Постепенно индустрия ИТ дошла до той стадии развития, когда вышла за рамки ограничений узкого, предназначенного для выполнения одной задачи искусственного интеллекта, и вошла на промежуточную территорию, которая граничит с универсальным ИИ. В этом убежден Гэри Гроссман, вице-президент по ИИ в международной коммуникационной фирме Edelman.

Сегодня все, что научились делать алгоритмы машинного обучения, лежит в области узкого ИИ. Какие бы сложные задачи они ни выполняли — от обнаружения биржевого мошенничества и раковых опухолей до управления истребителями — каждый из них имеет перед собой только одну цель. Из этого следует несколько выводов: такие алгоритмы нельзя использовать для чего-то другого; все, чему научился один алгоритм, нельзя передать другому, если он выполняет другую задачу. К примеру, AlphaGo, победивший чемпиона мира по го, не смог бы играть в другие, намного более простые игры, пишет Гэри Гроссман в колонке на VentureBeat.

Многие современные ИИ используют модели глубокого обучения. Эти нейросети, построенные по принципу мозга человека, работают на графических процессорах, выполняющих параллельно сотни тысяч операций. Многочисленные слои нейросетей имитируют синапсы мозга и отражают число параметров, которые ИИ должен обработать. Большие нейросети сегодня могут иметь до 10 млрд параметров. Информация обрабатывается от слоя к слою, постепенно становясь все более точной.

Хотя наращивать число слоев и ускорять вычисления еще возможно, этот процесс быстро приближается к пределу вычислительной мощности и потребления энергии. Эти ограничения могут вызвать еще одну «зиму ИИ», когда ожидания оказались завышенными и не оправдали инвестиций. Такое уже происходило в истории ИИ дважды, в 1980-х и 1990-х, и каждый раз потребовались годы, чтобы дождаться «оттепели».

Один из путей, позволяющих избежать зимы ИИ, требует смены парадигмы и выхода за рамки нынешней модели глубокого обучения и нейронный сетей. Речь идет о появлении «универсального ИИ».

Универсальный ИИ отличается от узкого тем, что способен учиться и выполнять различные задачи. Он больше похож на человека, но работает со скоростью самых быстрых компьютеров. Многие исследователи полагают, что для него еще не настало время, но есть и те, кто считает, что индустрия находится на пороге перехода к универсальному ИИ.

В качестве одного из примеров автор приводит GPT-3, генератор текстов, созданный организацией OpenAI. Он способен учиться, поглощая различные тексты, может выполнять разные задачи, от сочинения стихотворений и рассказов до генерации компьютерного кода, перевода на другие языки и выполнения математических расчетов. Все это указывает, что индустрия как минимум выходит за границы узкого ИИ. Однако переход может занять от пары до нескольких десятков лет.

И тут многие с Гроссманом поспорят. Не все специалисты в области ИИ видят в GPT-3 нечто большее, чем просто алгоритм. Эрнест Дэвис, профессор информатики из Университета Нью-Йорка, убежден, что GPT-3 не знает, о чем пишет. Он может только грамматически и стилистически имитировать грамотную речь человека, не понимая сути происходящего.