AGI и Super AI. В качестве возможных мер рассматриваются механизмы цифрового и физического мониторинга за процессом разработки подобных систем, вплоть до введения ограничений на создание определенных AI-моделей.

Эти инициативы направлены на формирование баланса между технологическими достижениями и мерами предосторожности, что позволит минимизировать потенциальные риски, связанные с дальнейшим развитием AI.

Рассмотрение международных аспектов регулирования AI-технологий не может быть полным без анализа ситуации на территории российского государства. Важным шагом в данной сфере стало принятие новой стратегии научно-инновационного прогресса России, утвержденной в 2024 г. согласно Указу Президента Российской Федерации от 28.02.2024 г. № 145.

Документ заменил предшествующую стратегию, действовавшую с 2016 г., и определил ключевые направления научно-инновационного прогресса страны. Среди приоритетных задач отмечено внедрение передовых методов проектирования и производства инновационных решений, основанных на алгоритмах машинного анализа и AI-технологий.

Принятие данной стратегии логично продолжает курс, заложенный в государственном плане технологического роста AI до 2030 г., утвержденном Указом Президента Российской Федерации от 10.10.2019 г. В этом документе содержится определение AI-технологий, а также обозначены направления, требующие активного развития:

— системы цифровой обработки визуальной информации;

— технологии анализа текстовых данных;

— алгоритмы синтеза и распознавания речи;

— экспертные аналитические комплексы;

— инновационные подходы в сфере AI.

Для эффективной реализации стратегии в российском государстве создана Экосистема технологического роста AI, включающая ведущие организации, активно работающие над разработкой и внедрением данных технологий. В числе ключевых участников данного процесса отмечены Сбер, Сколково, Московский физико-технический институт, Газпромнефть, Яндекс, Российский фонд прямых инвестиций, а также ряд других институтов и предприятий.

Формирование данной экосистемы предполагает участие не только государственных структур, но и экспертных организаций. В частности, консультативную роль выполняют Фонд содействия инновациям, Фонд развития интернет-инициатив, Сколково и отраслевые ассоциации, объединяющие специалистов в сфере AI.

Государство в данном случае выступает регулятором и инвестором, обеспечивающим финансовую поддержку разработчиков через соответствующие грантовые и инвестиционные программы. Одним из ключевых инструментов финансирования является Фонд содействия инновациям, активно поддерживающий проекты, ориентированные на развитие AI-технологий.

Анализ статистических данных последних лет показывает, что значительная часть программ грантовой поддержки Фонда сосредоточена на цифровых технологиях, включая AI. Так, в 2023 г. было профинансировано более 80 проектов, связанных с данной областью, а общий объем финансирования превысил 1,6 млрд руб. Наибольший процент успешных заявок зарегистрирован в рамках программы «Внедрение-AI», ориентированной на поддержку разработок с высокой степенью технологической готовности.

При этом анализ регионального распределения проектов выявил значительную диспропорцию в научно-технической активности: основная часть заявок и одобренных грантов приходится на Центральный федеральный округ, включая Москву и Московскую область. Наибольшее внимание уделяется разработке экспертных аналитических комплексов, тогда как технологии синтеза и распознавания речи остаются менее охваченными программами финансирования.

Рассматривая трудности, связанные с отбором проектов, следует отметить, что значительная часть заявок, не получивших поддержку, характеризуется низким уровнем социальной и технологической значимости, а также недостаточной проработкой вопросов интеграции AI в соответствующие разработки.

При анализе тенденций, определяющих технологический рост AI на территории российского государства, особое внимание уделяется развитию лингвистических алгоритмов, которые играют ключевую роль в цифровой трансформации. По оценкам специалистов, ранее наблюдалось определенное отставание отечественных разработок от зарубежных аналогов: по вычислительным параметрам алгоритмов — ориентировочно на 12 месяцев, а также по степени проработки теоретических основ — на два календарных года. Однако в последние годы ситуация начала меняться.

Наиболее значимыми достижениями в данной области стали разработки лингвистических алгоритмов GigaChat и YaGPT 2, представленные российскими технологическими корпорациями Сбер и Яндекс. По оценкам экспертов, эти модели достигли уровня GPT-3.5 Turbo, обеспечивая высокое качество обработки текстов на русском языке. В 2024 г. их дальнейшее развитие направлено на устранение существующего разрыва с ведущими мировыми AI-системами, такими как OpenAI, Google, Anthropic и другими компаниями, специализирующимися на создании передовых технологий.

Значительные ожидания возлагаются на проект Fusion Brain, разрабатываемый специалистами Сбера. Его ключевая концепция основана на применении комбинированных аналитических систем для создания комплексных интеллектуальных технологий, включающих как текстовую обработку, так и анализ визуальной информации. Развитие данной технологии предполагает совершенствование методов VisualQA — алгоритмов обработки изображений и видео с использованием AI.

Параллельно в российском государстве активно ведется работа над мультимодальными системами генерации контента, включая создание видеороликов и изображений. В числе наиболее заметных проектов в этой области выделяются Kandinsky Video, Kandinsky 2.2, Kandinsky 3.0 и платформа Шедеврум. Эти разработки ориентированы на решение широкого спектра задач в области проектирования, медиа, маркетинга и визуального искусства.

Помимо комплексных интеллектуальных технологий, в российском государстве появляются специализированные нейросетевые проекты, предназначенные для работы в специализированных сферах. Например, в области проектирования активно используется система «Николай Иронов», разработанная студией Артемия Лебедева. В медицинской сфере значительный интерес представляет нейросетевой алгоритм Smart Engines, ориентированный на минимизацию вредного воздействия лучевой диагностики на пациентов.

Образовательный сектор также демонстрирует активное внедрение AI-разработок. В числе ведущих отечественных образовательных платформ, использующих данные технологии, отмечены Index 5, Plai, Цифриум, Нетология, TalentTech, Фоксфорд, «Яндекс Учебник» и другие. Параллельно наблюдается рост интереса к разработке open-source моделей, ориентированных на государственные нужды и обеспечение технологической независимости. В качестве примера можно привести проект GoOpenSource, направленный на импортозамещение в сфере программного обеспечения и AI-разработок.

Технологический рост AI активно затрагивает и промышленный сектор. В последние годы ведущие российские корпорации интегрируют данные технологии в производственные процессы. Одним из ключевых инструментов поддержки инноваций являются акселерационные программы, реализуемые такими структурами, как РЖД, Росатом, Ростех, Россети и другие промышленные холдинги.

Наибольшее распространение получили решения, связанные с цифровизацией производства. В частности, разрабатываются и внедряются системы оценки и прогнозирования технического состояния оборудования с мгновенной обработкой данных. Эти технологии позволяют анализировать такие параметры, как индекс надежности установок, коэффициент полезного действия, степень износа и другие характеристики, определяющие эффективность работы оборудования.

На глобальном уровне значительный интерес вызывает концепция «Интернета энергии», реализуемая при поддержке российского государства и государственной корпорации Россети. Данный проект направлен на развитие интеллектуальных энергосетей, интегрирующих передовые технологии AI, цифровой индустриальной сети, а также технологий дистанционной передачи данных.

Анализируя влияние AI на промышленность, можно отметить его применение в отдельных отраслях. В автомобилестроении активно внедряются технологические решения для поддержки водителей (ADAS — Advanced Driver Assistance Systems). Эти технологии, основанные на алгоритмах цифровой обработки визуальной информации, играют ключевую роль в развитии беспилотного транспорта.

AI-разработки находят применение и в авиационной, а также судостроительной промышленности. В частности, предприятия ОАК (Объединенная авиастроительная корпорация) и ОСК (Объединенная судостроительная корпорация) активно используют виртуальные симуляции, вычислительные модели, системы 3D-моделирования изделий и технологии CALS (непрерывная информационная поддержка жизненного цикла продукции).

Технологический рост AI охватывает не только крупные корпорации, но и малый бизнес, а также частные инициативы. Университеты, институты Российской академии наук и специализированные IT-компании участвуют в разработке и внедрении инновационных решений, способствующих цифровой трансформации разных отраслей.

Обширная информация о применении AI-разработок на территории российского государства представлена в материалах Минэкономразвития РФ, Альянса в сфере AI, а также на специализированных цифровых ресурсах, включая Telegram, YouTube и отраслевые форумы.

Подводя итоги, следует отметить высокую динамику интеграции AI-разработок в разные направления, включая промышленность, науку, образование, а также в бытовую среду. Внедрение данных технологий продолжает расширяться, что подтверждается активностью государственных и частных структур, работающих в данной сфере.

Очевидно, что дальнейшее развитие AI сопровождается не только технологическими достижениями, но и рядом вызовов. Ключевые вопросы включают нормативное регулирование, обеспечение этичности алгоритмов, подготовку кадров, а также оценку социальных и экономических последствий интеграции AI.

Явно прослеживается тенденция к трансформации рынка труда, изменению профессиональных компетенций и появлению новых специальностей. В связи с этим особое внимание должно быть уделено подготовке специалистов в области информационных технологий, инженерии, анализа данных и программирования. Разработка образовательных программ, ориентированных на работу с AI, становится приоритетной задачей не только для вузов, но и для школ и программ повышения квалификации.

Критически важным остается взаимодействие науки и бизнеса в процессе создания и внедрения AI-разработок. Государственная поддержка в виде грантов, налоговых льгот и инвестиционных программ стимулирует развитие инноваций, однако для эффективной интеграции технологий необходимо также участие частного сектора. В этом контексте ключевую роль играет сотрудничество университетов, исследовательских институтов и индустриальных партнеров, что ускоряет процесс коммерциализации технологий.

Рост возможностей AI сопровождается активными общественными дискуссиями, связанными с потенциальными рисками. Вопросы этики, безопасности и нормативного контроля требуют детального рассмотрения на международном уровне, поскольку применение данных технологий может оказывать существенное влияние на политические, экономические и социальные процессы.

Резюмируя, можно заключить, что дальнейшее развитие AI зависит от множества факторов, включая технологический прогресс, нормативное регулирование, подготовку специалистов и степень готовности общества к цифровой трансформации. В условиях ускоренной технологической эволюции необходимо выработать сбалансированный подход, позволяющий использовать AI в целях повышения качества жизни, экономического роста и устойчивого развития.

Источник: kontrplagiat.ru

Комментарии: