Czytaj książkę: «Цифровой дворецкий. Всё про ИИ: твой гид по миру, который уже изменился»

Цифровой дворецкий. Всё про ИИ: Твой гид по миру, который уже изменился

ВВЕДЕНИЕ. ДОБРО ПОЖАЛОВАТЬ В НОВЫЙ МИР

Есть такой момент на вечеринке или за семейным ужином, когда разговор неизбежно заходит об ИИ. Кто-то рассказывает, как ChatGPT написал за него отчёт. Кто-то жалуется, что теперь непонятно, кто вообще пишет тексты в интернете. Кто-то спрашивает, не заменят ли роботы всех через пять лет. И в этот момент часть людей за столом кивает и включается – а другая часть тихо отводит взгляд и делает вид, что очень занята бокалом.

ИИ ворвался в публичное пространство так быстро и так громко, что не успеть – совершенно нормально. Это не признак отсталости и не повод стыдиться. Это просто означает, что в нужный момент внимание было занято другим. Жизнью, работой, чем угодно важным.

ПОЧЕМУ ИМЕННО СЕЙЧАС

Технологии появляются постоянно. Большинство из них – фоновый шум, который можно игнорировать без последствий. ИИ – другая история, и вот почему.

Он уже встроен в повседневную жизнь – в банковское приложение, в навигатор, в ленту соцсетей, в почтовый спам-фильтр. Большинство людей пользуются им ежедневно, просто не зная об этом. А значит, понимать, что происходит – это не вопрос интереса к технологиям. Это вопрос ориентирования в собственной жизни.

Кроме того, разговоры об ИИ никуда не исчезнут. Они будут только учащаться – на работе, в новостях, в школе, где учатся дети. Иметь базу, с которой можно спокойно в них участвовать, – не роскошь и не привилегия технарей. Это новая базовая грамотность.

ЧТО ЗДЕСЬ ЕСТЬ И ЧЕГО НЕТ

Эта книга не учебник и не технический справочник. Здесь нет кода, формул и объяснений того, как именно устроена математика внутри нейросети. Всё это существует – и для тех, кому интересно идти глубже, есть отдельные ресурсы. Но для спокойного ориентирования в мире ИИ это не нужно.

Здесь есть история: откуда взялась эта технология и почему она появилась именно сейчас, а не раньше. Есть устройство: как работают разные виды ИИ и чем они отличаются друг от друга. Есть практика: как ИИ уже присутствует в жизни и на работе – заметно и незаметно. Есть честный разговор о рисках: что из тревожного списка реально, что преувеличено медиа и чего стоит действительно опасаться. И есть первый шаг – для тех, кто хочет попробовать сам.

В конце – словарь из двадцати пяти терминов, которые нужно знать для любого разговора на эту тему, и навигатор по инструментам: что бывает, для чего и как попробовать.

ГЛАВНОЕ ОБЕЩАНИЕ

После этой книги не станешь специалистом по ИИ.

Цель другая: выйти из ощущения, что происходящее непонятно и пугающе, – и войти в спокойное понимание того, что за всем этим стоит. Не бояться разговоров на эту тему. Отличать реальные риски от раздутых страшилок. Знать, какой инструмент для чего существует. И при желании – попробовать самому, без ощущения, что это только для избранных.

ИИ – не магия и не угроза. Это инструмент. Мощный, быстро развивающийся, меняющий многое вокруг – но инструмент. И с инструментами люди умеют обращаться.

ГЛАВА 1. КРАТКАЯ ИСТОРИЯ: ОТ МЕЧТЫ ДО CHATGPT

Идея думающей машины старше любого компьютера. Старше электричества. Старше самого слова «технология».

В древнегреческих мифах бог-кузнец Гефест ковал золотых служанок – механических женщин, способных говорить и помогать в работе. Не просто статуи: существа, которые понимали, чего от них хотят. В еврейских преданиях раввин лепил из глины Голема и оживлял его священным словом. Послушный, сильный, исполнительный – но лишённый собственной воли.

В 1818 году Мэри Шелли написала «Франкенштейна». Молодой учёный собирает живое существо из мёртвой материи – и обнаруживает, что понятия не имеет, как с ним обращаться. Существо умно и чувствует, но отвергнуто. История заканчивается плохо для обоих.

На первый взгляд всё это далеко от нейросетей и чат-ботов. Но нерв у этих историй общий: человек хочет создать нечто, способное думать и действовать. И одновременно боится того, что из этого выйдет. Этот страх никуда не делся – он просто сменил форму. Когда сегодня говорят «ИИ захватит мир» или «роботы отнимут работу», по существу пересказывают Франкенштейна. Другие слова, та же тревога.

АЛАН ТЬЮРИНГ И ВОПРОС, ИЗМЕНИВШИЙ ВСЁ

1950 год. Пять лет после войны. Компьютеры только появились – громоздкие, занимающие целые комнаты, занятые преимущественно военными расчётами. Молодой британский математик Алан Тьюринг публикует статью с простым, но взрывным вопросом: может ли машина думать?

К тому моменту Тьюринг уже изменил ход истории. Его команда взломала немецкую «Энигму» – шифровальную машину, которую считали неуязвимой. По оценкам историков, это приблизило конец Второй мировой войны на несколько лет и спасло миллионы жизней. Но нас здесь интересует другое его достижение.

Вместо того чтобы увязнуть в философских спорах о природе сознания, Тьюринг предложил практичный тест. Позже его назовут «тестом Тьюринга», хотя сам автор называл его «игрой в имитацию». Суть простая: человек общается в переписке с двумя собеседниками – одним живым, другим машиной. Если отличить машину от человека не удаётся – значит, для практических целей она «думает».

Это была умная постановка задачи. Тьюринг не требовал от машины сознания или чувств. Если поведение неотличимо от мышления, говорил он, – это и есть мышление. Расплывчатую мечту он превратил в измеримую инженерную цель.

Самому Тьюрингу не дали возможности её реализовать. В 1952 году его осудили за гомосексуальность – тогда это было уголовным преступлением в Великобритании. В 1954-м он умер. Ему было 41.

Британское правительство принесло официальные извинения в 2009 году. Посмертно. Сегодня его лицо – на банкноте в 50 фунтов. А вопрос, заданный в 1950-м, стал отправной точкой для всего, что сейчас называют искусственным интеллектом.

БОЛЬШИЕ ОБЕЩАНИЯ И ДВЕ ЗИМЫ

1956 год. Небольшой городок в Нью-Гэмпшире, летняя конференция в Дартмутском колледже. Математик Джон Маккарти предлагает термин «искусственный интеллект» – и здесь начинается официальная история этой науки.

Участники были уверены: несколько лет работы – и машины смогут делать всё, что делает человек. Переводить тексты, решать задачи, понимать речь, играть в шахматы. «Мы считаем, что каждый аспект интеллекта можно описать достаточно точно, чтобы машина могла его имитировать», – написали они в заявке на финансирование. Деньги дали. Много.

Первые результаты впечатляли: программы доказывали теоремы, решали головоломки, играли в шашки лучше большинства людей. Казалось, прорыв близко.

Оказалось – нет.

Разрыв между «решить чёткую задачу с правилами» и «понять обычную речь» оказался пропастью. Попробуй объяснить компьютеру, что «я умираю от смеха» – не медицинская ситуация. Или что «она открыла окно» может означать совершенно разные вещи в зависимости от контекста. Машины терялись при малейшей неоднозначности, а реальная жизнь состоит из неоднозначностей почти целиком.

К середине 1970-х финансирование иссякло. Программы закрылись. Наступила первая «зима ИИ».

Потом потеплело. В 1980-х появились «экспертные системы» – программы, в которые кодировали знания конкретного специалиста: врача, юриста, налогового консультанта. Бизнес увидел деньги, интерес вернулся. Но и этот подход обнаружил свои пределы: экспертные системы были хрупкими, любой выход за прописанные рамки давал бессмысленные ответы, а обновлять их стоило огромных усилий.

В конце 1980-х – вторая зима. Финансирование срезали. Японская государственная программа по созданию «компьютеров пятого поколения» тихо провалилась. Слова «искусственный интеллект» на несколько лет превратились в ругательство в научных кругах – серьёзные исследователи предпочитали называть свои работы иначе, лишь бы не отпугнуть гранты.

ЧТО ИЗМЕНИЛОСЬ В 2010-Х

Предыдущие подходы пытались формализовать знания: записать правила, описать логику, прописать инструкции. Это работало плохо – реальный мир слишком сложен для любого набора правил.

Новый подход – машинное обучение – перевернул логику. Вместо того чтобы говорить машине «делай так», ей говорили: вот миллион примеров, найди закономерность сам. Примерно как учат ребёнка различать кошек и собак – не через объяснение признаков, а через тысячи показанных картинок.

Теоретически этот подход существовал давно. Но для его работы не хватало двух вещей.

Первое – данные. К 2010-м интернет накопил их в избытке: миллиарды текстов, фотографий, записей, обсуждений. Всё, что человечество писало, снимало и публиковало, стало сырьём для обучения.

Второе – вычислительная мощь. Процессоры подешевели и ускорились, видеокарты – созданные изначально для игр – оказались идеально подходящими для задач обучения. Облачные сервисы позволили арендовать огромные ресурсы без покупки оборудования.

Всё сошлось одновременно.

В 2012 году на международном соревновании по распознаванию изображений система AlexNet выиграла с таким отрывом от конкурентов, что результаты поначалу перепроверяли – не верили. Она ошибалась вдвое реже лучших предыдущих методов. Стало очевидно: это другой уровень.

После этого всё ускорилось. Google, Facebook, Microsoft, Amazon начали вкладывать в ИИ миллиарды. Лучшие исследователи уходили из университетов в корпорации. Прогресс стал измеряться месяцами.

ИИ научился распознавать лица, понимать речь, переводить тексты. В 2016 году программа AlphaGo победила чемпиона мира по го – древней игре, которую долго считали недостижимой для машин из-за астрономического числа возможных ходов. Чемпион проиграл 1:4 и после матча сказал, что увидел ходы, о существовании которых даже не подозревал.

Но даже это ещё не было тем взрывом, о котором сегодня пишут в новостях.

КАК МИР УЗНАЛ ОБ ИИ

30 ноября 2022 года компания OpenAI тихо опубликовала ссылку на новый продукт. Без пресс-конференций и рекламных кампаний. Просто – вот, попробуйте.

Это был ChatGPT.

За пять дней – миллион пользователей. За два месяца – сто миллионов. TikTok набирал столько же девять месяцев, Instagram – два с половиной года. ChatGPT стал самым быстро растущим потребительским приложением в истории.

Все предыдущие чат-боты работали по одной схеме: фраза на входе – поиск похожей фразы в базе – заготовленный ответ на выходе. Строго по скрипту. Любое отклонение от стандартного запроса – и система терялась.

ChatGPT был устроен иначе. Можно написать что угодно – и получить связный осмысленный ответ. Объяснить квантовую физику языком пятилетнего ребёнка. Составить письмо в извиняющемся тоне. Придумать рецепт из того, что осталось в холодильнике. Разобрать юридический документ простыми словами. Помочь с резюме. Он справлялся – не идеально, с ошибками, но достаточно хорошо, чтобы люди не верили глазам.

За этим стояла технология больших языковых моделей. Модель обучили на невообразимом объёме текстов – книгах, статьях, сайтах, форумах, разговорах. Она научилась предсказывать, какое слово с наибольшей вероятностью следует за предыдущим. Звучит просто. Но когда обучение проведено на триллионах слов с использованием сотен миллиардов параметров – результат создаёт полное впечатление понимания.

Ноябрь 2022-го – не просто запуск нового приложения. Это момент, когда технология, которую десятилетиями разрабатывали в лабораториях, впервые вышла к обычным людям – и осталась.

ПОЧЕМУ ЭТО НЕ ОЧЕРЕДНОЙ ХАЙП

Сравнение с криптовалютами возникает закономерно. Технологический мир видел немало историй, где за громкими заявлениями не стояло почти ничего прочного.

Разница в том, что ИИ уже работает. Прямо сейчас. Не в теории и не в демо-роликах. Врачи используют его для анализа медицинских снимков с точностью, которая недостижима для уставшего человека. Биохимики открывают структуры белков, на изучение которых раньше уходили годы. Компании автоматизируют тысячи часов рутинной работы. Студент в любой точке мира получает персонального репетитора в любое время суток.

Ближайшая аналогия – интернет в середине 1990-х. Тогда тоже хватало скептиков с разумными аргументами: пустые стартапы, раздутые оценки, безумные обещания. В 2000-м лопнул пузырь доткомов, многие потеряли деньги. И всё же интернет остался – и изменил буквально всё. Электронная почта вытеснила обычные письма. Навигаторы сделали бумажные карты реликтом. Стриминг перестроил музыку и кино.

Искусственный интеллект – такой же сдвиг. Не революция за одну ночь. Медленное, но необратимое изменение того, как люди работают, учатся, лечатся и принимают решения. С той разницей, что происходит это значительно быстрее, чем в эпоху раннего интернета.

Понять, откуда взялся ИИ – первый шаг. Следующий – разобраться, как он устроен внутри. Что происходит, когда задаёшь вопрос ChatGPT или любому другому чат-боту? Думает ли машина – или делает что-то принципиально другое? Именно об этом следующая глава.

ГЛАВА 2. ЧТО ТАКОЕ ИИ НА САМОМ ДЕЛЕ (БЕЗ ФОРМУЛ)

Слово «интеллект» в названии сыграло злую шутку. Оно сразу вызывает образ чего-то думающего, понимающего, почти живого. Из-за этого люди либо переоценивают ИИ – ждут от него мудрости и здравого смысла – либо пугаются раньше времени.

На деле всё устроено иначе. И как только это становится понятным, значительная часть тревоги рассеивается сама.

НЕ ПО ИНСТРУКЦИИ, А НА ПРИМЕРАХ

Обычная компьютерная программа работает по инструкции. Разработчик прописывает точные правила: если нажата эта кнопка – выполни это действие, если введено такое число – посчитай по такой формуле. Программа делает ровно то, что предписано. Калькулятор не умеет «примерно посчитать» – он либо считает по правилу, либо выдаёт ошибку.

ИИ устроен принципиально иначе. Ему не пишут правила – ему показывают примеры. Тысячи, миллионы, иногда миллиарды примеров. Система сама находит в них закономерности.

Именно поэтому такой подход называется машинным обучением – машина буквально учится, а не выполняет готовый алгоритм. Разработчик не объясняет системе, как отличить кошку от собаки. Он просто загружает сотни тысяч фотографий с подписями «кошка» и «собака» – и система сама разбирается, что к чему.

Это меняет всё. Обычную программу нужно переписывать каждый раз, когда меняется задача. ИИ можно переобучить на новых данных. Обычная программа либо знает ответ, либо нет. ИИ работает с неопределённостью – отвечает даже тогда, когда задача сформулирована нечётко или неполно.

КАК МАШИНА УЧИТСЯ

Представь щенка, которого учат командам. Говорят «сидеть» – и каждый раз, когда он садится, дают угощение. Когда не садится – не дают. Постепенно щенок улавливает связь. Никто не объяснял ему грамматику или биомеханику – он просто нашёл закономерность через повторение и обратную связь.

С ИИ – примерно та же история. Только вместо угощения – математическая оценка ошибки.

На старте модель не знает ничего. Ей показывают пример – допустим, фотографию кота – и спрашивают: что это? Модель угадывает наугад. Потом ей сообщают правильный ответ. Внутри происходит корректировка: миллионы числовых параметров слегка сдвигаются в сторону верного результата. Следующий пример – новая корректировка. И так миллиарды раз.

После такого обучения модель начинает справляться с задачей – не потому что в ней прописано правило «у кошки треугольные уши», а потому что она нашла собственные, часто неподдающиеся человеческому описанию закономерности в огромном массиве данных.

Поэтому современный ИИ умеет делать то, для чего невозможно написать чёткий алгоритм. Распознавать интонацию в голосе. Отличать хорошую фотографию от плохой. Понимать смысл написанного с опечатками. Для всего этого не существует исчерпывающих правил – но существуют миллионы примеров.

ИИ НЕ ДУМАЕТ – ОН ПРЕДСКАЗЫВАЕТ

Это различие важнее, чем кажется.

Когда языковая модель вроде ChatGPT отвечает на вопрос, она не обращается к базе знаний, не «понимает» смысл написанного и не рассуждает в привычном смысле слова. Она предсказывает: какое слово или фраза с наибольшей вероятностью следует за предыдущими, учитывая всё, что было в тексте до этого момента.

Звучит скромно. Но за этим предсказанием стоит обучение на триллионах слов – книгах, научных работах, форумах, новостях, разговорах. Модель видела столько текста, что её предсказания нередко оказываются содержательными, точными и полезными.

Хорошая аналогия – опытный врач, ставящий диагноз по симптомам. Он не «знает» болезнь в абсолютном смысле – он распознаёт знакомую закономерность на основе тысяч случаев из практики. ИИ делает нечто похожее: несравнимо быстрее и с несравнимо большим массивом «случаев» за плечами.

Отсюда – ключевое следствие: ИИ может ошибаться уверенно. Если в обучающих данных была ошибка или модель встретила ситуацию, которой раньше не видела, – она всё равно что-то предскажет. Иногда это будет правдоподобно звучащая неправда. В профессиональной среде такое явление называют галлюцинациями.

Понимание этого механизма – не повод отказываться от ИИ. Это повод использовать его с открытыми глазами.